ဝယ်လိုအားကို ခန့်မှန်းခြင်း၊ ဖြန့်ဖြူးရေးဌာနများတွင် တင်ခြင်း၊ ထုတ်ကုန်အကြံပြုချက်များနှင့် ကွဲလွဲချက်များကို ရှာဖွေခြင်းတွင် အချိန်စီးရီးများ

ဆောင်းပါးတွင် အချိန်စီးရီးအသုံးပြုမှု နယ်ပယ်များ၊ ဖြေရှင်းရမည့် ပြဿနာများနှင့် အသုံးပြုသည့် algorithms များကို ဆွေးနွေးထားသည်။ အချိန်စီးရီးကြိုတင်ခန့်မှန်းခြင်းကို ဝယ်လိုအားကိုခန့်မှန်းခြင်း၊ အဆက်အသွယ်စင်တာရယူခြင်း၊ လမ်းနှင့်အင်တာနက်အသွားအလာ၊ အကြံပြုသူစနစ်များတွင် အအေးမိခြင်းပြဿနာကိုဖြေရှင်းခြင်းနှင့် စက်ကိရိယာနှင့်အသုံးပြုသူများ၏အပြုအမူဆိုင်ရာကွဲလွဲချက်များကိုရှာဖွေခြင်းစသည့်အလုပ်များတွင်အသုံးပြုသည်။

အလုပ်တွေကို အသေးစိတ်ကြည့်ရအောင်။

1) လိုအပ်ချက်ခန့်မှန်းချက်။

ပန်းတိုင်- ဂိုဒေါင်ကုန်ကျစရိတ်ကို လျှော့ချပြီး ဝန်ထမ်းများ၏ အလုပ်ချိန်ဇယားများကို အကောင်းဆုံးဖြစ်အောင် လုပ်ဆောင်ပါ။

၎င်းကိုဖြေရှင်းနည်း- ကုန်ပစ္စည်းဝယ်ယူမှုနှင့် ဖောက်သည်အရေအတွက်ကို ခန့်မှန်းချက်ထားရှိခြင်းဖြင့်၊ ကျွန်ုပ်တို့သည် ဂိုဒေါင်အတွင်းရှိ ကုန်ပစ္စည်းပမာဏကို လျှော့ချပြီး သတ်မှတ်အချိန်အတိုင်းအတာတစ်ခုအတွင်း ဝယ်ယူရမည့်ပမာဏအတိုင်း အတိအကျ သိမ်းဆည်းထားနိုင်သည်။ သတ်မှတ်ထားသည့်အချိန်၌ ဖောက်သည်အရေအတွက်ကို သိရှိခြင်းဖြင့် ကုန်ကျစရိတ် အနည်းဆုံးဖြင့် လုံလောက်သော ဝန်ထမ်းအရေအတွက်ရှိစေရန်အတွက် အကောင်းဆုံးအလုပ်အချိန်ဇယားကို ရေးဆွဲပါမည်။

2) ပို့ဆောင်ခြင်းဝန်ဆောင်မှုတွင် ဝန်ကို ခန့်မှန်းခြင်း။

ပန်းတိုင်- အမြင့်ဆုံးဝန်ထုပ်ဝန်ပိုးများအတွင်း ထောက်ပံ့ပို့ဆောင်မှုပြိုကျခြင်းကို ကာကွယ်ရန်။

၎င်းကိုဖြေရှင်းနည်း- မှာယူမှုအရေအတွက်ကို ခန့်မှန်းခြင်း၊ အကောင်းဆုံးသော ကားအရေအတွက်နှင့် ပို့ကုန်များကို လိုင်းပေါ်သို့ ယူဆောင်လာပါ။

3) အဆက်အသွယ်စင်တာရှိဝန်ကိုခန့်မှန်းခြင်း။

ရည်မှန်းချက်- လုပ်အားခရန်ပုံငွေကုန်ကျစရိတ်ကို လျှော့ချနေစဉ် အဆက်အသွယ်စင်တာ၏ လိုအပ်သောရရှိနိုင်မှုကို သေချာစေရန်။

ဖြေရှင်းနည်း- အချိန်နှင့်အမျှ ခေါ်ဆိုမှုအရေအတွက်ကို ခန့်မှန်းခြင်း၊ အော်ပရေတာများအတွက် အကောင်းဆုံးအချိန်ဇယားကို ဖန်တီးခြင်း။

