- Takrifan siri masa sebagai set data yang dikumpul pada selang masa yang tetap untuk meramalkan trend masa hadapan.
- Pecahan komponen asas: trend, bermusim, kitaran dan hingar rawak.
- Perbandingan antara pelbagai pendekatan pemodelan, daripada kaedah klasik dan ARIMA hinggalah pembelajaran mendalam dan AI.
- Aplikasi praktikal dalam sektor kritikal seperti penjagaan kesihatan, kewangan, tenaga dan e-dagang.
Anda mungkin tertanya-tanya bagaimana sesetengah syarikat seolah-olah meramalkan masa depan atau bagaimana mereka tahu dengan tepat bila akan ada puncak permintaan untuk sesuatu produk. Ia bukan sihir atau bola kristal; mereka menggunakan analisis siri masa , alat yang ampuh untuk memahami bagaimana data berkembang dari semasa ke semasa dan menjangka apa yang akan datang.
Pada asasnya, kita bercakap tentang pengumpulan data yang diambil pada selang masa yang tetap, seperti hujan harian atau jualan bulanan. Perkara yang menarik di sini ialah kita tidak menganggap data sebagai bahagian yang terpencil, tetapi sebaliknya memahami bahawa masa lalu secara langsung mempengaruhi masa depan , membolehkan kita mengesan corak yang sebaliknya tidak akan disedari melalui perlombongan data.
Bagaimanakah model siri masa distrukturkan?
Untuk mengelakkan kekeliruan, adalah penting untuk memahami bahawa siri masa boleh dipecahkan kepada beberapa komponen. Dalam model aditif, sebagai contoh, kita mengatakan bahawa nilai pada masa tertentu ialah jumlah trend, bermusim dan kerawakan . Jika tingkah laku lebih kompleks, kita mungkin memerlukan model pendaraban di mana elemen-elemen ini saling mengukuhkan.
- Aliran: Ia adalah arah umum. Ia memberitahu kita sama ada keadaan akan naik, turun, atau sama ada ia akan kekal stabil dalam jangka masa panjang.
- Kemusim: Ini adalah corak yang berulang secara berkala. Contohnya, menjual lebih banyak selendang pada musim sejuk atau penggunaan elektrik yang meningkat pada siang hari.
- Kitaran: Tidak seperti bermusim, kitaran ialah pengulangan yang tidak mempunyai tempoh tetap dan dianalisis dari perspektif yang lebih global.
- Variasi atau hingar rawak: Itulah peristiwa-peristiwa yang tidak dapat diramalkan. data atau ralat yang bercanggah yang tidak mematuhi sebarang peraturan dan yang menjadikan ramalan satu cabaran.
Pendekatan dan metodologi pengelasan
Bergantung pada apa yang kita cari, kita boleh mendekati masalah tersebut dari sudut yang berbeza. Menginginkan anggaran pantas tidak sama dengan membina sistem ramalan yang hipertepat berdasarkan Kecerdasan Buatan dan penaakulan AI yang mendalam.
Model Klasik dan Bukan Parametrik
Di sini kita dapati alat seperti purata bergerak, yang digunakan untuk menilai turun naik jangka pendek dengan mengira min bagi selang masa tertentu. Terdapat juga pelicinan masa, yang memberikan lebih banyak pemberat kepada data yang lebih terkini untuk mencerminkan trend serta-merta dengan lebih baik. Kaedah ini biasanya bukan parametrik, kerana ia memberi tumpuan kepada menganggarkan trend tanpa menganggap proses tersebut mempunyai struktur tetap.
Model Bersepadu Autoregresif (ARIMA)
Apabila keadaan menjadi lebih serius, model ARIMA akan digunakan. Ini menggabungkan autoregresi, pembezaan dan purata bergerak. Ia merupakan pendekatan yang jauh lebih berkuasa untuk mengendalikan data kompleks dan siri tidak pegun, yang membolehkan data diubah sehingga ia menjadi stabil dan boleh diramal.
Pembelajaran Mendalam dan Rangkaian Neural
Dengan ledakan AI, kita kini menggunakan rangkaian saraf berulang dan model memori jangka pendek jangka panjang (LTSM) . Mesin-mesin ini mampu memproses sejumlah besar maklumat dan memahami bagaimana rangkaian saraf belajar untuk mengambil corak yang sangat kompleks yang model klasik tidak akan dapat mengenalinya, walaupun sudah tentu, ia memerlukan lebih banyak kuasa pengkomputeran.
Klasifikasi Teknikal Lanjutan
Untuk mendapatkan maklumat yang lebih teknikal, literatur khusus membahagikan teknik-teknik ini kepada beberapa kumpulan. Di satu pihak, terdapat kaedah domain frekuensi (seperti analisis wavelet) dan kaedah domain masa (seperti korelasi silang). Perbezaan juga dibuat antara kaedah parametrik, yang menggunakan beberapa parameter untuk menerangkan struktur proses, dan kaedah bukan parametrik, yang tidak menganggap sebarang struktur terdahulu.
Tambahan pula, kita boleh membincangkan model linear atau tak linear, dan sama ada ia univariat atau multivariat , bergantung pada berapa banyak pembolehubah yang kita analisis secara serentak. Dalam situasi kritikal, seperti pandemik Covid-19, kaedah berasaskan siri masa yang teguh telah terbukti kadangkala lebih baik daripada model tertentu (seperti model SIR), kerana ia membolehkan pengemaskinian andaian dengan pantas dengan data baharu.
Aplikasi dunia sebenar di tempat kerja
Pemodelan ini bukan sekadar teori matematik; ia digunakan dalam sektor yang mengendalikan berjuta-juta euro dan menyelamatkan nyawa. Dalam sektor penjagaan kesihatan , ia membantu meramalkan wabak dan mengurus sumber hospital sebelum krisis melanda. Dalam dunia kewangan dan perdagangan , ia merupakan alat utama untuk menjangka harga saham atau pergerakan mata wang kripto.
Dalam sektor tenaga, adalah penting untuk mengelakkan pembaziran sumber dengan mengira keperluan tenaga musim sejuk berdasarkan data dari tahun-tahun sebelumnya . Sebaliknya, e-dagang dan pemasaran menggunakannya untuk mengoptimumkan inventori dan mereka bentuk kempen pengiklanan yang menjangkau pengguna tepat pada masanya mereka berhasrat untuk membeli, sekali gus meningkatkan pengalaman dan kesetiaan pelanggan.
Keupayaan untuk mengubah data sejarah menjadi peta jalan membolehkan mana-mana organisasi, daripada kedai dalam talian kecil hinggalah kerajaan, meminimumkan risiko dan mengoptimumkan perancangan sumber manusia dan bahannya, sekali gus mengubah ketidakpastian masa depan menjadi strategi berdasarkan bukti statistik dan pengiraan.
