Artikel ini membincangkan bidang aplikasi siri masa, masalah yang perlu diselesaikan, dan algoritma yang digunakan. Ramalan siri masa digunakan dalam tugas seperti ramalan permintaan, beban pusat hubungan, jalan raya dan trafik Internet, menyelesaikan masalah permulaan sejuk dalam sistem pengesyor, dan mencari anomali dalam kelakuan peralatan dan pengguna.
Mari kita lihat tugasan dengan lebih terperinci.
1) Ramalan permintaan.
Matlamat: mengurangkan kos gudang dan mengoptimumkan jadual kerja kakitangan.
Cara menyelesaikannya: mempunyai ramalan pembelian barang dan bilangan pelanggan, kami meminimumkan jumlah barang di gudang dan menyimpan dengan tepat sebanyak yang akan dibeli dalam julat masa tertentu. Mengetahui bilangan pelanggan pada bila-bila masa, kami akan merangka jadual kerja yang optimum supaya terdapat bilangan kakitangan yang mencukupi dengan kos minimum.
2) Meramalkan beban pada perkhidmatan penghantaran
Matlamat: untuk mengelakkan logistik runtuh semasa beban puncak.
Cara menyelesaikannya: meramalkan bilangan pesanan, bawa bilangan kereta dan kurier yang optimum ke talian.
3) Meramalkan beban pada pusat sesentuh
Matlamat: untuk memastikan ketersediaan pusat hubungan yang diperlukan sambil meminimumkan kos gaji.
Cara menyelesaikan: meramalkan bilangan panggilan dari semasa ke semasa, mencipta jadual yang optimum untuk pengendali.
4) Ramalan lalu lintas
Matlamat: ramalkan bilangan pelayan dan lebar jalur untuk operasi yang stabil. Supaya khidmat anda tidak rosak pada hari tayangan perdana siri TV atau perlawanan bola sepak yang popular 😉
5) Meramalkan masa yang optimum untuk pengumpulan ATM
Matlamat: meminimumkan jumlah wang tunai yang disimpan dalam rangkaian ATM
6) Penyelesaian kepada masalah permulaan sejuk dalam sistem pengesyoran
Matlamat: Mengesyorkan produk yang berkaitan kepada pengguna baharu.
Apabila pengguna telah membuat beberapa pembelian, algoritma penapisan kolaboratif boleh dibina untuk cadangan, tetapi apabila tiada maklumat tentang pengguna, adalah optimum untuk mengesyorkan produk yang paling popular.
Penyelesaian: Populariti produk bergantung pada masa pengesyoran dibuat. Menggunakan ramalan siri masa membantu mengenal pasti produk yang berkaitan pada mana-mana masa tertentu.
Kami melihat peretasan hayat untuk membina sistem pengesyor .
7) Cari anomali
Matlamat: untuk mengenal pasti masalah dalam pengendalian peralatan dan situasi bukan standard dalam perniagaan
Penyelesaian: Jika nilai yang diukur berada di luar selang keyakinan ramalan, anomali telah dikesan. Jika ini adalah loji kuasa nuklear, sudah tiba masanya untuk meningkatkan kuasa dua jarak 😉
Algoritma untuk menyelesaikan masalah
1) Purata bergerak
Algoritma yang paling mudah ialah purata bergerak. Mari kita hitung nilai purata pada beberapa elemen terakhir dan buat ramalan. Untuk ramalan cuaca lebih lama daripada 10 hari, pendekatan yang sama digunakan.
Apabila penting bahawa nilai terakhir dalam satu siri menyumbang lebih banyak berat, kami memperkenalkan pekali bergantung pada jarak tarikh, mendapatkan model berwajaran:
Jadi, anda boleh menetapkan pekali W supaya berat maksimum jatuh pada 2 hari terakhir dan hari kemasukan.
Mengambil kira faktor kitaran
Kualiti pengesyoran mungkin dipengaruhi oleh faktor kitaran, seperti kebetulan dengan hari dalam minggu, tarikh, cuti sebelumnya, dsb.
nasi. 1. Contoh penguraian siri masa kepada arah aliran, komponen bermusim dan hingar
Pelicinan eksponen adalah penyelesaian untuk mengambil kira faktor kitaran.
Mari lihat 3 pendekatan asas
1. Pelicinan mudah (model coklat)
Mewakili pengiraan purata wajaran pada 2 elemen terakhir siri.
2. Pelicinan berganda (model Holt)
Mengambil kira perubahan dalam aliran dan turun naik dalam nilai baki di sekitar aliran ini.
Kami mengira ramalan perubahan dalam sisa ® dan arah aliran (d). Nilai akhir y ialah hasil tambah kedua-dua kuantiti ini.
3. Pelicinan tiga kali ganda (model Holt-Winters)
Pelicinan tiga kali ganda juga mengambil kira variasi bermusim.
Formula untuk pelicinan tiga kali ganda.
Algoritma ARIMA dan SARIMA
Keistimewaan siri masa untuk penggunaan ARIMA adalah hubungan antara nilai masa lalu yang dikaitkan dengan nilai semasa dan masa depan.
SARIMA – sambungan untuk siri dengan komponen bermusim. SARIMAX ialah sambungan yang merangkumi komponen regresi luaran.
Model ARIMA membolehkan anda mensimulasikan siri masa bersepadu atau pegun perbezaan.
Pendekatan ARIMA terhadap siri masa ialah kekakuan siri itu dinilai pertama kali.
Seterusnya, siri ini diubah dengan mengambil perbezaan susunan yang sesuai, dan model ARMA dibina untuk model yang diubah.
ARMA ialah model regresi berbilang linear.
Adalah penting bahawa siri ini tidak bergerak, i.e. min dan varians tidak berubah. Jika siri itu tidak pegun, ia hendaklah dibawa ke bentuk pegun.
XGBoost – di manakah kita tanpanya?
Jika siri tidak mempunyai struktur yang dinyatakan dalaman, tetapi terdapat faktor pengaruh luaran (pengurus, cuaca, dll.), maka anda boleh menggunakan model pembelajaran mesin dengan selamat seperti boosting, rawak hutan, regresi, rangkaian saraf dan SVM.
Dari pengalaman pasukan DATA4, ramalan siri masa, salah satu tugas utama untuk menyelesaikan pengoptimuman kos gudang, kos kakitangan, mengoptimumkan penyelenggaraan rangkaian ATM, logistik dan sistem cadangan bangunan. Model kompleks seperti SARIMA memberikan hasil yang berkualiti tinggi, tetapi memakan masa dan hanya sesuai untuk pelbagai tugasan tertentu.
Dalam artikel seterusnya kita akan melihat pendekatan utama untuk mencari anomali.
Untuk memastikan artikel itu berkaitan dengan minat anda, ambil tinjauan di bawah atau tulis dalam ulasan topik yang hendak ditulis dalam artikel seterusnya.
Hanya pengguna berdaftar boleh mengambil bahagian dalam tinjauan. , Sama-sama.
Artikel mengenai topik apa yang anda minati?
-
Sistem pengesyor
-
Pengecaman imej
-
Pemprosesan ucapan dan teks
-
Seni bina baharu dalam DNN
-
Siri masa dan carian anomali
-
ML dalam perniagaan, kes penggunaan
17 pengguna mengundi. 3 pengguna berpantang.
Sumber: www.habr.com