本文讨论了时间序列的应用领域、要解决的问题以及所使用的算法。 时间序列预测用于预测需求、联络中心负载、道路和互联网流量、解决推荐系统中的冷启动问题以及搜索设备和用户行为的异常等任务。
让我们更详细地看看任务。
1）需求预测。
目标：降低仓库成本并优化员工工作安排。
如何解决：通过对商品购买量和客户数量的预测，我们最大限度地减少仓库中的商品数量，并存储在给定时间范围内购买的商品数量。 了解任何特定时间的客户数量，我们将制定最佳的工作时间表，以便以最低的成本拥有足够的员工数量。
2) 预测配送服务的负载
目标：防止高峰负载期间物流崩溃。
如何解决：预测订单数量，将最优的车数和快递员上线。
3）预测联络中心的负载
目标：确保联络中心所需的可用性，同时最大限度地降低工资基金成本。
如何解决：预测一段时间内的呼叫数量，为接线员制定最佳时间表。
4）流量预测
目标：预测稳定运行的服务器数量和带宽。 这样您的服务就不会在热门电视剧或足球比赛首映当天崩溃 😉
5）预测ATM收款的最佳时间
目标：最大限度地减少 ATM 网络中存储的现金量
6）推荐系统冷启动问题的解决方案
目标：向新用户推荐相关产品。
当用户进行了多次购买时，可以构建协同过滤算法进行推荐，但是当没有关于用户的信息时，推荐最受欢迎的产品是最优的。
解决方案：产品的受欢迎程度取决于推荐的时间。 使用时间序列预测有助于识别任何给定时间点的相关产品。
我们研究了构建推荐系统的生活窍门 .
7) 搜索异常情况
目标：发现设备运行中的问题和业务中的不规范情况
解决方案：如果测量值超出预测置信区间，则检测到异常。 如果这是一座核电站，是时候增加距离的平方了😉
解决问题的算法
1）移动平均线
最简单的算法是移动平均线。 让我们计算最后几个元素的平均值并进行预测。 对于超过 10 天的天气预报，使用类似的方法。
当系列中的最后一个值贡献更多权重很重要时，我们根据日期的距离引入系数，获得加权模型：
因此，可以设置W系数，使最大权重落在最后2天和入场日。
考虑周期性因素
推荐的质量可能会受到周期性因素的影响，例如与星期几、日期、之前的假期等重合。
米。 1. 时间序列分解为趋势、季节性成分和噪声的示例
指数平滑是考虑周期性因素的解决方案。
让我们看一下 3 种基本方法
1.简单平滑（布朗模型）
表示对系列的最后 2 个元素进行加权平均值的计算。
2.双重平滑（Holt模型）
考虑到趋势的变化以及围绕该趋势的残值波动。
我们计算残差 ® 和趋势 (d) 变化的预测。 y 的最终值是这两个量的总和。
3. 三重平滑（Holt-Winters 模型）
三重平滑还考虑了季节性变化。
三重平滑的公式。
ARIMA 和 SARIMA 算法
使用 ARIMA 的时间序列的特殊性是过去值与当前值和未来值之间的联系。
SARIMA – 具有季节性成分的系列的扩展。 SARIMAX 是一个包含外部回归组件的扩展。
ARIMA 模型允许您模拟积分或差分平稳时间序列。
ARIMA 时间序列方法首先评估序列的平稳性。
接下来，通过取适当阶数的差值对级数进行变换，并为变换后的模型构建 ARMA 模型。
ARMA 是一个线性多元回归模型。
重要的是该序列必须是平稳的，即均值和方差没有改变。 如果序列是非平稳的，则应将其转换为平稳形式。
XGBoost – 没有它我们会怎样？
如果一个系列没有内部表达结构，但有外部影响因素（经理、天气等），那么你可以安全地使用机器学习模型，如boosting、随机森林、回归、神经网络和SVM。
从团队的经验来看 数据4、时间序列预测，主要任务之一是解决仓库成本、人员成本的优化，优化ATM网络、物流的维护以及构建推荐系统。 SARIMA 等复杂模型可以提供高质量的结果，但非常耗时且仅适用于特定范围的任务。
在下一篇文章中，我们将介绍搜索异常的主要方法。
为了确保这些文章与您的兴趣相关，请参加下面的调查，或在评论中写下下一篇文章要写的主题。
只有注册用户才能参与调查。 拜托
您对什么主题感兴趣的文章？
-
推荐系统
-
图像识别
-
语音和文本处理
-
DNN 中的新架构
-
时间序列和异常搜索
-
商业中的机器学习、用例
17 位用户投票。 3 名用户弃权。
来源： habr.com