Bài viết thảo luận về các lĩnh vực ứng dụng của chuỗi thời gian, các vấn đề cần giải quyết và các thuật toán được sử dụng. Dự báo chuỗi thời gian được sử dụng trong các nhiệm vụ như dự báo nhu cầu, tải trọng trung tâm liên lạc, lưu lượng đường bộ và Internet, giải quyết vấn đề khởi động nguội trong hệ thống đề xuất và tìm kiếm những điểm bất thường trong hành vi của thiết bị và người dùng.
Hãy xem xét các nhiệm vụ chi tiết hơn.
1) Dự báo nhu cầu.
Mục tiêu: giảm chi phí kho bãi và tối ưu hóa lịch làm việc của nhân viên.
Cách giải quyết: có dự báo về lượng mua hàng và số lượng khách hàng, chúng ta giảm thiểu lượng hàng trong kho và dự trữ đúng số lượng sẽ mua trong một khoảng thời gian nhất định. Biết được số lượng khách hàng tại từng thời điểm, chúng tôi sẽ lên lịch làm việc tối ưu sao cho có đủ số lượng nhân viên với chi phí tối thiểu.
2) Dự báo tải trọng dịch vụ giao hàng
Mục tiêu: ngăn chặn sự sụp đổ của logistics trong thời gian cao điểm.
Cách giải quyết: dự đoán số lượng đơn hàng, đưa số lượng xe và người giao hàng tối ưu lên đường.
3) Dự báo tải trọng contact center
Mục tiêu: đảm bảo tính sẵn sàng cần thiết của trung tâm liên lạc đồng thời giảm thiểu chi phí quỹ lương.
Cách giải quyết: dự báo số lượng cuộc gọi theo thời gian, tạo lịch trình tối ưu cho tổng đài.
4) Dự báo giao thông
Mục tiêu: dự đoán số lượng máy chủ và băng thông để hoạt động ổn định. Để dịch vụ của bạn không gặp sự cố vào ngày ra mắt một bộ phim truyền hình dài tập hoặc trận đấu bóng đá nổi tiếng 😉
5) Dự báo thời điểm thu tiền ATM tối ưu
Mục tiêu: giảm thiểu lượng tiền mặt được lưu trữ trong mạng lưới ATM
6) Giải pháp cho vấn đề khởi động nguội trong hệ thống khuyến nghị
Mục tiêu: Đề xuất các sản phẩm phù hợp cho người dùng mới.
Khi người dùng đã thực hiện nhiều lần mua hàng, thuật toán lọc cộng tác có thể được xây dựng để đưa ra các đề xuất, nhưng khi không có thông tin về người dùng thì việc đề xuất những sản phẩm phổ biến nhất là tối ưu.
Giải pháp: Mức độ phổ biến của sản phẩm phụ thuộc vào thời điểm đưa ra khuyến nghị. Việc sử dụng dự báo chuỗi thời gian giúp xác định các sản phẩm có liên quan tại bất kỳ thời điểm nào.
Chúng tôi đã xem xét các mẹo vặt cuộc sống để xây dựng hệ thống gợi ý trong .
7) Tìm kiếm sự bất thường
Mục tiêu: xác định các vấn đề trong quá trình vận hành thiết bị và các tình huống không chuẩn mực trong kinh doanh
Giải pháp: Nếu giá trị đo nằm ngoài khoảng tin cậy dự báo thì đã phát hiện được sự bất thường. Nếu đây là nhà máy điện hạt nhân thì đã đến lúc tăng bình phương khoảng cách lên 😉
Các thuật toán để giải quyết vấn đề
1) Đường trung bình động
Thuật toán đơn giản nhất là đường trung bình động. Hãy tính giá trị trung bình của một vài phần tử cuối cùng và đưa ra dự đoán. Đối với dự báo thời tiết dài hơn 10 ngày, cách tiếp cận tương tự được sử dụng.
Khi điều quan trọng là các giá trị cuối cùng trong chuỗi đóng góp nhiều trọng số hơn, chúng tôi đưa ra các hệ số tùy thuộc vào khoảng cách của ngày, thu được mô hình có trọng số:
Vì vậy, bạn có thể đặt hệ số W sao cho trọng số tối đa rơi vào 2 ngày cuối và ngày nhập cảnh.
