ഡിമാൻഡ് പ്രവചിക്കുന്നതിലെ സമയ ശ്രേണി, വിതരണ കേന്ദ്രങ്ങളിലെ ലോഡ്, ഉൽപ്പന്ന ശുപാർശകൾ, അപാകതകൾക്കായി തിരയുക

സമയ ശ്രേണിയുടെ പ്രയോഗത്തിന്റെ മേഖലകൾ, പരിഹരിക്കേണ്ട പ്രശ്നങ്ങൾ, ഉപയോഗിക്കുന്ന അൽഗോരിതങ്ങൾ എന്നിവ ലേഖനം ചർച്ചചെയ്യുന്നു. ഡിമാൻഡ്, കോൺടാക്റ്റ് സെന്റർ ലോഡ്, റോഡ്, ഇൻറർനെറ്റ് ട്രാഫിക് എന്നിവ പ്രവചിക്കുക, ശുപാർശ ചെയ്യുന്ന സിസ്റ്റങ്ങളിലെ കോൾഡ് സ്റ്റാർട്ട് പ്രശ്നം പരിഹരിക്കുക, ഉപകരണങ്ങളുടെയും ഉപയോക്താക്കളുടെയും പെരുമാറ്റത്തിലെ അപാകതകൾക്കായി തിരയുക തുടങ്ങിയ ജോലികളിൽ ടൈം സീരീസ് പ്രവചനം ഉപയോഗിക്കുന്നു.

ചുമതലകൾ കൂടുതൽ വിശദമായി നോക്കാം.

1) ഡിമാൻഡ് പ്രവചനം.

ലക്ഷ്യം: വെയർഹൗസ് ചെലവ് കുറയ്ക്കുക, സ്റ്റാഫ് വർക്ക് ഷെഡ്യൂളുകൾ ഒപ്റ്റിമൈസ് ചെയ്യുക.

ഇത് എങ്ങനെ പരിഹരിക്കാം: സാധനങ്ങളുടെ വാങ്ങലുകളുടെയും ഉപഭോക്താക്കളുടെ എണ്ണത്തിന്റെയും പ്രവചനം ഉള്ളതിനാൽ, ഞങ്ങൾ വെയർഹൗസിലെ സാധനങ്ങളുടെ അളവ് കുറയ്ക്കുകയും ഒരു നിശ്ചിത സമയ പരിധിയിൽ വാങ്ങുന്ന അത്രയും കൃത്യമായി സംഭരിക്കുകയും ചെയ്യുന്നു. ഏത് സമയത്തും ക്ലയന്റുകളുടെ എണ്ണം അറിയുന്നതിലൂടെ, ഞങ്ങൾ ഒരു ഒപ്റ്റിമൽ വർക്ക് ഷെഡ്യൂൾ തയ്യാറാക്കും, അതുവഴി കുറഞ്ഞ ചിലവുകളുള്ള മതിയായ എണ്ണം സ്റ്റാഫുകൾ ഉണ്ടാകും.

2) ഡെലിവറി സേവനത്തിലെ ലോഡ് പ്രവചിക്കുന്നു

ലക്ഷ്യം: പീക്ക് ലോഡുകളിൽ ലോജിസ്റ്റിക്സ് തകരുന്നത് തടയുക.

ഇത് എങ്ങനെ പരിഹരിക്കാം: ഓർഡറുകളുടെ എണ്ണം പ്രവചിക്കുക, കാറുകളുടെയും കൊറിയറുകളുടെയും ഒപ്റ്റിമൽ എണ്ണം ലൈനിലേക്ക് കൊണ്ടുവരിക.

3) കോൺടാക്റ്റ് സെന്ററിലെ ലോഡ് പ്രവചിക്കുന്നു

ലക്ഷ്യം: വേതന ഫണ്ട് ചെലവ് കുറയ്ക്കുമ്പോൾ കോൺടാക്റ്റ് സെന്ററിന്റെ ആവശ്യമായ ലഭ്യത ഉറപ്പാക്കുക.

എങ്ങനെ പരിഹരിക്കാം: കാലക്രമേണ കോളുകളുടെ എണ്ണം പ്രവചിക്കുക, ഓപ്പറേറ്റർമാർക്ക് ഒപ്റ്റിമൽ ഷെഡ്യൂൾ സൃഷ്ടിക്കുക.

