O artigo discute as áreas de aplicação das séries temporais, os problemas a serem resolvidos e os algoritmos utilizados. A previsão de séries temporais é utilizada em tarefas como previsão de demanda, carga de contact center, tráfego rodoviário e de Internet, solução do problema de partida a frio em sistemas de recomendação e busca de anomalias no comportamento de equipamentos e usuários.
Vejamos as tarefas com mais detalhes.
1) Previsão de demanda.
Objetivo: reduzir os custos de armazém e otimizar os horários de trabalho dos funcionários.
Como resolver: tendo uma previsão de compras de mercadorias e do número de clientes, minimizamos a quantidade de mercadorias no armazém e armazenamos exatamente o que será comprado em um determinado intervalo de tempo. Conhecendo a quantidade de clientes em um determinado momento, traçaremos um cronograma de trabalho ideal para que haja pessoal suficiente com o mínimo de custos.
2) Previsão de carga no serviço de entrega
Objetivo: evitar o colapso logístico durante os picos de carga.
Como resolver: prevendo o número de pedidos, coloque o número ideal de carros e entregadores na linha.
3) Previsão de carga no contact center
Objetivo: garantir a disponibilidade necessária do contact center e minimizar os custos do fundo salarial.
Como resolver: prever a quantidade de ligações ao longo do tempo, criando um cronograma ideal para as operadoras.
4) Previsão de tráfego
Objetivo: prever o número de servidores e a largura de banda para uma operação estável. Para que o seu serviço não trave no dia da estreia de uma série de TV popular ou de um jogo de futebol 😉
5) Previsão do momento ideal para coleta em caixas eletrônicos
Objetivo: minimizar a quantidade de dinheiro armazenado na rede ATM
6) Soluções para o problema de partida a frio em sistemas de recomendação
Objetivo: Recomendar produtos relevantes para novos usuários.
Quando o usuário realizou diversas compras, um algoritmo de filtragem colaborativa pode ser construído para recomendações, mas quando não há informações sobre o usuário, o ideal é recomendar os produtos mais populares.
Solução: A popularidade dos produtos depende do momento em que a recomendação é feita. O uso da previsão de série temporal ajuda a identificar produtos relevantes em qualquer momento.
Vimos dicas para construir sistemas de recomendação em .
7) Procure por anomalias
Objetivo: identificar problemas no funcionamento dos equipamentos e situações atípicas nos negócios
Solução: Se o valor medido estiver fora do intervalo de confiança da previsão, foi detectada uma anomalia. Se esta é uma usina nuclear, é hora de aumentar o quadrado da distância 😉
Algoritmos para resolver o problema
1) Média móvel
O algoritmo mais simples é a média móvel. Vamos calcular o valor médio dos últimos elementos e fazer uma previsão. Para previsões meteorológicas superiores a 10 dias, é utilizada uma abordagem semelhante.
Quando é importante que os últimos valores de uma série contribuam com mais peso, introduzimos coeficientes em função da distância da data, obtendo um modelo ponderado:
Assim, você pode definir o coeficiente W para que o peso máximo caia nos últimos 2 dias e nos dias de entrada.
Levando em consideração fatores cíclicos
A qualidade das recomendações pode ser afetada por fatores cíclicos, como coincidência com o dia da semana, data, feriados anteriores, etc.
Arroz. 1. Exemplo de decomposição de série temporal em tendência, componente sazonal e ruído
A suavização exponencial é uma solução para levar em conta fatores cíclicos.
Vejamos três abordagens básicas
1. Suavização simples (modelo marrom)
Representa o cálculo de uma média ponderada sobre os 2 últimos elementos de uma série.
2. Suavização dupla (modelo Holt)
Leva em consideração mudanças na tendência e flutuações nos valores residuais em torno desta tendência.
Calculamos a previsão de mudanças nos resíduos ® e tendência (d). O valor final de y é a soma dessas duas quantidades.
3. Suavização tripla (modelo Holt-Winters)
A suavização tripla também leva em consideração as variações sazonais.
Fórmulas para suavização tripla.
Algoritmo ARIMA e SARIMA
A peculiaridade das séries temporais para utilização do ARIMA é a conexão entre valores passados associados aos atuais e futuros.
SARIMA – extensão para séries com componente sazonal. SARIMAX é uma extensão que inclui um componente de regressão externo.
Os modelos ARIMA permitem simular séries temporais integradas ou estacionárias em diferença.
A abordagem ARIMA para séries temporais é que a estacionariedade da série é avaliada primeiro.
A seguir, a série é transformada tomando a diferença da ordem apropriada, e um modelo ARMA é construído para o modelo transformado.
ARMA é um modelo de regressão linear múltipla.
É importante que a série seja estacionária, ou seja, a média e a variância não mudaram. Se a série for não estacionária, ela deverá ser trazida para a forma estacionária.
XGBoost – onde estaríamos sem ele?
Se uma série não possui uma estrutura interna expressa, mas existem fatores de influência externos (gerente, clima, etc.), então você pode usar com segurança modelos de aprendizado de máquina, como boosting, florestas aleatórias, regressão, redes neurais e SVM.
Da experiência da equipe DADOS4, previsão de séries temporais, uma das principais tarefas para resolver a otimização de custos de armazém, custos de pessoal, otimizar a manutenção de redes ATM, logística e construir sistemas de recomendação. Modelos complexos como o SARIMA fornecem resultados de alta qualidade, mas são demorados e adequados apenas para uma determinada gama de tarefas.
No próximo artigo veremos as principais abordagens para a busca de anomalias.
Para garantir que os artigos são relevantes aos seus interesses, responda à pesquisa abaixo, ou escreva nos comentários sobre quais temas escrever nos próximos artigos.
Apenas usuários registrados podem participar da pesquisa. por favor
Artigos sobre qual tópico você está interessado?
-
Sistemas de recomendação
-
Reconhecimento de imagem
-
Processamento de fala e texto
-
Novas arquiteturas em DNN
-
Série temporal e pesquisa de anomalias
-
ML nos negócios, casos de uso
17 usuários votaram. 3 usuários se abstiveram.
Fonte: habr.com