დროის სერიები მოთხოვნის პროგნოზირების, სადისტრიბუციო ცენტრების დატვირთვის, პროდუქტის რეკომენდაციებისა და ანომალიების ძიებაში

სტატიაში განხილულია დროის სერიების გამოყენების სფეროები, გადასაჭრელი პრობლემები და გამოყენებული ალგორითმები. დროის სერიების პროგნოზირება გამოიყენება ისეთ ამოცანებში, როგორიცაა მოთხოვნის პროგნოზირება, საკონტაქტო ცენტრის დატვირთვა, გზის და ინტერნეტ ტრაფიკი, ცივი დაწყების პრობლემის გადაჭრა სარეკომენდაციო სისტემებში და ანომალიების ძიება აღჭურვილობისა და მომხმარებლების ქცევაში.

მოდით შევხედოთ დავალებებს უფრო დეტალურად.

1) მოთხოვნის პროგნოზირება.

მიზანი: საწყობის ხარჯების შემცირება და პერსონალის სამუშაო გრაფიკის ოპტიმიზაცია.

როგორ მოვაგვაროთ ეს: გვაქვს საქონლის შესყიდვების პროგნოზი და მომხმარებელთა რაოდენობა, ჩვენ მინიმუმამდე ვამცირებთ საქონლის რაოდენობას საწყობში და ვინახავთ ზუსტად იმდენს, რამდენსაც შეიძენთ მოცემულ დროის დიაპაზონში. კლიენტების რაოდენობის ცოდნა ნებისმიერ დროს, ჩვენ შევიმუშავებთ სამუშაოს ოპტიმალურ განრიგს, რათა იყოს საკმარისი რაოდენობის პერსონალი მინიმალური ხარჯებით.

2) მიწოდების სერვისზე დატვირთვის პროგნოზირება

მიზანი: თავიდან აიცილოთ ლოგისტიკური კოლაფსი პიკური დატვირთვის დროს.

როგორ მოვაგვაროთ ეს: შეკვეთების რაოდენობის პროგნოზირება, მანქანებისა და კურიერების ოპტიმალური რაოდენობის შეყვანა ხაზზე.

3) კონტაქტ ცენტრში დატვირთვის პროგნოზირება

მიზანი: უზრუნველყოს საკონტაქტო ცენტრის საჭირო ხელმისაწვდომობა სახელფასო ფონდის ხარჯების მინიმიზაციისას.

როგორ მოვაგვაროთ: დროთა განმავლობაში ზარების რაოდენობის პროგნოზირება, ოპერატორებისთვის ოპტიმალური გრაფიკის შექმნა.

4) მოძრაობის პროგნოზირება

მიზანი: იწინასწარმეტყველეთ სერვერების რაოდენობა და გამტარობა სტაბილური მუშაობისთვის. რომ პოპულარული სერიალის ან ფეხბურთის მატჩის პრემიერის დღეს თქვენი სერვისი არ გაფუჭდეს 😉

5) ბანკომატების შეგროვების ოპტიმალური დროის პროგნოზირება

მიზანი: ბანკომატების ქსელში შენახული ნაღდი ფულის ოდენობის მინიმუმამდე შემცირება

6) ცივი დაწყების პრობლემის გადაწყვეტა სარეკომენდაციო სისტემებში

მიზანი: ახალი მომხმარებლებისთვის შესაბამისი პროდუქტების რეკომენდაცია.

როდესაც მომხმარებელმა რამდენიმე შესყიდვა გააკეთა, რეკომენდაციებისთვის შეიძლება შეიქმნას ერთობლივი ფილტრაციის ალგორითმი, მაგრამ როდესაც მომხმარებლის შესახებ ინფორმაცია არ არის, ოპტიმალურია ყველაზე პოპულარული პროდუქტების რეკომენდაცია.

გამოსავალი: პროდუქციის პოპულარობა დამოკიდებულია რეკომენდაციის გაკეთების დროზე. დროის სერიების პროგნოზირების გამოყენება ხელს უწყობს შესაბამისი პროდუქტების იდენტიფიცირებას დროის ნებისმიერ მოცემულ მომენტში.

ჩვენ განვიხილეთ ცხოვრებისეული ჰაკები სარეკომენდაციო სისტემების შესაქმნელად წინა სტატია.

7) ანომალიების ძიება

მიზანი: პრობლემების იდენტიფიცირება აღჭურვილობის მუშაობაში და არასტანდარტული სიტუაციები ბიზნესში
გამოსავალი: თუ გაზომილი მნიშვნელობა პროგნოზის ნდობის ინტერვალის მიღმაა, აღმოჩენილია ანომალია. თუ ეს ატომური ელექტროსადგურია, დროა გავზარდოთ მანძილის კვადრატი 😉

ალგორითმები პრობლემის გადასაჭრელად

1) მოძრავი საშუალო

უმარტივესი ალგორითმი არის მოძრავი საშუალო. გამოვთვალოთ საშუალო მნიშვნელობა ბოლო რამდენიმე ელემენტზე და გავაკეთოთ პროგნოზი. 10 დღეზე მეტი ხნის ამინდის პროგნოზისთვის გამოიყენება მსგავსი მიდგომა.

