- Ajaseeria definitsioon on regulaarsete ajavahemike järel kogutud andmekogumid tulevaste suundumuste ennustamiseks.
- Põhikomponentide jaotus: trend, hooajalisus, tsüklid ja juhuslik müra.
- Erinevate modelleerimismeetodite võrdlus, alates klassikalistest ja ARIMA meetoditest kuni süvaõppe ja tehisintellektini.
- Praktilised rakendused kriitilistes sektorites nagu tervishoid, rahandus, energeetika ja e-kaubandus.
Oled ilmselt mõelnud, kuidas mõned ettevõtted tulevikku ennustavad või kuidas nad täpselt teavad, millal toote nõudlus kõige kõrgemal tasemel on. See pole maagia ega kristallkuul; nad kasutavad aegridade analüüsi , mis on võimas tööriist andmete aja jooksul arenemise mõistmiseks ja tuleviku prognoosimiseks.
Põhimõtteliselt räägime regulaarsete andmete kogumisest, näiteks päevase sademete hulga või igakuise müügi kohta. Huvitav on see, et me ei käsitle andmeid isoleeritud osadena, vaid mõistame, et minevik mõjutab otseselt tulevikku , mis võimaldab meil tuvastada mustreid, mis muidu andmekaevandamise abil märkamatuks jääksid.
Kuidas on aegridade mudel üles ehitatud?
Segaduse vältimiseks on oluline mõista, et aegrida saab jagada mitmeks komponendiks. Näiteks aditiivses mudelis ütleme, et antud ajahetke väärtus on trendi , hooajalisuse ja juhuslikkuse summa . Kui käitumine on keerukam, võime vajada multiplikatiivset mudelit, kus need elemendid üksteist tugevdavad.
- Trend: See on üldine suund. See näitab, kas asjad lähevad üles, alla või jäävad pikas perspektiivis stabiilseks.
- Hooajalisus: Need on mustrid, mis korduvad perioodiliselt. Näiteks talvel müüakse rohkem salle või päeva jooksul suureneb elektritarbimine.
- Tsükkel: Erinevalt hooajalisusest on tsüklid kordused, millel pole kindlat perioodi ja mida analüüsitakse globaalsemast vaatenurgast.
- Juhuslik variatsioon või müra: Need ongi need ettearvamatud sündmused. vastuolulised andmed või vead mis ei järgi mingeid reegleid ja mis muudavad ennustamise keeruliseks.
Klassifitseerimismeetodid ja -metoodikad
Sõltuvalt sellest, mida me otsime, saame probleemile läheneda erinevate nurkade alt. Kiire hinnangu saamine ei ole sama, mis tehisintellektil ja sügaval tehisintellektil põhineva ülitäpse ennustussüsteemi loomine.
Klassikalised ja mitteparameetrilised mudelid
Siit leiame selliseid tööriistu nagu libisev keskmine, mida kasutatakse lühiajaliste kõikumiste hindamiseks , arvutades antud intervalli keskmise. Samuti on olemas ajaline silumine, mis annab uuematele andmetele suurema kaalu, et paremini kajastada kohest trendi. Need meetodid on tavaliselt mitteparameetrilised, kuna keskenduvad trendi hindamisele, eeldamata, et protsessil on fikseeritud struktuur.
Autoregressiivsed integreeritud mudelid (ARIMA)
Kui asjad lähevad tõsisemaks, tulevad mängu ARIMA mudelid. Need ühendavad autoregressiooni, diferentseerimise ja libisevad keskmised. See on palju võimsam lähenemisviis keerukate andmete ja mittestatsionaarsete seeriate käsitlemiseks, võimaldades andmeid teisendada, kuni need muutuvad stabiilseks ja prognoositavaks.
Süvaõpe ja närvivõrgud
Tehisintellekti buumi tõttu kasutame nüüd rekurrentseid närvivõrke ja pikaajalise lühiajalise mälu (LTSM) mudeleid . Need masinad on võimelised töötlema tohutul hulgal infot ja mõistma, kuidas närvivõrgud õpivad ära tundma uskumatult keerulisi mustreid, mida klassikaline mudel isegi lähedalegi ei suudaks ära tunda, kuigi loomulikult vajavad nad palju suuremat arvutusvõimsust.
Täiustatud tehnilised klassifikatsioonid
Tehnilisemaks muutmiseks jagab erialakirjandus need meetodid mitmeks rühmaks. Ühelt poolt on olemas sagedusdomeeni meetodid (näiteks laineanalüüs) ja ajadomeeni meetodid (näiteks ristkorrelatsioon). Samuti eristatakse parameetrilisi meetodeid, mis kasutavad protsessi struktuuri kirjeldamiseks mõnda parameetrit, ja mitteparameetrilisi meetodeid, mis ei eelda mingit eelnevat struktuuri.
Lisaks saame arutada lineaarseid või mittelineaarseid mudeleid ning seda, kas need on ühe- või mitmemuutujalised , olenevalt sellest, kui palju muutujaid me samaaegselt analüüsime. Kriitilistes olukordades, näiteks Covid-19 pandeemia ajal, on robustne aegridade põhine meetod osutunud mõnikord eelistatavamaks konkreetsetele mudelitele (näiteks SIR-mudel), kuna see võimaldab eeldusi uute andmetega lennult ajakohastada.
Reaalse maailma rakendused töökohal
See modelleerimine ei ole pelgalt matemaatiline teooria; seda rakendatakse sektorites, mis tegelevad miljonite eurodega ja päästavad elusid. Tervishoiusektoris aitab see ennustada epideemiaid ja hallata haiglaressursse enne kriisi saabumist. Finants- ja kauplemismaailmas on see peamine tööriist aktsiahindade või krüptovaluutade liikumise prognoosimiseks.
Energiasektoris on ressursiraiskamise vältimiseks võtmetähtsusega talvise energiavajaduse arvutamine eelmiste aastate andmete põhjal . Teisest küljest kasutavad e-kaubandus ja turundus seda laoseisu optimeerimiseks ja reklaamikampaaniate kujundamiseks, mis jõuavad kasutajateni täpselt siis, kui nad kavatsevad osta, parandades seeläbi kliendikogemust ja lojaalsust.
Võimalus muuta ajaloolised andmed tegevuskavaks võimaldab igal organisatsioonil, alates väikesest veebipoest kuni valitsusasutuseni, minimeerida riske ja optimeerida oma inim- ja materiaalsete ressursside planeerimist , muutes homse ebakindluse statistilistel ja arvutuslikel tõenditel põhinevaks strateegiaks.