4) ယာဉ်အသွားအလာခန့်မှန်းချက်

ပန်းတိုင်- တည်ငြိမ်သောလည်ပတ်မှုအတွက် ဆာဗာအရေအတွက်နှင့် လှိုင်းနှုန်းကို ခန့်မှန်းပါ။ လူကြိုက်များသော တီဗီစီးရီး သို့မဟုတ် ဘောလုံးပွဲများ ပြသသည့်နေ့တွင် သင့်ဝန်ဆောင်မှုသည် ပျက်မသွားစေရန် 😉

5) ATM စုဆောင်းမှုအတွက် အကောင်းဆုံးအချိန်ကို ခန့်မှန်းခြင်း။

ပန်းတိုင်- ATM ကွန်ရက်တွင် သိမ်းဆည်းထားသော ငွေသားပမာဏကို လျှော့ချပါ။

6) ထောက်ခံချက်စနစ်များတွင်အအေးစတင်ပြဿနာအတွက်ဖြေရှင်းနည်းများ

ပန်းတိုင်- သက်ဆိုင်ရာ ထုတ်ကုန်များကို အသုံးပြုသူအသစ်များကို အကြံပြုပါ။

အသုံးပြုသူသည် ဝယ်ယူမှုများစွာပြုလုပ်သောအခါ၊ အကြံပြုချက်များအတွက် ပူးပေါင်းစီစစ်ခြင်းဆိုင်ရာ အယ်လဂိုရီသမ်ကို တည်ဆောက်နိုင်သော်လည်း သုံးစွဲသူနှင့်ပတ်သက်သည့် အချက်အလက်မရှိသည့်အခါ၊ လူကြိုက်အများဆုံးထုတ်ကုန်များကို အကြံပြုရန် အကောင်းဆုံးဖြစ်သည်။

ဖြေရှင်းချက်- ထုတ်ကုန်များ၏ လူကြိုက်များမှုသည် အကြံပြုချက်ထုတ်သည့်အချိန်ပေါ်တွင် မူတည်သည်။ အချိန်စီးရီးခန့်မှန်းခြင်းကို အသုံးပြုခြင်းဖြင့် သက်ဆိုင်ရာ ထုတ်ကုန်များကို အချိန်နှင့်တပြေးညီ သတ်မှတ်ဖော်ထုတ်ရန် ကူညီပေးသည်။

အကြံပြုသူစနစ်များ တည်ဆောက်ရန်အတွက် ဘဝဟက်ခ်များကို ကျွန်ုပ်တို့ ကြည့်ရှုခဲ့သည်။ ယခင်ဆောင်းပါး.

7) ကွဲလွဲချက်များကို ရှာဖွေပါ။

ပန်းတိုင်- စက်ကိရိယာများ လည်ပတ်မှုတွင် ပြဿနာများနှင့် လုပ်ငန်းတွင် စံမမီသော အခြေအနေများကို ဖော်ထုတ်ရန်
ဖြေရှင်းချက်- တိုင်းတာသည့်တန်ဖိုးသည် ခန့်မှန်းချက်ယုံကြည်မှုကြားကာလ၏ ပြင်ပတွင်ရှိနေပါက၊ ကွဲလွဲချက်တစ်ခုကို တွေ့ရှိထားသည်။ ဒါက နျူကလီးယား ဓာတ်အားပေးစက်ရုံ ဆိုရင် အကွာအဝေးရဲ့ လေးထောင့်ကို တိုးဖို့ အချိန်တန်ပါပြီ။

ပြဿနာကိုဖြေရှင်းရန် Algorithms

1) ပျမ်းမျှရွေ့လျား

အရိုးရှင်းဆုံး အယ်လဂိုရီသမ်မှာ ရွေ့လျားပျမ်းမျှ။ နောက်ဆုံးဒြပ်စင်အနည်းငယ်ရှိ ပျမ်းမျှတန်ဖိုးကို တွက်ချက်ပြီး ခန့်မှန်းချက်တစ်ခုလုပ်ကြပါစို့။ 10 ရက်ထက်ကြာသော မိုးလေဝသခန့်မှန်းချက်များအတွက် အလားတူချဉ်းကပ်နည်းကို အသုံးပြုသည်။

စီးရီးတစ်ခုရှိ နောက်ဆုံးတန်ဖိုးများသည် အလေးချိန်ပို၍ဖြစ်စေရန် အရေးကြီးသောအခါ၊ ကျွန်ုပ်တို့သည် အလေးချိန်စံနမူနာကိုရယူကာ ရက်စွဲ၏အကွာအဝေးပေါ်မူတည်၍ ကိန်းဂဏန်းများကို မိတ်ဆက်ပေးသည်-

