Članek obravnava področja uporabe časovnih vrst, probleme, ki jih je treba rešiti, in uporabljene algoritme. Napovedovanje časovnih vrst se uporablja pri nalogah, kot so napovedovanje povpraševanja, obremenitev kontaktnih centrov, cestnega in internetnega prometa, reševanje problema hladnega zagona v sistemih priporočil ter iskanje nepravilnosti v obnašanju opreme in uporabnikov.
Oglejmo si naloge podrobneje.
1) Napovedovanje povpraševanja.
Cilj: zmanjšati stroške skladiščenja in optimizirati urnike dela zaposlenih.
Kako to rešiti: z napovedjo nakupov blaga in števila kupcev zmanjšamo količino blaga v skladišču in shranimo točno toliko, kolikor ga bomo kupili v določenem časovnem obdobju. Glede na število naročnikov v danem trenutku bomo sestavili optimalen urnik dela, tako da bo zaposlenih zadostno število z minimalnimi stroški.
2) Napoved obremenitve dostavne službe
Cilj: preprečiti kolaps logistike med največjimi obremenitvami.
Kako to rešiti: predvideti število naročil, pripeljati optimalno število avtomobilov in kurirjev na linijo.
3) Napovedovanje obremenitev kontaktnega centra
Cilj: zagotoviti zahtevano razpoložljivost kontaktnega centra ob minimiziranju stroškov sklada plač.
Kako rešiti: napovedovanje števila klicev skozi čas, ustvarjanje optimalnega urnika za operaterje.
4) Napovedovanje prometa
Cilj: predvideti število strežnikov in pasovno širino za stabilno delovanje. Da se vam storitev ne sesuje na dan premiere popularne serije ali nogometne tekme 😉
5) Napovedovanje optimalnega časa za prevzem bankomatov
Cilj: zmanjšanje količine gotovine, shranjene v mreži bankomatov
6) Rešitve problema hladnega zagona v sistemih priporočil
Cilj: Priporočiti ustrezne izdelke novim uporabnikom.
Ko je uporabnik opravil več nakupov, je mogoče zgraditi algoritem sodelovalnega filtriranja za priporočila, ko pa ni podatkov o uporabniku, je optimalno priporočiti najbolj priljubljene izdelke.
Rešitev: Priljubljenost izdelkov je odvisna od časa, ko je priporočilo podano. Uporaba napovedovanja časovnih vrst pomaga prepoznati ustrezne izdelke v danem trenutku.
Ogledali smo si življenjske trike za gradnjo priporočljivih sistemov .
7) Iskanje anomalij
Cilj: ugotoviti težave pri delovanju opreme in nestandardne situacije v poslovanju
Rešitev: Če je izmerjena vrednost zunaj napovedanega intervala zaupanja, je bila zaznana anomalija. Če je to jedrska elektrarna, je čas, da povečamo kvadrat razdalje 😉
Algoritmi za rešitev problema
1) Drseče povprečje
Najenostavnejši algoritem je drseče povprečje. Izračunajmo povprečno vrednost zadnjih nekaj elementov in naredimo napoved. Za vremenske napovedi, daljše od 10 dni, se uporablja podoben pristop.
Kadar je pomembno, da zadnje vrednosti v nizu prispevajo večjo težo, uvedemo koeficiente glede na razdaljo datuma, s čimer dobimo uteženi model:
Torej lahko nastavite W koeficient tako, da največja teža pade na zadnja 2 dneva in vstopne dneve.
Upoštevanje cikličnih dejavnikov
Na kakovost priporočil lahko vplivajo ciklični dejavniki, kot je sovpadanje z dnevom v tednu, datumom, predhodnimi prazniki itd.
riž. 1. Primer dekompozicije časovne vrste na trend, sezonsko komponento in šum
Eksponentno glajenje je rešitev za upoštevanje cikličnih dejavnikov.
Poglejmo si 3 osnovne pristope
1. Enostavno glajenje (rjavi model)
Predstavlja izračun tehtanega povprečja za zadnja 2 elementa serije.
2. Dvojno glajenje (Holt model)
Upošteva spremembe v trendu in nihanja preostalih vrednosti okoli tega trenda.
Izračunamo napoved sprememb ostankov ® in trend (d). Končna vrednost y je vsota teh dveh količin.
3. Trojno glajenje (Holt-Wintersov model)
Trojno glajenje dodatno upošteva sezonska nihanja.
Formule za trojno glajenje.
ARIMA in algoritem SARIMA
Posebnost časovnih vrst za uporabo ARIMA je povezava med preteklimi vrednostmi, povezanimi s sedanjimi in prihodnjimi.
SARIMA – razširitev za serije s sezonsko komponento. SARIMAX je razširitev, ki vključuje zunanjo regresijsko komponento.
Modeli ARIMA vam omogočajo simulacijo integriranih ali različno-stacionarnih časovnih vrst.
Pristop ARIMA k časovnim vrstam je, da se najprej oceni stacionarnost serije.
Nato se serija preoblikuje tako, da se vzame razlika ustreznega vrstnega reda, za transformirani model pa se izdela model ARMA.
ARMA je model linearne multiple regresije.
Pomembno je, da je serija stacionarna, tj. povprečje in varianca se nista spremenili. Če niz ni stacionaren, ga je treba spraviti v stacionarno obliko.
XGBoost – kje bi bili brez njega?
Če serija nima notranje izražene strukture, vendar obstajajo zunanji vplivni dejavniki (upravitelj, vreme itd.), potem lahko varno uporabljate modele strojnega učenja, kot so pospeševanje, naključni gozdovi, regresija, nevronske mreže in SVM.
Iz izkušenj ekipe PODATKI4, napovedovanje časovnih vrst, ena glavnih nalog za reševanje optimizacije skladiščnih stroškov, stroškov osebja, optimizacije vzdrževanja bankomatov, logistike in gradnje priporočilnih sistemov. Kompleksni modeli, kot je SARIMA, zagotavljajo visokokakovostne rezultate, vendar so zamudni in primerni le za določen obseg nalog.
V naslednjem članku si bomo ogledali glavne pristope k iskanju nepravilnosti.
Da zagotovite, da članki ustrezajo vašim interesom, izpolnite spodnjo anketo ali v komentarje zapišite, o katerih temah naj pišete v naslednjih člankih.
V anketi lahko sodelujejo samo registrirani uporabniki. , prosim.
Članki o kateri temi vas zanimajo?
-
Sistemi priporočil
-
Prepoznavanje slike
-
Obdelava govora in besedila
-
Nove arhitekture v DNN
-
Časovne vrste in iskanje anomalij
-
ML v poslu, primeri uporabe
Glasovalo je 17 uporabnikov. 3 uporabnika sta se vzdržala.
Vir: www.habr.com