4) ട്രാഫിക് പ്രവചനം

ലക്ഷ്യം: സ്ഥിരമായ പ്രവർത്തനത്തിനായി സെർവറുകളുടെ എണ്ണവും ബാൻഡ്‌വിഡ്ത്തും പ്രവചിക്കുക. ഒരു ജനപ്രിയ ടിവി സീരീസിന്റെയോ ഫുട്ബോൾ മത്സരത്തിന്റെയോ പ്രീമിയർ ദിവസം നിങ്ങളുടെ സേവനം തകരാറിലാകാതിരിക്കാൻ 😉

5) എടിഎം ശേഖരണത്തിന് ഏറ്റവും അനുയോജ്യമായ സമയം പ്രവചിക്കുന്നു

ലക്ഷ്യം: എടിഎം നെറ്റ്‌വർക്കിൽ സൂക്ഷിച്ചിരിക്കുന്ന പണത്തിന്റെ അളവ് കുറയ്ക്കുക

6) ശുപാർശ സംവിധാനങ്ങളിലെ കോൾഡ് സ്റ്റാർട്ട് പ്രശ്നത്തിനുള്ള പരിഹാരങ്ങൾ

ലക്ഷ്യം: പുതിയ ഉപയോക്താക്കൾക്ക് പ്രസക്തമായ ഉൽപ്പന്നങ്ങൾ ശുപാർശ ചെയ്യുക.

ഉപയോക്താവ് നിരവധി വാങ്ങലുകൾ നടത്തുമ്പോൾ, ശുപാർശകൾക്കായി ഒരു സഹകരണ ഫിൽട്ടറിംഗ് അൽഗോരിതം നിർമ്മിക്കാൻ കഴിയും, എന്നാൽ ഉപയോക്താവിനെക്കുറിച്ച് ഒരു വിവരവും ഇല്ലെങ്കിൽ, ഏറ്റവും ജനപ്രിയമായ ഉൽപ്പന്നങ്ങൾ ശുപാർശ ചെയ്യുന്നതാണ് ഉചിതം.

പരിഹാരം: ഉൽപ്പന്നങ്ങളുടെ ജനപ്രീതി ശുപാർശ ചെയ്യുന്ന സമയത്തെ ആശ്രയിച്ചിരിക്കുന്നു. സമയ ശ്രേണി പ്രവചനം ഉപയോഗിക്കുന്നത് ഏത് സമയത്തും പ്രസക്തമായ ഉൽപ്പന്നങ്ങൾ തിരിച്ചറിയാൻ സഹായിക്കുന്നു.

ശുപാർശ ചെയ്യുന്ന സംവിധാനങ്ങൾ നിർമ്മിക്കുന്നതിനുള്ള ലൈഫ് ഹാക്കുകൾ ഞങ്ങൾ പരിശോധിച്ചു മുമ്പത്തെ ലേഖനം.

7) അപാകതകൾക്കായി തിരയുക

ലക്ഷ്യം: ഉപകരണങ്ങളുടെ പ്രവർത്തനത്തിലെ പ്രശ്നങ്ങളും ബിസിനസ്സിലെ നിലവാരമില്ലാത്ത സാഹചര്യങ്ങളും തിരിച്ചറിയുക
പരിഹാരം: അളന്ന മൂല്യം പ്രവചന ആത്മവിശ്വാസ ഇടവേളയ്ക്ക് പുറത്താണെങ്കിൽ, ഒരു അപാകത കണ്ടെത്തി. ഇതൊരു ആണവ നിലയമാണെങ്കിൽ, ദൂരത്തിന്റെ ചതുരം വർദ്ധിപ്പിക്കേണ്ട സമയമാണിത്

പ്രശ്നം പരിഹരിക്കുന്നതിനുള്ള അൽഗോരിതങ്ങൾ

1) ചലിക്കുന്ന ശരാശരി

ചലിക്കുന്ന ശരാശരിയാണ് ഏറ്റവും ലളിതമായ അൽഗോരിതം. അവസാനത്തെ ഏതാനും മൂലകങ്ങളുടെ ശരാശരി മൂല്യം കണക്കാക്കി ഒരു പ്രവചനം നടത്താം. 10 ദിവസത്തിൽ കൂടുതലുള്ള കാലാവസ്ഥാ പ്രവചനങ്ങൾക്ക്, സമാനമായ ഒരു സമീപനം ഉപയോഗിക്കുന്നു.

ഒരു ശ്രേണിയിലെ അവസാന മൂല്യങ്ങൾ കൂടുതൽ ഭാരം സംഭാവന ചെയ്യുന്നത് പ്രധാനമാകുമ്പോൾ, തീയതിയുടെ ദൂരത്തെ ആശ്രയിച്ച് ഞങ്ങൾ ഗുണകങ്ങൾ അവതരിപ്പിക്കുന്നു, ഒരു വെയ്റ്റഡ് മോഡൽ നേടുന്നു:

അതിനാൽ, കഴിഞ്ഞ 2 ദിവസങ്ങളിലും പ്രവേശന ദിവസങ്ങളിലും പരമാവധി ഭാരം വീഴുന്ന തരത്തിൽ നിങ്ങൾക്ക് W കോഫിഫിഷ്യന്റ് സജ്ജമാക്കാൻ കഴിയും.