ထို့ကြောင့်၊ သင်သည် နောက်ဆုံး 2 ရက်နှင့် ဝင်ခွင့်ရက်များတွင် အများဆုံးအလေးချိန်ကျစေရန် W coefficient ကို သတ်မှတ်နိုင်သည်။

Cyclical Factors တွေကို ထည့်သွင်းစဉ်းစားပါ။

အကြံပြုချက်များ၏ အရည်အသွေးသည် ရက်သတ္တပတ်၏ နေ့ရက်၊ ရက်စွဲ၊ ရှေ့ရုံးပိတ်ရက်များ စသည်တို့ကဲ့သို့ စက်ဝန်းဆိုင်ရာ အကြောင်းရင်းများကြောင့် ထိခိုက်နိုင်သည်။

ထမင်း။ 1. ခေတ်ရေစီးကြောင်း၊ ရာသီအလိုက် အစိတ်အပိုင်းများနှင့် ဆူညံသံများအဖြစ် အချိန်စီးရီးပြိုကွဲခြင်း ဥပမာ

Exponential smoothing သည် cyclical factor များကို ထည့်သွင်းစဉ်းစားရန် အဖြေတစ်ခုဖြစ်သည်။

အခြေခံနည်းလမ်း ၃ ခုကို လေ့လာကြည့်ရအောင်

1. ရိုးရိုးရှင်းရှင်း (အညိုရောင် မော်ဒယ်)

စီးရီးတစ်ခု၏ နောက်ဆုံးဒြပ်စင် 2 ခုရှိ အလေးချိန်ပျမ်းမျှတွက်ချက်မှုကို ကိုယ်စားပြုသည်။

2. နှစ်ချက်ချောချောမွေ့မွေ့ (Holt မော်ဒယ်)

လမ်းကြောင်းသစ်ပြောင်းလဲမှုများနှင့် ဤလမ်းကြောင်းတဝိုက်ရှိ ကျန်ရှိသောတန်ဖိုးများ အတက်အကျများကို ထည့်သွင်းစဉ်းစားသည်။

အကြွင်းအကျန်များ ® နှင့် လမ်းကြောင်းသစ် (ဃ) ဆိုင်ရာ အပြောင်းအလဲများ၏ ခန့်မှန်းချက်ကို ကျွန်ုပ်တို့ တွက်ချက်ပါသည်။ y ၏ နောက်ဆုံးတန်ဖိုးသည် ဤပမာဏနှစ်ခု၏ ပေါင်းလဒ်ဖြစ်သည်။

3. Triple smoothing (Holt-Winters မော်ဒယ်)

Triple smoothing သည် ရာသီအလိုက် ပြောင်းလဲမှုများကို ထည့်သွင်းစဉ်းစားသည်။

သုံးဆ ချောမွေ့စေရန် ဖော်မြူလာများ။

ARIMA နှင့် SARIMA algorithm

ARIMA အသုံးပြုခြင်းအတွက် အချိန်စီးရီးများ၏ ထူးခြားချက်မှာ လက်ရှိနှင့် အနာဂတ်တန်ဖိုးများနှင့် ဆက်စပ်နေသည့် အတိတ်တန်ဖိုးများကြား ချိတ်ဆက်မှုဖြစ်သည်။

SARIMA - ရာသီအလိုက် အစိတ်အပိုင်းတစ်ခုပါရှိသော စီးရီးအတွက် တိုးချဲ့မှု။ SARIMAX သည် ပြင်ပဆုတ်ယုတ်မှုအစိတ်အပိုင်းတစ်ခုပါ၀င်သည့် တိုးချဲ့မှုတစ်ခုဖြစ်သည်။

ARIMA မော်ဒယ်များသည် သင့်အား ပေါင်းစပ်ထားသော သို့မဟုတ် ခြားနားချက်-တည်ဆဲ အချိန်စီးရီးများကို အတုယူနိုင်စေပါသည်။

ARIMA သည် အချိန်စီးရီးအတွက် ချဉ်းကပ်ပုံမှာ စီးရီး၏ တည်ငြိမ်မှုကို ဦးစွာအကဲဖြတ်ခြင်းဖြစ်သည်။

