پیشن گوئی کی طلب میں ٹائم سیریز، تقسیم کے مراکز پر بوجھ، مصنوعات کی سفارشات اور بے ضابطگیوں کی تلاش

مضمون ٹائم سیریز کے اطلاق کے شعبوں، حل کیے جانے والے مسائل، اور استعمال شدہ الگورتھم پر بحث کرتا ہے۔ ٹائم سیریز کی پیشن گوئی کا استعمال پیشن گوئی کی طلب، رابطہ مرکز کا بوجھ، سڑک اور انٹرنیٹ ٹریفک، تجویز کرنے والے نظاموں میں کولڈ اسٹارٹ کے مسئلے کو حل کرنے، اور آلات اور صارفین کے رویے میں بے ضابطگیوں کی تلاش جیسے کاموں میں استعمال کیا جاتا ہے۔

آئیے کاموں کو مزید تفصیل سے دیکھتے ہیں۔

1) مطالبہ کی پیشن گوئی

مقصد: گودام کے اخراجات کو کم کرنا اور عملے کے کام کے نظام الاوقات کو بہتر بنانا۔

اسے کیسے حل کیا جائے: سامان کی خریداری اور گاہکوں کی تعداد کی پیشن گوئی کے ساتھ، ہم گودام میں سامان کی مقدار کو کم سے کم کرتے ہیں اور بالکل اتنا ذخیرہ کرتے ہیں جتنا ایک مقررہ مدت میں خریدا جائے گا۔ کسی بھی وقت کلائنٹس کی تعداد کو جانتے ہوئے، ہم کام کا ایک بہترین شیڈول تیار کریں گے تاکہ کم از کم اخراجات کے ساتھ عملے کی کافی تعداد ہو۔

2) ترسیل کی خدمت پر بوجھ کی پیشن گوئی

مقصد: چوٹی کے بوجھ کے دوران لاجسٹکس کے خاتمے کو روکنا۔

اسے کیسے حل کیا جائے: آرڈرز کی تعداد کی پیش گوئی کرتے ہوئے، کاروں اور کورئیر کی زیادہ سے زیادہ تعداد کو لائن پر لائیں۔

3) رابطہ مرکز پر بوجھ کی پیشن گوئی

مقصد: اجرت کے فنڈ کے اخراجات کو کم کرتے ہوئے رابطہ مرکز کی مطلوبہ دستیابی کو یقینی بنانا۔

حل کرنے کا طریقہ: وقت کے ساتھ ساتھ کالوں کی تعداد کی پیشن گوئی کرنا، آپریٹرز کے لیے ایک بہترین شیڈول بنانا۔

4) ٹریفک کی پیشن گوئی

مقصد: مستحکم آپریشن کے لیے سرورز اور بینڈوتھ کی تعداد کی پیش گوئی کریں۔ تاکہ کسی مشہور ٹی وی سیریز یا فٹ بال میچ کے پریمیئر کے دن آپ کی سروس کریش نہ ہو 😉

5) اے ٹی ایم جمع کرنے کے لیے بہترین وقت کی پیشن گوئی

مقصد: اے ٹی ایم نیٹ ورک میں محفوظ کیش کی مقدار کو کم سے کم کرنا

6) سفارشی نظاموں میں کولڈ اسٹارٹ کے مسئلے کا حل

مقصد: نئے صارفین کو متعلقہ مصنوعات تجویز کریں۔

جب صارف نے متعدد خریداریاں کی ہیں، تو سفارشات کے لیے ایک مشترکہ فلٹرنگ الگورتھم بنایا جا سکتا ہے، لیکن جب صارف کے بارے میں کوئی معلومات نہ ہوں، تو سب سے زیادہ مقبول مصنوعات کی سفارش کرنا بہتر ہے۔

حل: مصنوعات کی مقبولیت کا انحصار اس وقت پر ہوتا ہے جب سفارش کی جاتی ہے۔ ٹائم سیریز کی پیشن گوئی کا استعمال وقت میں کسی بھی وقت متعلقہ مصنوعات کی شناخت میں مدد کرتا ہے۔

ہم نے تجویز کنندہ سسٹم بنانے کے لیے لائف ہیکس کو دیکھا پچھلا مضمون.

7) بے ضابطگیوں کی تلاش کریں۔

مقصد: سازوسامان کے آپریشن میں مسائل اور کاروبار میں غیر معیاری حالات کی نشاندہی کرنا
حل: اگر ناپی گئی قدر پیشین گوئی کے اعتماد کے وقفے سے باہر ہے، تو ایک بے ضابطگی کا پتہ چلا ہے۔ اگر یہ جوہری پاور پلانٹ ہے، تو یہ فاصلے کے مربع کو بڑھانے کا وقت ہے 😉

مسئلے کو حل کرنے کے لیے الگورتھم

1) حرکت پذیری اوسط

سب سے آسان الگورتھم موونگ ایوریج ہے۔ آئیے آخری چند عناصر پر اوسط قدر کا حساب لگائیں اور ایک پیشین گوئی کریں۔ 10 دن سے زائد موسم کی پیشن گوئی کے لئے، اسی طرح کا طریقہ استعمال کیا جاتا ہے.