ചാക്രിക ഘടകങ്ങൾ കണക്കിലെടുക്കുന്നു

ആഴ്ചയിലെ ദിവസം, തീയതി, മുമ്പത്തെ അവധി ദിനങ്ങൾ മുതലായവയുമായി യാദൃശ്ചികത പോലുള്ള ചാക്രിക ഘടകങ്ങൾ ശുപാർശകളുടെ ഗുണനിലവാരത്തെ ബാധിച്ചേക്കാം.

അരി. 1. ട്രെൻഡ്, സീസണൽ ഘടകം, ശബ്ദം എന്നിവയിലേക്കുള്ള സമയ ശ്രേണി വിഘടനത്തിന്റെ ഉദാഹരണം

ചാക്രിക ഘടകങ്ങൾ കണക്കിലെടുക്കുന്നതിനുള്ള ഒരു പരിഹാരമാണ് എക്‌സ്‌പോണൻഷ്യൽ സ്മൂത്തിംഗ്.

നമുക്ക് 3 അടിസ്ഥാന സമീപനങ്ങൾ നോക്കാം

1. ലളിതമായ മിനുസപ്പെടുത്തൽ (ബ്രൗൺ മോഡൽ)

ഒരു ശ്രേണിയിലെ അവസാന 2 ഘടകങ്ങളിൽ ഒരു വെയ്റ്റഡ് ശരാശരിയുടെ കണക്കുകൂട്ടലിനെ പ്രതിനിധീകരിക്കുന്നു.

2. ഡബിൾ സ്മൂത്തിംഗ് (ഹോൾട്ട് മോഡൽ)

ട്രെൻഡിലെ മാറ്റങ്ങളും ഈ പ്രവണതയ്ക്ക് ചുറ്റുമുള്ള ശേഷിക്കുന്ന മൂല്യങ്ങളിലെ ഏറ്റക്കുറച്ചിലുകളും കണക്കിലെടുക്കുന്നു.

അവശിഷ്ടങ്ങൾ ®, ട്രെൻഡ് (d) എന്നിവയിലെ മാറ്റങ്ങളുടെ പ്രവചനം ഞങ്ങൾ കണക്കാക്കുന്നു. y യുടെ അന്തിമ മൂല്യം ഈ രണ്ട് അളവുകളുടെയും ആകെത്തുകയാണ്.

3. ട്രിപ്പിൾ സ്മൂത്തിംഗ് (ഹോൾട്ട്-വിന്റേഴ്സ് മോഡൽ)

ട്രിപ്പിൾ സ്മൂത്തിംഗ് അധികമായി സീസണൽ വ്യതിയാനങ്ങൾ കണക്കിലെടുക്കുന്നു.

ട്രിപ്പിൾ സ്മൂത്തിംഗിനുള്ള ഫോർമുലകൾ.

ARIMA, SARIMA അൽഗോരിതം

ARIMA ഉപയോഗിക്കുന്നതിനുള്ള സമയ ശ്രേണിയുടെ പ്രത്യേകത നിലവിലുള്ളതും ഭാവിയിലുള്ളതുമായ മൂല്യങ്ങളുമായി ബന്ധപ്പെട്ട മുൻകാല മൂല്യങ്ങൾ തമ്മിലുള്ള ബന്ധമാണ്.

SARIMA - സീസണൽ ഘടകമുള്ള സീരീസിനുള്ള വിപുലീകരണം. ഒരു ബാഹ്യ റിഗ്രഷൻ ഘടകം ഉൾപ്പെടുന്ന ഒരു വിപുലീകരണമാണ് SARIMAX.

സംയോജിത അല്ലെങ്കിൽ വ്യത്യാസ-നിശ്ചല സമയ ശ്രേണി അനുകരിക്കാൻ ARIMA മോഡലുകൾ നിങ്ങളെ അനുവദിക്കുന്നു.

സമയ ശ്രേണിയിലേക്കുള്ള ARIMA സമീപനം, പരമ്പരയുടെ നിശ്ചലതയാണ് ആദ്യം വിലയിരുത്തുന്നത്.

