- Laikrindas definīcija ir datu kopas, kas regulāri tiek apkopotas, lai prognozētu nākotnes tendences.
- Fundamentālo komponentu sadalījums: tendence, sezonalitāte, cikli un nejaušais troksnis.
- Dažādu modelēšanas pieeju salīdzinājums, sākot no klasiskajām un ARIMA metodēm līdz dziļajai mācīšanās un mākslīgajam intelektam.
- Praktiski pielietojumi tādās kritiskās nozarēs kā veselības aprūpe, finanses, enerģētika un e-komercija.
Jūs droši vien esat domājuši, kā daži uzņēmumi, šķiet, prognozē nākotni vai kā viņi precīzi zina, kad būs produkta pieprasījuma maksimums. Tā nav maģija vai kristāla bumba; viņi izmanto laika rindu analīzi — spēcīgu rīku, lai izprastu, kā dati laika gaitā attīstās, un paredzētu, kas notiks.
Būtībā mēs runājam par datu vākšanu regulāros intervālos, piemēram, par ikdienas nokrišņiem vai ikmēneša pārdošanas apjomiem. Interesanti ir tas, ka mēs neuztveram datus kā atsevišķas daļas, bet gan saprotam, ka pagātne tieši ietekmē nākotni , ļaujot mums atklāt modeļus, kas citādi, izmantojot datu ieguvi, paliktu nepamanīti.
Kā tiek strukturēts laika rindas modelis?
Lai izvairītos no neskaidrībām, ir svarīgi saprast, ka laika rindu var sadalīt vairākās sastāvdaļās. Piemēram, aditīvajā modelī mēs sakām, ka vērtība noteiktā brīdī ir tendences , sezonalitātes un nejaušības summa . Ja uzvedība ir sarežģītāka, mums var būt nepieciešams multiplikatīvs modelis, kurā šie elementi viens otru pastiprina.
- Tendence: Tas ir vispārējais virziens. Tas mums norāda, vai lietas virzās uz augšu, uz leju vai arī ilgtermiņā saglabāsies stabilas.
- Sezonalitāte: Tie ir modeļi, kas periodiski atkārtojas. Piemēram, ziemā tiek pārdots vairāk šalļu vai dienas laikā palielinās elektroenerģijas patēriņš.
- Cikls: Atšķirībā no sezonalitātes, cikli ir atkārtojumi, kuriem nav noteikta perioda un kurus analizē no globālākas perspektīvas.
- Nejauša variācija vai troksnis: Tie ir neparedzamie notikumi. pretrunīgi dati vai kļūdas kas neievēro nekādus noteikumus un apgrūtina prognozēšanu.
Klasifikācijas pieejas un metodoloģijas
Atkarībā no tā, ko meklējam, mēs varam pieiet problēmai no dažādiem skatupunktiem. Vēlme iegūt ātru novērtējumu nav tas pats, kas izveidot īpaši precīzu prognozēšanas sistēmu, kuras pamatā ir mākslīgais intelekts un dziļa mākslīgā intelekta spriešana.
Klasiskie un neparametriskie modeļi
Šeit mēs atrodam tādus rīkus kā slīdošais vidējais, ko izmanto īstermiņa svārstību novērtēšanai , aprēķinot dotā intervāla vidējo vērtību. Pastāv arī laika izlīdzināšana, kas piešķir lielāku svaru jaunākiem datiem, lai labāk atspoguļotu tūlītēju tendenci. Šīs metodes parasti nav parametriskas, jo tās koncentrējas uz tendences novērtēšanu, nepieņemot, ka procesam ir fiksēta struktūra.
Autoregresīvie integrētie modeļi (ARIMA)
Kad situācija kļūst nopietnāka, tiek izmantoti ARIMA modeļi. Tie apvieno autoregresiju, diferenciāciju un slīdošos vidējos rādītājus. Tā ir daudz jaudīgāka pieeja sarežģītu datu un nestacionāru rindu apstrādei, ļaujot datus pārveidot, līdz tie kļūst stabili un paredzami.
Dziļā mācīšanās un neironu tīkli
Līdz ar mākslīgā intelekta uzplaukumu mēs tagad izmantojam rekurentus neironu tīklus un ilgtermiņa īstermiņa atmiņas (LTSM) modeļus . Šīs mašīnas spēj apstrādāt milzīgu informācijas apjomu un saprast, kā neironu tīkli iemācās uztvert neticami sarežģītus modeļus, kurus klasiskais modelis pat tuvu nespētu atpazīt, lai gan, protams, tiem ir nepieciešama daudz lielāka skaitļošanas jauda.
Paplašinātās tehniskās klasifikācijas
Lai iegūtu tehniskāku priekšstatu, specializētajā literatūrā šīs metodes tiek iedalītas vairākās grupās. No vienas puses, pastāv frekvenču domēna metodes (piemēram, vaveletu analīze) un laika domēna metodes (piemēram, krusteniskā korelācija). Tiek atšķirtas arī parametriskās metodes, kas procesa struktūras aprakstīšanai izmanto dažus parametrus, un neparametriskās metodes, kas nepieņem nekādu iepriekšēju struktūru.
Turklāt mēs varam apspriest lineārus vai nelineārus modeļus un to, vai tie ir vienfaktora vai daudzfaktoru modeļi , atkarībā no tā, cik mainīgos mēs analizējam vienlaicīgi. Kritiskās situācijās, piemēram, Covid-19 pandēmijas laikā, robusta, uz laikrindām balstīta metode dažkārt ir izrādījusies labāka nekā specifiski modeļi (piemēram, SIR modelis), jo tā ļauj atjaunināt pieņēmumus acumirklī ar jauniem datiem.
Reālās pasaules pielietojumi darba vietā
Šī modelēšana nav tikai matemātiska teorija; tā tiek pielietota nozarēs, kurās tiek apstrādāti miljoniem eiro un glābtas dzīvības. Veselības aprūpes nozarē tā palīdz prognozēt epidēmijas un pārvaldīt slimnīcu resursus pirms krīzes. Finanšu un tirdzniecības pasaulē tā ir galvenais instruments akciju cenu vai kriptovalūtu kustību prognozēšanai.
Enerģētikas nozarē ir svarīgi izvairīties no resursu izšķērdēšanas, aprēķinot ziemas enerģijas vajadzības, pamatojoties uz iepriekšējo gadu datiem . No otras puses, e-komercija un mārketings to izmanto, lai optimizētu krājumus un izstrādātu reklāmas kampaņas, kas sasniedz lietotājus tieši tad, kad viņi plāno pirkt, tādējādi uzlabojot klientu pieredzi un lojalitāti.
Spēja pārveidot vēsturiskos datus ceļvedī ļauj jebkurai organizācijai, sākot no neliela interneta veikala līdz pat valdībai, samazināt riskus un optimizēt savu cilvēkresursu un materiālo resursu plānošanu , pārvēršot rītdienas nenoteiktību stratēģijā, kuras pamatā ir statistiski un skaitļošanas pierādījumi.
