Nakala hiyo inajadili maeneo ya utumiaji wa safu za wakati, shida zinazopaswa kutatuliwa, na algoriti zinazotumiwa. Utabiri wa mfululizo wa saa hutumika katika kazi kama vile utabiri wa mahitaji, mzigo wa kituo cha mawasiliano, trafiki ya barabarani na Mtandaoni, kutatua tatizo la kuanza kwa baridi katika mifumo ya wapendekezaji, na kutafuta hitilafu katika tabia ya vifaa na watumiaji.
Hebu tuangalie kazi kwa undani zaidi.
1) Utabiri wa mahitaji.
Kusudi: kupunguza gharama za ghala na kuboresha ratiba za kazi za wafanyikazi.
Jinsi ya kulitatua: kuwa na utabiri wa ununuzi wa bidhaa na idadi ya wateja, tunapunguza kiwango cha bidhaa kwenye ghala na kuhifadhi sawasawa na vile vitanunuliwa katika kipindi fulani. Kujua idadi ya wateja kwa wakati wowote, tutapanga ratiba bora ya kazi ili kuwe na idadi ya kutosha ya wafanyikazi na gharama ya chini.
2) Utabiri wa mzigo kwenye huduma ya utoaji
Lengo: kuzuia kuanguka kwa vifaa wakati wa mizigo ya kilele.
Jinsi ya kuisuluhisha: kutabiri idadi ya maagizo, kuleta idadi kamili ya magari na wasafirishaji kwenye mstari.
3) Utabiri wa mzigo kwenye kituo cha mawasiliano
Lengo: kuhakikisha upatikanaji unaohitajika wa kituo cha mawasiliano huku ukipunguza gharama za mfuko wa mshahara.
Jinsi ya kutatua: kutabiri idadi ya simu kwa wakati, kuunda ratiba bora kwa waendeshaji.
4) Utabiri wa trafiki
Kusudi: tabiri idadi ya seva na bandwidth kwa operesheni thabiti. Ili huduma yako isikwama siku ya onyesho la kwanza la mfululizo maarufu wa TV au mechi ya soka 😉
5) Kutabiri wakati mwafaka wa ukusanyaji wa ATM
Lengo: kupunguza kiasi cha fedha zilizohifadhiwa katika mtandao wa ATM
6) Suluhisho kwa tatizo la kuanza kwa baridi katika mifumo ya mapendekezo
Lengo: Pendekeza bidhaa muhimu kwa watumiaji wapya.
Wakati mtumiaji amefanya manunuzi kadhaa, algorithm ya kuchuja shirikishi inaweza kujengwa kwa mapendekezo, lakini wakati hakuna habari kuhusu mtumiaji, ni bora kupendekeza bidhaa maarufu zaidi.
Suluhisho: Umaarufu wa bidhaa hutegemea wakati ambapo mapendekezo yanafanywa. Kutumia utabiri wa mfululizo wa saa husaidia kutambua bidhaa muhimu wakati wowote.
Tuliangalia hacks za maisha za kujenga mifumo ya wapendekeza ndani .
7) Tafuta hitilafu
Lengo: kutambua matatizo katika uendeshaji wa vifaa na hali zisizo za kawaida katika biashara
Suluhisho: Ikiwa thamani iliyopimwa iko nje ya muda wa kutegemewa wa utabiri, hitilafu imegunduliwa. Ikiwa hiki ni kiwanda cha nguvu za nyuklia, ni wakati wa kuongeza mraba wa umbali 😉
Algorithms ya kutatua shida
1) Kusonga wastani
Algorithm rahisi ni wastani wa kusonga. Hebu tuhesabu thamani ya wastani kwenye vipengele vichache vya mwisho na kufanya ubashiri. Kwa utabiri wa hali ya hewa zaidi ya siku 10, njia sawa hutumiwa.
Wakati ni muhimu kwamba maadili ya mwisho katika mfululizo yanachangia uzito zaidi, tunaanzisha coefficients kulingana na umbali wa tarehe, kupata mfano wa uzani:
Kwa hivyo, unaweza kuweka mgawo wa W ili uzito wa juu uanguke siku 2 zilizopita na siku za kuingia.
