Artikel kasebut ngrembug babagan area aplikasi seri wektu, masalah sing kudu ditanggulangi, lan algoritma sing digunakake. Prakiraan seri wektu digunakake ing tugas kayata panjaluk prakiraan, beban pusat kontak, lalu lintas dalan lan Internet, ngrampungake masalah wiwitan kadhemen ing sistem rekomendasi, lan nggoleki anomali ing prilaku peralatan lan pangguna.
Ayo goleki tugas kanthi luwih rinci.
1) Prakiraan panjaluk.
Tujuan: nyuda biaya gudang lan ngoptimalake jadwal kerja staf.
Cara ngatasi: duwe ramalan tumbas barang lan jumlah pelanggan, kita nyilikake jumlah barang ing gudang lan nyimpen persis kaya sing bakal dituku ing sawetara wektu tartamtu. Ngerti jumlah klien ing wektu tartamtu, kita bakal nggawe jadwal kerja sing optimal supaya ana jumlah staf sing cukup kanthi biaya minimal.
2) Prakiraan beban ing layanan pangiriman
Tujuan: kanggo nyegah logistik ambruk nalika beban puncak.
Cara ngatasi: prédhiksi jumlah pesenan, nggawa jumlah mobil lan kurir sing paling optimal menyang baris.
3) Prakiraan beban ing pusat kontak
Tujuan: kanggo mesthekake kasedhiyan pusat kontak sing dibutuhake nalika nyuda biaya dana upah.
Cara ngatasi: prakiraan nomer telpon liwat wektu, nggawe jadwal optimal kanggo operator.
4) Prakiraan lalu lintas
Sasaran: prédhiksi jumlah server lan bandwidth kanggo operasi sing stabil. Supaya layanan sampeyan ora kacilakan ing dina perdana seri TV utawa pertandingan bal-balan populer 😉
5) Prakiraan wektu optimal kanggo koleksi ATM
Tujuan: nyilikake jumlah awis sing disimpen ing jaringan ATM
6) Solusi kanggo masalah wiwitan kadhemen ing sistem rekomendasi
Sasaran: Rekomendasi produk sing cocog kanggo pangguna anyar.
Nalika pangguna wis nggawe sawetara tumbas, algoritma panyaring kolaborasi bisa dibangun kanggo rekomendasi, nanging nalika ora ana informasi babagan pangguna, paling optimal kanggo menehi rekomendasi produk sing paling populer.
Solusi: Popularitas produk gumantung ing wektu nalika menehi rekomendasi. Nggunakake prakiraan seri wektu mbantu ngenali produk sing cocog ing wektu tartamtu.
Kita ndeleng hacks urip kanggo mbangun sistem rekomendasi .
7) Telusuri anomali
Tujuan: kanggo ngenali masalah ing operasi peralatan lan kahanan non-standar ing bisnis
Solusi: Yen nilai sing diukur ing njaba interval kapercayan ramalan, anomali wis dideteksi. Yen iki pembangkit listrik tenaga nuklir, iku wektu kanggo nambah kothak jarak 😉
Algoritma kanggo ngrampungake masalah
1) Rata-rata obah
Algoritma sing paling gampang yaiku rata-rata obah. Ayo ngetung nilai rata-rata ing sawetara unsur pungkasan lan nggawe prediksi. Kanggo ramalan cuaca luwih saka 10 dina, pendekatan sing padha digunakake.
Yen penting yen nilai pungkasan ing seri menehi bobot luwih akeh, kita ngenalake koefisien gumantung saka jarak tanggal, entuk model bobot:
Dadi, sampeyan bisa nyetel koefisien W supaya bobot maksimum tiba ing 2 dina pungkasan lan dina entri.
Nganggep faktor siklus
Kualitas rekomendasi bisa uga kena pengaruh faktor siklus, kayata kebetulan karo dina minggu, tanggal, preian sadurunge, lsp.
Gabah. 1. Conto dekomposisi time series dadi tren, komponen musiman lan gangguan
Exponential smoothing minangka solusi kanggo njupuk faktor siklus.
Ayo goleki 3 pendekatan dhasar
1. Simple smoothing (model coklat)
Nggambarake pitungan rata-rata bobot ing 2 unsur pungkasan saka seri.
2. Double smoothing (model Holt)
Nganggep owah-owahan ing tren lan fluktuasi nilai sisa ing sekitar tren iki.
Kita ngetung prediksi owah-owahan ing residual ® lan tren (d). Nilai y pungkasan minangka jumlah saka rong jumlah kasebut.
3. Triple smoothing (model Holt-Winters)
Triple smoothing uga nganggep variasi musiman.
Formula kanggo triple smoothing.
algoritma ARIMA lan SARIMA
Keanehan saka seri wektu kanggo nggunakake ARIMA yaiku sesambungan antarane nilai-nilai kepungkur sing ana gandhengane karo saiki lan mbesuk.
SARIMA – extension kanggo seri karo komponen mangsan. SARIMAX minangka ekstensi sing kalebu komponen regresi eksternal.
Model ARIMA ngijini sampeyan kanggo simulasi seri wektu terpadu utawa beda-stasioner.
Pendekatan ARIMA kanggo seri wektu yaiku stasioneritas seri kasebut pisanan ditaksir.
Sabanjure, seri kasebut diowahi kanthi njupuk prabédan saka urutan sing cocog, lan model ARMA dibangun kanggo model sing diowahi.
ARMA minangka model regresi berganda linier.
Iku penting sing seri dadi stasioner, i.e. tegese lan varian ora owah. Yen seri ora stasioner, kudu digawa menyang wangun stasioner.
XGBoost - ing ngendi kita bakal tanpa iku?
Yen seri ora duwe struktur internal, nanging ana faktor pengaruh eksternal (manajer, cuaca, lan liya-liyane), mula sampeyan bisa nggunakake model pembelajaran mesin kanthi aman kayata boosting, alas acak, regresi, jaringan saraf lan SVM.
Saka pengalaman tim DATA4, prakiraan seri wektu, salah sawijining tugas utama kanggo ngrampungake optimalisasi biaya gudang, biaya personel, ngoptimalake pangopènan jaringan ATM, logistik lan sistem rekomendasi bangunan. Model rumit kayata SARIMA menehi asil sing berkualitas, nanging butuh wektu lan mung cocok kanggo sawetara tugas tartamtu.
Ing artikel sabanjure kita bakal nliti pendekatan utama kanggo nggoleki anomali.
Kanggo mesthekake yen artikel kasebut cocog karo kapentingan sampeyan, tindakake survey ing ngisor iki, utawa tulis ing komentar topik apa sing bakal ditulis ing artikel sabanjure.
Mung pangguna pangguna sing bisa melu survey. nggih.
Artikel babagan topik apa sing sampeyan minati?
-
Sistem Rekomendasi
-
Pangenalan gambar
-
Pangolahan wicara lan teks
-
Arsitektur anyar ing DNS
-
Telusuran seri wektu lan anomali
-
ML ing bisnis, kasus panggunaan
17 pangguna milih. 3 pangguna abstain.
Source: www.habr.com