ထို့နောက်၊ သင့်လျော်သောအမှာစာ၏ ခြားနားချက်ကိုယူခြင်းဖြင့် စီးရီးကို အသွင်ပြောင်းပြီး ARMA မော်ဒယ်ကို အသွင်ပြောင်းမော်ဒယ်အတွက် တည်ဆောက်ထားသည်။

ARMA သည် linear multiple regression model တစ်ခုဖြစ်သည်။

စီးရီးသည် ငြိမ်နေရန် အရေးကြီးသည်၊ ဆိုလိုသည်မှာ၊ ပျမ်းမျှနှင့် ကွဲလွဲမှု မပြောင်းလဲပါ။ စီးရီးသည် စာရေးမဏ္ဍိုင်မဟုတ်ပါက၊ ၎င်းကို စာရေးကိရိယာပုံစံသို့ ယူဆောင်လာသင့်သည်။

XGBoost – အဲဒါမရှိရင် ငါတို့ဘယ်မှာရှိမလဲ။

စီးရီးတစ်ခုတွင် အတွင်းပိုင်းဖော်ပြသောဖွဲ့စည်းပုံမပါရှိသော်လည်း ပြင်ပလွှမ်းမိုးမှုဆိုင်ရာအချက်များ (မန်နေဂျာ၊ ရာသီဥတု၊ စသည်) ရှိပါက မြှင့်တင်ခြင်း၊ ကျပန်းသစ်တောများ၊ ဆုတ်ယုတ်ခြင်း၊ အာရုံကြောကွန်ရက်များနှင့် SVM ကဲ့သို့သော စက်သင်ယူမှုပုံစံများကို ဘေးကင်းစွာ အသုံးပြုနိုင်ပါသည်။

အသင်း၏အတွေ့အကြုံမှ အချက်အလက်များအချိန်စီးရီးကြိုတင်ခန့်မှန်းခြင်း၊ ဂိုဒေါင်ကုန်ကျစရိတ်များကို ပိုမိုကောင်းမွန်အောင်ဖြေရှင်းရန် အဓိကအလုပ်များထဲမှတစ်ခု၊ ဝန်ထမ်းကုန်ကျစရိတ်များ၊ ATM ကွန်ရက်များကို ပြုပြင်ထိန်းသိမ်းခြင်း၊ ထောက်ပံ့ပို့ဆောင်ရေးနှင့် အဆောက်အဦထောက်ခံချက်စနစ်များကို ကောင်းမွန်အောင်ပြုလုပ်ခြင်း။ SARIMA ကဲ့သို့သော ရှုပ်ထွေးသော မော်ဒယ်များသည် အရည်အသွေးမြင့် ရလဒ်များကို ပေးစွမ်းနိုင်သော်လည်း အချိန်ကုန်ပြီး အလုပ်အချို့အတွက်သာ သင့်လျော်ပါသည်။

နောက်ဆောင်းပါးတွင် ကွဲလွဲချက်များကို ရှာဖွေခြင်း၏ အဓိကနည်းလမ်းများကို လေ့လာပါမည်။

ဆောင်းပါးများသည် သင့်စိတ်ဝင်စားမှုများနှင့် သက်ဆိုင်ကြောင်း သေချာစေရန်၊ အောက်ဖော်ပြပါ စစ်တမ်းကို ရယူပါ၊ သို့မဟုတ် နောက်ဆောင်းပါးများတွင် ရေးရမည့် အကြောင်းအရာများကို မှတ်ချက်များတွင် ရေးပါ။

စာရင်းသွင်းအသုံးပြုသူများသာ စစ်တမ်းတွင် ပါဝင်နိုင်ပါသည်။ ဆိုင်းအင်လုပ်ခြင်း, ကျေးဇူးပြု။

ဘယ်အကြောင်းအရာကို စိတ်ဝင်စားသလဲ ဆောင်းပါးများ။

• အကြံပြုစနစ်များ

• ရုပ်ပုံ မှတ်မိခြင်း။

• အပြောအဆိုနှင့် စာသားလုပ်ဆောင်ခြင်း။

• DNN ရှိ ဗိသုကာအသစ်များ

• အချိန်စီးရီးနှင့် ကွဲလွဲစွာရှာဖွေမှု

• လုပ်ငန်းတွင် ML ကို အသုံးပြုရန်ကိစ္စများ

အသုံးပြုသူ ၁၄၇ ဦး မဲပေးခဲ့သည်။ အသုံးပြုသူ 17 ဦး ကြားနေခဲ့ပါတယ်။

source: www.habr.com