Tulisan éta ngabahas daérah aplikasi séri waktos, masalah anu badé direngsekeun, sareng algoritma anu dianggo. Ramalan séri waktos dianggo dina tugas sapertos ngaramalkeun paménta, beban pusat kontak, jalan sareng lalu lintas Internét, ngarengsekeun masalah mimiti tiis dina sistem anu nyarankeun, sareng milarian anomali dina paripolah alat sareng pangguna.
Hayu urang nempo tugas dina leuwih jéntré.
1) Ramalan paménta.
Tujuan: ngirangan biaya gudang sareng ngaoptimalkeun jadwal kerja staf.
Kumaha carana ngabéréskeunana: gaduh ramalan ngeunaan pameseran barang sareng jumlah palanggan, urang ngaleutikan jumlah barang di gudang sareng nyimpen persis saloba anu bakal dipésér dina rentang waktos anu ditangtukeun. Nyaho jumlah klien iraha waé, kami bakal ngadamel jadwal kerja anu optimal supados aya jumlah staf anu cekap kalayan biaya minimum.
2) Forecasting beban dina layanan pangiriman
Tujuan: pikeun nyegah logistik runtuh nalika beban puncak.
Kumaha cara ngabéréskeunana: ngaramalkeun jumlah pesenan, bawa jumlah optimal mobil sareng kurir kana jalur.
3) Forecasting beban dina puseur kontak
Tujuan: pikeun mastikeun kasadiaan diperlukeun sahiji puseur kontak bari ngaminimalkeun waragad dana upah.
Kumaha ngabéréskeun: ngaramalkeun jumlah telepon dina waktosna, nyiptakeun jadwal anu optimal pikeun operator.
4) Ramalan lalulintas
Tujuan: prediksi jumlah server jeung rubakpita pikeun operasi stabil. Supados jasa anjeun henteu macet dina dinten perdana séri TV atanapi pertandingan maén bal anu populer 😉
5) Forecasting waktos optimal pikeun ngumpulkeun ATM
Tujuan: ngaminimalkeun jumlah kas anu disimpen dina jaringan ATM
6) Solusi pikeun masalah mimiti tiis dina sistem rekomendasi
Tujuan: Nyarankeun produk relevan pikeun pamaké anyar.
Lamun pamaké geus nyieun sababaraha purchases, hiji algoritma nyaring kolaborasi bisa diwangun pikeun saran, tapi lamun euweuh informasi ngeunaan pamaké, éta optimal pikeun nyarankeun produk nu pang populerna.
Solusi: Popularitas produk gumantung kana waktos nalika rekomendasi dijieun. Ngagunakeun ramalan runtuyan waktu mantuan ngaidentipikasi produk relevan iraha wae titik dina waktu.
Urang nempo hacks hirup pikeun ngawangun sistem recommender di .
7) Pilarian pikeun anomali
Tujuanana: pikeun ngaidentipikasi masalah dina operasi alat sareng kaayaan non-standar dina bisnis
Solusi: Upami nilai anu diukur di luar interval kapercayaan ramalan, anomali parantos dideteksi. Upami ieu mangrupikeun pembangkit listrik tenaga nuklir, waktosna pikeun ningkatkeun kuadrat jarakna 😉
Algoritma pikeun ngarengsekeun masalah
1) Moving average
Algoritma pangbasajanna nyaéta rata-rata gerak. Hayu urang ngitung nilai rata dina sababaraha elemen panungtungan sarta nyieun prediksi. Pikeun ramalan cuaca langkung ti 10 dinten, pendekatan anu sami dianggo.
Nalika penting yén nilai-nilai terakhir dina séri nyumbangkeun langkung beurat, kami ngenalkeun koefisien gumantung kana jarak tanggal, kéngingkeun modél beurat:
Janten, anjeun tiasa nyetél koefisien W supados beurat maksimal turun dina 2 dinten terakhir sareng dinten éntri.
Mertimbangkeun faktor cyclical
Kualitas rekomendasi tiasa dipangaruhan ku faktor siklus, sapertos kabeneran sareng dinten minggu, tanggal, liburan sateuacana, jsb.
Sangu. 1. Conto dékomposisi runtuyan waktu kana trend, komponén musiman jeung noise
Éksponénsial smoothing mangrupakeun solusi pikeun tumut kana akun faktor cyclical.
Hayu urang tingali 3 pendekatan dasar
1. Sederhana smoothing (model Coklat)
Ngagambarkeun itungan rata-rata beurat dina 2 elemen pamungkas tina runtuyan.
2. Ganda smoothing (model Holt)
Pertimbangkeun parobahan dina tren sareng turun naek dina nilai sésa-sésa sabudeureun tren ieu.
Urang ngitung prediksi parobahan residuals ® jeung trend (d). Nilai ahir y nyaéta jumlah dua kuantitas ieu.
3. Triple smoothing (model Holt-Winters)
Triple smoothing ogé nganggap variasi musiman.
Rumus pikeun triple smoothing.
Algoritma ARIMA sareng SARIMA
Keunikan tina séri waktos pikeun panggunaan ARIMA nyaéta hubungan antara nilai-nilai baheula anu aya hubunganana sareng nilai ayeuna sareng anu bakal datang.
SARIMA – extension pikeun runtuyan jeung komponén musiman. SARIMAX mangrupikeun ekstensi anu kalebet komponén régrési éksternal.
Model ARIMA ngidinan Anjeun pikeun simulate runtuyan waktu terpadu atawa béda-stasioner.
Pendekatan ARIMA kana séri waktos nyaéta yén stasionéritas séri ieu mimiti ditaksir.
Salajengna, séri ieu dirobih ku cara nyandak bédana tina urutan anu cocog, sareng modél ARMA diwangun pikeun modél anu dirobih.
ARMA mangrupikeun modél régrési sababaraha linier.
Kadé runtuyan éta cicing, i.e. mean jeung varian teu robah. Upami séri éta henteu cicing, éta kedah dibawa ka bentuk anu cicing.
XGBoost - dimana urang bakal tanpa éta?
Upami séri henteu ngagaduhan struktur anu dinyatakeun internal, tapi aya faktor pangaruh éksternal (manajer, cuaca, sareng sajabana), teras anjeun tiasa aman ngagunakeun modél pembelajaran mesin sapertos boosting, leuweung acak, régrési, jaringan saraf sareng SVM.
Tina pangalaman tim DATA4, ramalan runtuyan waktu, salah sahiji tugas utama pikeun ngarengsekeun optimasi waragad gudang, waragad tanaga, optimizing pangropéa jaringan ATM, logistik jeung wangunan sistem rekomendasi. Modél kompléks sapertos SARIMA masihan hasil anu kualitas luhur, tapi nyéépkeun waktos sareng ngan cocog pikeun sababaraha pancén.
Dina artikel salajengna urang bakal ningali pendekatan utama pikeun milarian anomali.
Pikeun mastikeun yén artikel éta relevan pikeun kapentingan anjeun, cokot survey di handap, atanapi tulis dina koméntar topik naon anu badé ditulis dina tulisan salajengna.
Ngan pamaké nu kadaptar bisa ilubiung dina survey. , Punten.
Artikel ngeunaan topik naon anjeun resep?
-
Sistem nyarankeun
-
Pangenal gambar
-
Ngolah ucapan jeung téks
-
Arsitéktur anyar dina DNN
-
Runtuyan waktos sareng milarian anomali
-
ML dina bisnis, kasus pamakéan
17 pamaké milih. 3 pamaké abstained.
sumber: www.habr.com