수요 예측, 물류센터 부하 예측, 상품 추천, 이상 징후 검색 등의 시계열

이 기사에서는 시계열 적용 분야, 해결해야 할 문제 및 사용되는 알고리즘에 대해 논의합니다. 시계열 예측은 수요 예측, 연락 센터 부하, 도로 및 인터넷 트래픽 예측, 추천 시스템의 콜드 스타트 ​​문제 해결, 장비 및 사용자 동작의 이상 징후 검색과 같은 작업에 사용됩니다.

작업을 좀 더 자세히 살펴보겠습니다.

1) 수요 예측.

목표: 창고 비용을 줄이고 직원 작업 일정을 최적화합니다.

해결 방법: 상품 구매 및 고객 수를 예측하여 창고의 상품 수량을 최소화하고 주어진 시간 범위에서 구매할 수량만큼 정확하게 보관합니다. 특정 시간의 고객 수를 파악하여 최소한의 비용으로 충분한 수의 직원이 있도록 최적의 작업 일정을 작성합니다.

2) 배송 서비스의 부하 예측

목표: 최대 부하 시 물류 붕괴를 방지합니다.

해결 방법: 주문 수를 예측하고 최적의 차량 및 택배 수를 라인에 배치합니다.

3) 컨택센터 부하 예측

목표: 임금 기금 비용을 최소화하면서 필요한 컨택 센터 가용성을 보장하는 것입니다.

해결 방법: 시간 경과에 따른 통화 수를 예측하여 교환원을 위한 최적의 일정을 만듭니다.

4) 교통예측

목표: 안정적인 운영을 위한 서버 수와 ​​대역폭을 예측합니다. 인기 TV 시리즈나 축구 경기의 초연 당일에 서비스가 중단되지 않도록 😉

5) ATM 회수 최적 시간 예측

목표: ATM 네트워크에 저장된 현금의 양을 최소화합니다.

6) 추천 시스템의 콜드 스타트 ​​문제에 대한 해결책

목표: 신규 사용자에게 관련 제품을 추천합니다.

사용자가 여러 번 구매한 경우 협업 필터링 알고리즘을 구축하여 추천할 수 있지만, 사용자에 대한 정보가 없는 경우 가장 인기 있는 제품을 추천하는 것이 최적입니다.

해결책: 제품의 인기는 추천이 이루어지는 시점에 따라 달라집니다. 시계열 예측을 사용하면 특정 시점에 관련 제품을 식별하는 데 도움이 됩니다.

우리는 추천 시스템 구축을 위한 생활 해킹을 살펴보았습니다. 이전 기사.

7) 이상 징후 검색

목표: 장비 작동 문제 및 비즈니스의 비표준 상황을 식별합니다.
해결책: 측정된 값이 예측 신뢰 구간을 벗어나면 이상이 감지된 것입니다. 이것이 원자력 발전소라면 이제 거리의 제곱을 늘려야 할 때입니다 😉

문제 해결을 위한 알고리즘

1) 이동 평균

가장 간단한 알고리즘은 이동 평균입니다. 마지막 몇 가지 요소의 평균값을 계산하고 예측해 보겠습니다. 10일 이상의 일기예보에 대해서는 유사한 접근 방식이 사용됩니다.

계열의 마지막 값이 더 많은 가중치를 부여하는 것이 중요한 경우 날짜의 거리에 따라 계수를 도입하여 가중치 모델을 얻습니다.

따라서 최근 2일과 입국일에 최대 중량이 들어가도록 W계수를 설정할 수 있습니다.

순환적 요인을 고려

추천의 품질은 요일, 날짜, 이전 공휴일 등과의 일치 등 순환적 요인에 의해 영향을 받을 수 있습니다.

쌀. 1. 추세, 계절성분, 노이즈로 시계열 분해한 예

지수 평활은 순환 요인을 고려하는 솔루션입니다.

3가지 기본 접근 방식을 살펴보겠습니다.

1. 단순 스무딩(브라운 모델)

계열의 마지막 2개 요소에 대한 가중 평균 계산을 나타냅니다.

2. 이중 스무딩(홀트 모델)

이 추세를 중심으로 추세의 변화와 잔존 가치의 변동을 고려합니다.

잔차 ® 및 추세(d)의 변화 예측을 계산합니다. y의 최종 값은 이 두 수량의 합입니다.

3. 삼중 평활화(Holt-Winters 모델)

삼중 평활화에는 계절 변화도 추가로 고려됩니다.

삼중 평활화 공식.

ARIMA 및 SARIMA 알고리즘

ARIMA 사용에 대한 시계열의 특징은 현재 값과 미래 값과 관련된 과거 값을 연결한다는 것입니다.

SARIMA – 계절 구성 요소가 포함된 시리즈의 확장입니다. SARIMAX는 외부 회귀 구성요소를 포함하는 확장입니다.

ARIMA 모델을 사용하면 통합 또는 차분 시계열을 시뮬레이션할 수 있습니다.

시계열에 대한 ARIMA 접근 방식은 시계열의 정상성을 먼저 평가하는 것입니다.

다음으로, 적절한 순서의 차이를 취하여 계열을 변환하고, 변환된 모델에 대해 ARMA 모델을 구성합니다.

ARMA는 선형 다중 회귀 모델입니다.

계열이 고정되어 있는 것이 중요합니다. 평균과 분산은 변하지 않았습니다. 계열이 고정적이지 않은 경우 고정된 형태로 가져와야 합니다.

XGBoost – XGBoost가 없다면 우리는 어디에 있을까요?

시리즈가 내부적으로 표현된 구조는 없지만 외부에 영향을 미치는 요소(관리자, 날씨 등)가 있는 경우 부스팅, 랜덤 포레스트, 회귀, 신경망 및 SVM과 같은 기계 학습 모델을 안전하게 사용할 수 있습니다.

팀의 경험에서 데이터 4, 시계열 예측은 창고 비용, 인건비 최적화, ATM 네트워크 유지 관리 최적화, 물류 및 추천 시스템 구축을 위한 주요 작업 중 하나입니다. SARIMA와 같은 복잡한 모델은 고품질 결과를 제공하지만 시간이 많이 걸리고 특정 범위의 작업에만 적합합니다.

다음 기사에서는 이상 현상을 검색하는 주요 접근 방식을 살펴보겠습니다.

기사가 귀하의 관심사와 관련이 있는지 확인하려면 아래 설문 조사에 참여하거나 다음 기사에서 어떤 주제에 대해 쓸지 댓글에 적어주세요.

등록된 사용자만 설문 조사에 참여할 수 있습니다. 로그인제발

어떤 주제에 관한 기사에 관심이 있나요?

• 추천 시스템

• 이미지 인식

• 음성 및 텍스트 처리

• DNN의 새로운 아키텍처

• 시계열 및 이상 검색

• 비즈니스에서의 ML, 사용 사례

17명의 사용자가 투표했습니다. 3명의 사용자가 기권했습니다.

출처 : habr.com