Kuzingatia sababu za mzunguko
Ubora wa mapendekezo unaweza kuathiriwa na mambo ya mzunguko, kama vile sadfa na siku ya juma, tarehe, likizo iliyotangulia, nk.
Mchele. 1. Mfano wa mtengano wa mfululizo wa saa kuwa mtindo, sehemu ya msimu na kelele
Kulainisha kielelezo ni suluhisho la kuzingatia mambo ya mzunguko.
Wacha tuangalie njia 3 za kimsingi
1. Kulainisha rahisi (Mfano wa kahawia)
Inawakilisha hesabu ya wastani wa uzani kwenye vipengele 2 vya mwisho vya mfululizo.
2. Kulainisha mara mbili (mfano wa Holt)
Huzingatia mabadiliko katika mwenendo na kushuka kwa thamani kwa mabaki ya thamani karibu na mtindo huu.
Tunakokotoa utabiri wa mabadiliko katika mabaki ® na mwenendo (d). Thamani ya mwisho ya y ni jumla ya idadi hizi mbili.
3. Kulainisha mara tatu (mfano wa Holt-Winters)
Kulainisha mara tatu pia kunazingatia tofauti za msimu.
Fomula za kulainisha mara tatu.
Algorithm ya ARIMA na SARIMA
Upekee wa mfululizo wa wakati wa matumizi ya ARIMA ni uhusiano kati ya maadili ya zamani yanayohusishwa na ya sasa na ya baadaye.
SARIMA - ugani kwa mfululizo na sehemu ya msimu. SARIMAX ni kiendelezi ambacho kinajumuisha kipengele cha urejeshaji cha nje.
Miundo ya ARIMA hukuruhusu kuiga mfululizo wa wakati uliounganishwa au usio na tofauti.
Mbinu ya ARIMA ya mfululizo wa saa ni kwamba usimamaji wa mfululizo huo hupimwa kwanza.
Ifuatayo, mfululizo unabadilishwa kwa kuchukua tofauti ya utaratibu unaofaa, na mfano wa ARMA unajengwa kwa mfano uliobadilishwa.
ARMA ni modeli ya urejeshaji nyingi ya mstari.
Ni muhimu kwamba mfululizo uwe wa stationary, i.e. maana na tofauti hazikubadilika. Ikiwa mfululizo sio wa stationary, unapaswa kuletwa kwa fomu ya stationary.
XGBoost - tungekuwa wapi bila hiyo?
Iwapo mfululizo hauna muundo wa ndani ulioonyeshwa, lakini kuna vipengele vya ushawishi wa nje (msimamizi, hali ya hewa, n.k.), basi unaweza kutumia kwa usalama miundo ya kujifunza kwa mashine kama vile kukuza, misitu nasibu, rejeshi, mitandao ya neva na SVM.
Kutoka kwa uzoefu wa timu DATA4, utabiri wa mfululizo wa saa, mojawapo ya kazi kuu za kutatua utoshelezaji wa gharama za ghala, gharama za wafanyakazi, kuboresha matengenezo ya mitandao ya ATM, vifaa na mifumo ya mapendekezo ya jengo. Miundo changamano kama vile SARIMA hutoa matokeo ya ubora wa juu, lakini yanatumia muda na yanafaa kwa aina fulani tu za kazi.
Katika makala inayofuata tutaangalia njia kuu za kutafuta anomalies.
Ili kuhakikisha kuwa makala yanafaa kwa mambo yanayokuvutia, fanya uchunguzi hapa chini, au uandike kwenye maoni ni mada gani za kuandika katika makala zinazofuata.
Watumiaji waliojiandikisha pekee ndio wanaweza kushiriki katika utafiti. tafadhali.
Makala kuhusu mada gani unavutiwa nayo?
-
Mifumo ya pendekezo
-
Utambuzi wa picha
-
Usindikaji wa hotuba na maandishi
-
Usanifu mpya katika DNN
-
Mfululizo wa wakati na utafutaji usio wa kawaida
-
ML katika biashara, tumia kesi
Watumiaji 17 walipiga kura. Watumiaji 3 walijizuia.
Chanzo: mapenzi.com