جب یہ ضروری ہوتا ہے کہ سیریز میں آخری اقدار زیادہ وزن میں حصہ ڈالیں، تو ہم وزنی ماڈل حاصل کرتے ہوئے، تاریخ کے فاصلے کے لحاظ سے گتانک متعارف کراتے ہیں:

لہذا، آپ W عدد کو سیٹ کر سکتے ہیں تاکہ زیادہ سے زیادہ وزن آخری 2 دنوں اور داخلے کے دنوں میں گرے۔

چکراتی عوامل کو مدنظر رکھنا

سفارشات کا معیار چکراتی عوامل سے متاثر ہو سکتا ہے، جیسے کہ ہفتے کے دن کے ساتھ اتفاق، تاریخ، پچھلی چھٹیاں وغیرہ۔

چاول۔ 1. رجحان، موسمی جزو اور شور میں ٹائم سیریز کے گلنے کی مثال

ایکسپونینشل ہموار کرنا چکراتی عوامل کو مدنظر رکھنے کا ایک حل ہے۔

آئیے 3 بنیادی طریقوں کو دیکھیں

1. سادہ ہموار (براؤن ماڈل)

سیریز کے آخری 2 عناصر پر وزنی اوسط کے حساب کتاب کی نمائندگی کرتا ہے۔

2. ڈبل ہموار کرنا (ہولٹ ماڈل)

رجحان میں تبدیلیوں اور اس رجحان کے ارد گرد بقایا اقدار میں اتار چڑھاو کو مدنظر رکھتا ہے۔

ہم بقایا ® اور رجحان (d) میں تبدیلیوں کی پیشین گوئی کا حساب لگاتے ہیں۔ y کی حتمی قدر ان دو مقداروں کا مجموعہ ہے۔

3. ٹرپل اسموتھنگ (ہولٹ ونٹرس ماڈل)

ٹرپل ہموار کرنا موسمی تغیرات کو بھی مدنظر رکھتا ہے۔

ٹرپل ہموار کرنے کے فارمولے

ARIMA اور SARIMA الگورتھم

ARIMA کے استعمال کے لیے ٹائم سیریز کی خاصیت ماضی کی اقدار کے درمیان تعلق ہے جو موجودہ اور مستقبل کے ساتھ منسلک ہے۔

SARIMA - موسمی جزو کے ساتھ سیریز کے لیے توسیع۔ SARIMAX ایک توسیع ہے جس میں ایک بیرونی ریگریشن جزو شامل ہے۔

ARIMA ماڈلز آپ کو مربوط یا فرق-اسٹیشنری ٹائم سیریز کی نقل کرنے کی اجازت دیتے ہیں۔

ٹائم سیریز کے بارے میں ARIMA نقطہ نظر یہ ہے کہ سیریز کی سٹیشنریٹی کا پہلے اندازہ لگایا جاتا ہے۔

اس کے بعد، مناسب ترتیب کے فرق کو لے کر سیریز کو تبدیل کیا جاتا ہے، اور تبدیل شدہ ماڈل کے لیے ایک ARMA ماڈل بنایا جاتا ہے۔

ARMA ایک لکیری متعدد ریگریشن ماڈل ہے۔

یہ ضروری ہے کہ سلسلہ ساکن ہو، یعنی وسط اور فرق نہیں بدلا۔ اگر سلسلہ نان سٹیشنری ہے تو اسے سٹیشنری شکل میں لایا جانا چاہیے۔

XGBoost - ہم اس کے بغیر کہاں ہوں گے؟

اگر کسی سیریز کا اندرونی اظہار شدہ ڈھانچہ نہیں ہے، لیکن بیرونی اثر انداز کرنے والے عوامل (مینیجر، موسم، وغیرہ) ہیں، تو آپ مشین لرننگ ماڈلز کو محفوظ طریقے سے استعمال کر سکتے ہیں جیسے کہ بوسٹنگ، بے ترتیب جنگلات، ریگریشن، نیورل نیٹ ورکس اور SVM۔

ٹیم کے تجربے سے ڈیٹا 4, ٹائم سیریز کی پیشن گوئی، گودام کے اخراجات، عملے کے اخراجات، ATM نیٹ ورکس، لاجسٹکس اور عمارت کی سفارشات کے نظام کی بحالی کو بہتر بنانے کے لیے اہم کاموں میں سے ایک۔ SARIMA جیسے پیچیدہ ماڈلز اعلیٰ معیار کے نتائج دیتے ہیں، لیکن وقت طلب ہوتے ہیں اور کاموں کی ایک مخصوص حد کے لیے ہی موزوں ہوتے ہیں۔

اگلے مضمون میں ہم بے ضابطگیوں کو تلاش کرنے کے اہم طریقوں پر غور کریں گے۔

اس بات کو یقینی بنانے کے لیے کہ مضامین آپ کی دلچسپیوں سے مطابقت رکھتے ہیں، نیچے دیے گئے سروے میں حصہ لیں، یا کمنٹس میں لکھیں کہ اگلے مضامین میں کن عنوانات پر لکھنا ہے۔

سروے میں صرف رجسٹرڈ صارفین ہی حصہ لے سکتے ہیں۔ سائن ان، برائے مہربانی.

آپ کس موضوع پر مضامین میں دلچسپی رکھتے ہیں؟

• تجویز کرنے والے نظام

• تصویر کی شناخت

• اسپیچ اور ٹیکسٹ پروسیسنگ

• ڈی این این میں نئے فن تعمیرات

• ٹائم سیریز اور بے ضابطگی تلاش

• کاروبار میں ایم ایل، کیسز استعمال کریں۔

17 صارفین نے ووٹ دیا۔ 3 صارفین غیر حاضر رہے۔

ماخذ: www.habr.com