როდესაც მნიშვნელოვანია, რომ სერიის ბოლო მნიშვნელობებმა უფრო მეტი წონა შეიტანეს, ჩვენ ვაძლევთ კოეფიციენტებს, რაც დამოკიდებულია თარიღის მანძილის მიხედვით, ვიღებთ შეწონილ მოდელს:

ასე რომ, თქვენ შეგიძლიათ დააყენოთ W კოეფიციენტი ისე, რომ მაქსიმალური წონა დაეცეს ბოლო 2 დღეს და შესვლის დღეებს.

ციკლური ფაქტორების გათვალისწინებით

რეკომენდაციების ხარისხზე შეიძლება გავლენა იქონიოს ციკლურმა ფაქტორებმა, როგორიცაა კვირის დღეების დამთხვევა, თარიღი, წინა დღესასწაულები და ა.შ.

ბრინჯი. 1. დროის სერიების დაშლის მაგალითი ტენდენციად, სეზონურ კომპონენტად და ხმაურად

ექსპონენციალური გლუვი არის გამოსავალი ციკლური ფაქტორების გასათვალისწინებლად.

მოდით შევხედოთ 3 ძირითად მიდგომას

1. მარტივი დაგლუვება (ყავისფერი მოდელი)

წარმოადგენს საშუალო შეწონილის გამოთვლას სერიის ბოლო 2 ელემენტზე.

2. ორმაგი დაგლუვება (Holt მოდელი)

ითვალისწინებს ტენდენციის ცვლილებებს და ნარჩენი მნიშვნელობების რყევებს ამ ტენდენციის გარშემო.

ჩვენ ვიანგარიშებთ ნარჩენების ® ცვლილებების პროგნოზს და ტენდენციას (დ). y-ის საბოლოო მნიშვნელობა არის ამ ორი სიდიდის ჯამი.

3. სამმაგი გლუვი (Holt-Winters მოდელი)

სამმაგი დაგლუვება დამატებით ითვალისწინებს სეზონურ ვარიაციებს.

ფორმულები სამმაგი დამარბილებისთვის.

ARIMA და SARIMA ალგორითმი

ARIMA-ს გამოყენების დროის სერიების თავისებურება არის კავშირი წარსულ მნიშვნელობებს შორის, რომლებიც ასოცირდება მიმდინარე და მომავალთან.

SARIMA – გაფართოება სეზონური კომპონენტის მქონე სერიებისთვის. SARIMAX არის გაფართოება, რომელიც მოიცავს გარე რეგრესიის კომპონენტს.

ARIMA მოდელები საშუალებას გაძლევთ სიმულაცია მოახდინოთ ინტეგრირებული ან განსხვავებულად სტაციონარული დროის სერია.

ARIMA-ს მიდგომა დროის სერიებთან არის ის, რომ სერიების სტაციონალურობა პირველად ფასდება.

შემდეგი, სერია გარდაიქმნება შესაბამისი რიგის სხვაობის აღებით და გარდაქმნილი მოდელისთვის აგებულია ARMA მოდელი.

ARMA არის წრფივი მრავალჯერადი რეგრესიის მოდელი.

მნიშვნელოვანია, რომ სერია იყოს სტაციონარული, ე.ი. საშუალო და განსხვავება არ შეცვლილა. თუ სერია არასტაციონარულია, ის უნდა მიიყვანოთ სტაციონარულ ფორმამდე.

XGBoost – სად ვიქნებოდით მის გარეშე?

თუ სერიას არ აქვს შიდა გამოხატული სტრუქტურა, მაგრამ არსებობს გარეგანი გავლენის ფაქტორები (მენეჯერი, ამინდი და ა.შ.), მაშინ შეგიძლიათ უსაფრთხოდ გამოიყენოთ მანქანათმცოდნეობის მოდელები, როგორიცაა გაძლიერება, შემთხვევითი ტყეები, რეგრესია, ნერვული ქსელები და SVM.

გუნდის გამოცდილებიდან მონაცემები 4, დროის სერიების პროგნოზირება, საწყობის ხარჯების ოპტიმიზაციის, პერსონალის ხარჯების, ბანკომატების ქსელების მოვლის ოპტიმიზაციის, ლოჯისტიკისა და შენობის სარეკომენდაციო სისტემების ოპტიმიზაციის ერთ-ერთი მთავარი ამოცანა. კომპლექსური მოდელები, როგორიცაა SARIMA, იძლევა მაღალი ხარისხის შედეგებს, მაგრამ შრომატევადია და შესაფერისია მხოლოდ დავალებების გარკვეული სპექტრისთვის.

შემდეგ სტატიაში განვიხილავთ ანომალიების ძიების ძირითად მიდგომებს.

იმისათვის, რომ დარწმუნდეთ, რომ სტატიები შეესაბამება თქვენს ინტერესებს, მიიღეთ მონაწილეობა ქვემოთ მოცემულ გამოკითხვაში, ან დაწერეთ კომენტარებში, რა თემებზე დაწეროთ შემდეგ სტატიებში.

გამოკითხვაში მონაწილეობა შეუძლიათ მხოლოდ დარეგისტრირებულ მომხმარებლებს. Შებრძანდითგთხოვთ

სტატიები რა თემაზე გაინტერესებთ?

• სარეკომენდაციო სისტემები

• გამოსახულების ამოცნობა

• სიტყვისა და ტექსტის დამუშავება

• ახალი არქიტექტურები DNN-ში

• დროის სერიები და ანომალიების ძებნა

• ML ბიზნესში, გამოყენების შემთხვევები

მისცა ხმა 17 მომხმარებელმა. 3 მომხმარებელმა თავი შეიკავა.

წყარო: www.habr.com