Có tính đến các yếu tố mang tính chu kỳ
Chất lượng của các khuyến nghị có thể bị ảnh hưởng bởi các yếu tố mang tính chu kỳ, chẳng hạn như sự trùng hợp với ngày trong tuần, ngày, ngày lễ trước đó, v.v.
Cơm. 1. Ví dụ về phân rã chuỗi thời gian thành xu hướng, thành phần theo mùa và nhiễu
Làm mịn theo cấp số nhân là một giải pháp có tính đến các yếu tố mang tính chu kỳ.
Hãy xem xét 3 cách tiếp cận cơ bản
1. Làm mịn đơn giản (Mẫu màu nâu)
Biểu thị phép tính trung bình có trọng số của 2 phần tử cuối cùng của chuỗi.
2. Làm mịn kép (mô hình Holt)
Có tính đến những thay đổi trong xu hướng và sự biến động của các giá trị dư xung quanh xu hướng này.
Chúng tôi tính toán dự đoán về những thay đổi trong phần dư ® và xu hướng (d). Giá trị cuối cùng của y là tổng của hai đại lượng này.
3. Làm mịn ba lần (mô hình Holt-Winters)
Ngoài ra, việc làm mịn ba lần còn tính đến các biến đổi theo mùa.
Công thức làm mịn gấp ba lần.
Thuật toán ARIMA và SARIMA
Điểm đặc biệt của chuỗi thời gian khi sử dụng ARIMA là mối liên hệ giữa các giá trị trong quá khứ gắn liền với giá trị hiện tại và tương lai.
SARIMA – phần mở rộng cho loạt phim có thành phần theo mùa. SARIMAX là một phần mở rộng bao gồm thành phần hồi quy bên ngoài.
Các mô hình ARIMA cho phép bạn mô phỏng chuỗi thời gian tích hợp hoặc cố định sai phân.
Cách tiếp cận ARIMA đối với chuỗi thời gian là tính dừng của chuỗi được đánh giá trước tiên.
Tiếp theo, chuỗi được biến đổi bằng cách lấy hiệu theo thứ tự thích hợp và mô hình ARMA được xây dựng cho mô hình được biến đổi.
ARMA là mô hình hồi quy bội tuyến tính.
Điều quan trọng là chuỗi này phải đứng yên, tức là. giá trị trung bình và phương sai không thay đổi. Nếu chuỗi không dừng thì nó phải được đưa về dạng dừng.
XGBoost – chúng ta sẽ ở đâu nếu không có nó?
Nếu một chuỗi không có cấu trúc thể hiện bên trong nhưng có các yếu tố ảnh hưởng bên ngoài (người quản lý, thời tiết, v.v.), thì bạn có thể sử dụng các mô hình học máy một cách an toàn như tăng cường, rừng ngẫu nhiên, hồi quy, mạng thần kinh và SVM.
Từ kinh nghiệm của đội DỮ LIỆU4, dự báo chuỗi thời gian, một trong những nhiệm vụ chính để giải quyết tối ưu hóa chi phí kho bãi, chi phí nhân sự, tối ưu hóa việc bảo trì mạng ATM, hậu cần và xây dựng hệ thống khuyến nghị. Các mô hình phức tạp như SARIMA cho kết quả chất lượng cao nhưng tốn thời gian và chỉ phù hợp với một số nhiệm vụ nhất định.
Trong bài viết tiếp theo, chúng ta sẽ xem xét các phương pháp chính để tìm kiếm sự bất thường.
Để đảm bảo rằng các bài viết phù hợp với sở thích của bạn, hãy thực hiện khảo sát bên dưới hoặc viết bình luận về chủ đề sẽ viết trong các bài viết tiếp theo.
Chỉ những người dùng đã đăng ký mới có thể tham gia khảo sát. , xin vui lòng.
Bài viết về chủ đề nào bạn quan tâm?
-
Hệ thống gợi ý
-
Nhận dạng hình ảnh
-
Xử lý giọng nói và văn bản
-
Kiến trúc mới trong DNN
-
Chuỗi thời gian và tìm kiếm bất thường
-
ML trong kinh doanh, trường hợp sử dụng
17 người dùng bình chọn. 3 người dùng bỏ phiếu trắng.
Nguồn: www.habr.com