- הגדרת סדרות זמן כקבוצות נתונים שנאספות במרווחי זמן קבועים כדי לחזות מגמות עתידיות.
- פירוט רכיבים בסיסיים: מגמה, עונתיות, מחזורים ורעש אקראי.
- השוואה בין גישות המידול השונות, החל משיטות קלאסיות ו-ARIMA ועד ללמידה עמוקה ובינה מלאכותית.
- יישומים מעשיים במגזרים קריטיים כגון שירותי בריאות, פיננסים, אנרגיה ומסחר אלקטרוני.
בטח תהיתם איך חברות מסוימות חוזות את העתיד או איך הן יודעות בדיוק מתי יהיה שיא בביקוש למוצר. זה לא קסם או כדור בדולח; הן משתמשות בניתוח סדרות זמן , כלי רב עוצמה להבנת האופן שבו נתונים מתפתחים לאורך זמן ולציפייה של מה שעתיד לבוא.
בעיקרון, אנחנו מדברים על איסוף נתונים שנאספים במרווחי זמן קבועים, כמו כמות גשמים יומית או מכירות חודשיות. הדבר המעניין כאן הוא שאנחנו לא מתייחסים לנתונים כאל חלקים בודדים, אלא מבינים שהעבר משפיע ישירות על העתיד , מה שמאפשר לנו לזהות דפוסים שאחרת היו נעלמים מעינינו באמצעות כריית נתונים.
כיצד בנוי מודל סדרות זמן?
כדי למנוע בלבול, חיוני להבין שניתן לחלק סדרת זמן למספר רכיבים. במודל אדיטיבי, לדוגמה, אנו אומרים שהערך ברגע נתון הוא סכום המגמה , העונתיות והאקראיות . אם ההתנהגות מורכבת יותר, ייתכן שנצטרך מודל כפל שבו אלמנטים אלה מחזקים זה את זה.
- מְגַמָה: זהו הכיוון הכללי. הוא אומר לנו אם דברים עולים, יורדים, או אם הם יישארו יציבים בטווח הארוך.
- עונתיות: אלו דפוסים שחוזרים על עצמם מעת לעת. לדוגמה, מכירת צעיפים רבים יותר בחורף או צריכת חשמל עולה במהלך היום.
- ציקלו: בניגוד לעונתיות, מחזורים הם חזרות שאין להן תקופה קבועה והם מנותחים מנקודת מבט גלובלית יותר.
- וריאציה או רעש אקראיים: אלו האירועים הבלתי צפויים. נתונים או שגיאות סותרות שלא פועלים לפי שום כללים והופכים את החיזוי לאתגר.
גישות ומתודולוגיות סיווג
בהתאם למה שאנחנו מחפשים, נוכל לגשת לבעיה מזוויות שונות. רצון לקבל הערכה מהירה אינו זהה לבניית מערכת חיזוי מדויקת במיוחד המבוססת על בינה מלאכותית וחשיבה עמוקה של בינה מלאכותית.
מודלים קלאסיים ולא פרמטריים
כאן אנו מוצאים כלים כמו ממוצע נע, המשמש להערכת תנודות לטווח קצר על ידי חישוב הממוצע של מרווח נתון. ישנה גם החלקת זמן, המעניקה משקל רב יותר לנתונים עדכניים יותר כדי לשקף טוב יותר את המגמה המיידית. שיטות אלו בדרך כלל אינן פרמטריות, שכן הן מתמקדות בהערכת המגמה מבלי להניח שלתהליך יש מבנה קבוע.
מודלים משולבים אוטורגרסיביים (ARIMA)
כאשר הדברים נהיים רציניים יותר, נכנסים לתמונה מודלי ARIMA. אלה משלבים אוטורגרסיה, דיפרנסינג וממוצעים נעים. זוהי גישה חזקה הרבה יותר לטיפול בנתונים מורכבים ובסדרות לא סטציונריות, המאפשרת לנתונים לעבור טרנספורמציה עד שהם הופכים ליציבים וצפויים.
למידה עמוקה ורשתות נוירונים
עם פריחת הבינה המלאכותית, אנו משתמשים כיום ברשתות עצביות חוזרות ובמודלים של זיכרון לטווח קצר (LTSM) . מכונות אלו מסוגלות לעבד כמויות אדירות של מידע ולהבין כיצד רשתות עצביות לומדות לקלוט דפוסים מורכבים להפליא שמודל קלאסי אפילו לא היה מתקרב לזיהוי, אם כי כמובן, הן דורשות הרבה יותר כוח מחשוב.
סיווגים טכניים מתקדמים
כדי להיות טכני יותר, הספרות המקצועית מחלקת טכניקות אלו למספר קבוצות. מצד אחד, ישנן שיטות בתחום התדר (כגון ניתוח גלים) ושיטות בתחום הזמן (כגון קורלציה צולבת). מבחינים גם בין שיטות פרמטריות, המשתמשות במספר פרמטרים ספורים כדי לתאר את מבנה התהליך, לבין שיטות לא פרמטריות, שאינן מניחות מבנה קודם.
יתר על כן, נוכל לדון במודלים ליניאריים או לא ליניאריים, והאם הם חד-משתנים או רב-משתנים , בהתאם למספר המשתנים שאנו מנתחים בו זמנית. במצבים קריטיים, כמו מגפת הקורונה, שיטה מבוססת סדרות זמן חזקות הוכחה לעיתים כעדיפה על פני מודלים ספציפיים (כגון מודל SIR), מכיוון שהיא מאפשרת עדכון הנחות תוך כדי תנועה עם נתונים חדשים.
יישומים בעולם האמיתי במקום העבודה
מידול זה אינו רק תיאוריה מתמטית; הוא מיושם במגזרים המטפלים במיליוני יורו ומצילים חיים. במגזר הבריאות , הוא מסייע לחזות מגפות ולנהל משאבי בתי חולים לפני שפרץ משבר. בעולם הפיננסים והמסחר , זהו הכלי המרכזי לחיזוי מחירי מניות או תנועות מטבעות קריפטוגרפיים.
במגזר האנרגיה, זהו מפתח למניעת בזבוז משאבים על ידי חישוב צורכי האנרגיה בחורף המבוססים על נתונים משנים קודמות . מצד שני, מסחר אלקטרוני ושיווק משתמשים בו כדי לייעל את המלאי ולעצב קמפיינים פרסומיים שמגיעים למשתמשים בדיוק בזמן שהם מתכוונים לקנות, ובכך לשפר את חוויית הלקוח ואת נאמנותו.
היכולת להפוך נתונים היסטוריים למפת דרכים מאפשרת לכל ארגון, החל מחנות מקוונת קטנה ועד לממשלה, למזער סיכונים ולמטב את תכנון משאבי האנוש והחומרים שלו, ולהפוך את חוסר הוודאות של המחר לאסטרטגיה המבוססת על ראיות סטטיסטיות וחישוביות.