അടുത്തതായി, ഉചിതമായ ക്രമത്തിന്റെ വ്യത്യാസം എടുത്ത് സീരീസ് രൂപാന്തരപ്പെടുന്നു, കൂടാതെ രൂപാന്തരപ്പെട്ട മോഡലിനായി ഒരു ARMA മോഡൽ നിർമ്മിക്കുന്നു.

ARMA ഒരു ലീനിയർ മൾട്ടിപ്പിൾ റിഗ്രഷൻ മോഡലാണ്.

പരമ്പര നിശ്ചലമാകേണ്ടത് പ്രധാനമാണ്, അതായത്. ശരാശരിയും വ്യത്യാസവും മാറിയില്ല. സീരീസ് നോൺ-സ്റ്റേഷണറി ആണെങ്കിൽ, അത് ഒരു നിശ്ചല രൂപത്തിലേക്ക് കൊണ്ടുവരണം.

XGBoost - ഇതില്ലാതെ നമ്മൾ എവിടെയായിരിക്കും?

ഒരു ശ്രേണിക്ക് ആന്തരികമായി പ്രകടിപ്പിക്കുന്ന ഘടന ഇല്ലെങ്കിലും ബാഹ്യ സ്വാധീന ഘടകങ്ങൾ (മാനേജർ, കാലാവസ്ഥ മുതലായവ) ഉണ്ടെങ്കിൽ, നിങ്ങൾക്ക് സുരക്ഷിതമായി മെഷീൻ ലേണിംഗ് മോഡലുകളായ ബൂസ്റ്റിംഗ്, റാൻഡം ഫോറുകൾ, റിഗ്രഷൻ, ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ, എസ്വിഎം എന്നിവ ഉപയോഗിക്കാം.

ടീമിന്റെ അനുഭവത്തിൽ നിന്ന് ഡാറ്റ 4, ടൈം സീരീസ് പ്രവചനം, വെയർഹൗസ് ചെലവുകൾ ഒപ്റ്റിമൈസേഷൻ പരിഹരിക്കുന്നതിനുള്ള പ്രധാന ചുമതലകൾ, പേഴ്സണൽ ചെലവ്, എടിഎം നെറ്റ്വർക്കുകൾ ഒപ്റ്റിമൈസ്, ലോജിസ്റ്റിക്സ്, കെട്ടിട ശുപാർശ സംവിധാനങ്ങൾ. SARIMA പോലുള്ള സങ്കീർണ്ണ മോഡലുകൾ ഉയർന്ന നിലവാരമുള്ള ഫലങ്ങൾ നൽകുന്നു, എന്നാൽ സമയമെടുക്കുന്നവയും ഒരു നിശ്ചിത ശ്രേണിയിലുള്ള ജോലികൾക്ക് മാത്രം അനുയോജ്യവുമാണ്.

അടുത്ത ലേഖനത്തിൽ അപാകതകൾക്കായി തിരയുന്നതിനുള്ള പ്രധാന സമീപനങ്ങൾ ഞങ്ങൾ നോക്കും.

ലേഖനങ്ങൾ നിങ്ങളുടെ താൽപ്പര്യങ്ങൾക്ക് പ്രസക്തമാണെന്ന് ഉറപ്പാക്കാൻ, ചുവടെയുള്ള സർവേ നടത്തുക അല്ലെങ്കിൽ അടുത്ത ലേഖനങ്ങളിൽ ഏതൊക്കെ വിഷയങ്ങളെക്കുറിച്ചാണ് എഴുതേണ്ടതെന്ന് അഭിപ്രായങ്ങളിൽ എഴുതുക.

രജിസ്റ്റർ ചെയ്ത ഉപയോക്താക്കൾക്ക് മാത്രമേ സർവേയിൽ പങ്കെടുക്കാൻ കഴിയൂ. സൈൻ ഇൻദയവായി.

ഏത് വിഷയത്തിലാണ് നിങ്ങൾക്ക് താൽപ്പര്യമുള്ള ലേഖനങ്ങൾ?

• ശുപാർശ ചെയ്യുന്ന സംവിധാനങ്ങൾ

• ചിത്രം തിരിച്ചറിയൽ

• സ്പീച്ച്, ടെക്സ്റ്റ് പ്രോസസ്സിംഗ്

• DNN-ലെ പുതിയ ആർക്കിടെക്ചറുകൾ

• സമയ ശ്രേണിയും അപാകത തിരയലും

• ബിസിനസ്സിൽ ML, കേസുകൾ ഉപയോഗിക്കുക

17 ഉപയോക്താക്കൾ വോട്ട് ചെയ്തു. 3 ഉപയോക്താക്കൾ വിട്ടുനിന്നു.

അവലംബം: www.habr.com