Serii temporale în prognoza cererii, încărcarea centrelor de distribuție, recomandări de produse și căutarea anomaliilor

Articolul discută domeniile de aplicare a seriilor temporale, problemele de rezolvat și algoritmii utilizați. Prognoza în serie de timp este utilizată în sarcini precum prognozarea cererii, încărcarea centrului de contact, traficul rutier și pe internet, rezolvarea problemei de pornire la rece în sistemele de recomandare și căutarea anomaliilor în comportamentul echipamentelor și utilizatorilor.

Să ne uităm la sarcini mai detaliat.

1) Prognoza cererii.

Scop: reducerea costurilor de depozit și optimizarea programelor de lucru ale personalului.

Cum se rezolvă: având o previziune a achizițiilor de mărfuri și a numărului de clienți, minimizăm cantitatea de mărfuri din depozit și stocăm exact cât va fi cumpărat într-un interval de timp dat. Cunoscând numărul de clienți la un moment dat, vom întocmi un program optim de lucru astfel încât să existe un număr suficient de personal cu un minim de costuri.

2) Prognoza încărcăturii pe serviciul de livrare

Scop: prevenirea colapsului logistic în timpul sarcinilor de vârf.

Cum se rezolvă: prezicerea numărului de comenzi, aduceți pe linie numărul optim de mașini și curieri.

3) Prognoza sarcinii pe centrul de contact

Scop: asigurarea disponibilității necesare a centrului de contact, minimizând în același timp costurile fondului de salarii.

Cum se rezolvă: prognozarea numărului de apeluri în timp, crearea unui program optim pentru operatori.

4) Prognoza traficului

Scop: preziceți numărul de servere și lățimea de bandă pentru o funcționare stabilă. Pentru ca serviciul tău să nu se blocheze în ziua premierei unui serial TV popular sau a unui meci de fotbal 😉

5) Prognoza timpului optim pentru colectarea bancomatelor

Scop: minimizarea cantității de numerar stocate în rețeaua de bancomate

6) Soluții la problema pornirii la rece în sistemele de recomandare

Obiectiv: Recomandați produse relevante utilizatorilor noi.

Când utilizatorul a făcut mai multe achiziții, se poate construi un algoritm de filtrare colaborativă pentru recomandări, dar când nu există informații despre utilizator, este optim să se recomande cele mai populare produse.

Soluție: Popularitatea produselor depinde de momentul în care se face recomandarea. Folosirea prognozei serii temporale ajută la identificarea produselor relevante în orice moment dat.

Ne-am uitat la hack-uri de viață pentru a construi sisteme de recomandare în anterioară articol.

7) Caută anomalii

Scop: identificarea problemelor în funcționarea echipamentelor și a situațiilor nestandardizate în afaceri
Soluție: Dacă valoarea măsurată este în afara intervalului de încredere prognozat, a fost detectată o anomalie. Dacă aceasta este o centrală nucleară, este timpul să măriți pătratul distanței 😉

Algoritmi pentru rezolvarea problemei

1) Media mobilă

Cel mai simplu algoritm este media mobilă. Să calculăm valoarea medie pe ultimele câteva elemente și să facem o predicție. Pentru prognozele meteo mai lungi de 10 zile, se utilizează o abordare similară.

Când este important ca ultimele valori dintr-o serie să aducă mai multă greutate, introducem coeficienți în funcție de distanța datei, obținând un model ponderat:

Deci, puteți seta coeficientul W astfel încât greutatea maximă să cadă în ultimele 2 zile și zilele de intrare.

Luând în considerare factorii ciclici

Calitatea recomandărilor poate fi afectată de factori ciclici, cum ar fi coincidența cu ziua săptămânii, data, sărbătorile precedente etc.

Orez. 1. Exemplu de descompunere a seriilor temporale în tendințe, componentă sezonieră și zgomot

Netezirea exponențială este o soluție pentru a lua în considerare factorii ciclici.

Să ne uităm la 3 abordări de bază

1. Netezire simplă (model maro)

Reprezintă calculul unei medii ponderate pe ultimele 2 elemente ale unei serii.

2. Netezire dublă (model Holt)

Ia în considerare schimbările de tendință și fluctuațiile valorilor reziduale în jurul acestei tendințe.

Se calculează predicția modificărilor reziduurilor ® și tendința (d). Valoarea finală a lui y este suma acestor două mărimi.

3. Netezire triplă (model Holt-Winters)

Netezirea triplă ia în considerare, în plus, variațiile sezoniere.

Formule pentru netezire triplă.

Algoritmul ARIMA și SARIMA

Particularitatea seriilor de timp pentru utilizarea ARIMA este conexiunea dintre valorile trecute asociate cu cele actuale și viitoare.

SARIMA – extensie pentru seria cu componentă sezonieră. SARIMAX este o extensie care include o componentă externă de regresie.

Modelele ARIMA vă permit să simulați serii temporale integrate sau staționare cu diferențe.

Abordarea ARIMA a seriilor de timp este că staționaritatea serii este mai întâi evaluată.

În continuare, seria este transformată luând diferența în ordinea corespunzătoare și se construiește un model ARMA pentru modelul transformat.

ARMA este un model de regresie multiplă liniară.

Este important ca seria să fie staționară, adică media și varianța nu s-au schimbat. Dacă seria nu este staționară, ar trebui adusă într-o formă staționară.

XGBoost – unde am fi fără el?

Dacă o serie nu are o structură internă exprimată, dar există factori externi de influență (manager, vreme etc.), atunci puteți utiliza în siguranță modele de învățare automată precum boosting, păduri aleatorii, regresie, rețele neuronale și SVM.

Din experiența echipei DATE4, prognoza serii cronologice, una dintre sarcinile principale pentru rezolvarea optimizării costurilor depozitului, costurilor cu personalul, optimizarea întreținerii rețelelor de bancomate, logistică și sisteme de recomandare a clădirilor. Modelele complexe precum SARIMA oferă rezultate de înaltă calitate, dar necesită timp și sunt potrivite doar pentru o anumită gamă de sarcini.

În articolul următor ne vom uita la principalele abordări ale căutării anomaliilor.

Pentru a vă asigura că articolele sunt relevante pentru interesele dvs., răspundeți la sondajul de mai jos sau scrieți în comentarii despre ce subiecte să scrieți în articolele următoare.

Numai utilizatorii înregistrați pot participa la sondaj. Loghează-te, Vă rog.

Articole pe ce subiect te interesează?

• Sisteme de recomandare

• Recunoașterea imaginilor

• Procesarea vorbirii și a textului

• Noi arhitecturi în DNN

• Căutare de serii temporale și anomalii

• ML în afaceri, cazuri de utilizare

Au votat 17 utilizatori. 3 utilizatori s-au abținut.

Sursa: www.habr.com