- Përkufizimi i serive kohore si grupe të dhënash të mbledhura në intervale të rregullta për të parashikuar trendet e ardhshme.
- Ndarja e komponentëve themelorë: trendi, sezonaliteti, ciklet dhe zhurma e rastësishme.
- Një krahasim midis qasjeve të ndryshme të modelimit, nga metodat klasike dhe ARIMA deri te të mësuarit e thellë dhe IA-ja.
- Zbatime praktike në sektorë kritikë si kujdesi shëndetësor, financat, energjia dhe tregtia elektronike.
Me siguri keni menduar se si disa kompani duket se e parashikojnë të ardhmen ose si e dinë saktësisht se kur do të ketë një kulm në kërkesë për një produkt. Nuk është magji apo një top kristali; ata përdorin analizën e serive kohore , një mjet i fuqishëm për të kuptuar se si evoluojnë të dhënat me kalimin e kohës dhe për të parashikuar se çfarë do të ndodhë.
Në thelb, po flasim për mbledhjen e të dhënave të marra në intervale të rregullta, siç janë reshjet ditore ose shitjet mujore. Gjëja interesante këtu është se ne nuk i trajtojmë të dhënat si pjesë të izoluara, por përkundrazi kuptojmë se e kaluara ndikon drejtpërdrejt në të ardhmen , duke na lejuar të zbulojmë modele që përndryshe do të kalonin pa u vënë re përmes nxjerrjes së të dhënave.
Si është strukturuar një model serie kohore?
Për të shmangur konfuzionin, është thelbësore të kuptohet se një seri kohore mund të ndahet në disa komponentë. Në një model aditiv, për shembull, themi se vlera në një moment të caktuar është shuma e trendit, sezonalitetit dhe rastësisë . Nëse sjellja është më komplekse, mund të na duhet një model shumëzues ku këta elementë përforcojnë njëri-tjetrin.
- Trendi: Është drejtimi i përgjithshëm. Na tregon nëse gjërat po shkojnë lart, poshtë, apo nëse do të mbeten të qëndrueshme në planin afatgjatë.
- Sezonaliteti: Këto janë modele që përsëriten periodikisht. Për shembull, shitja e më shumë shalleve në dimër ose rritja e konsumit të energjisë elektrike gjatë ditës.
- Cikli: Ndryshe nga sezonaliteti, ciklet janë përsëritje që nuk kanë një periudhë të caktuar dhe analizohen nga një perspektivë më globale.
- Variacion ose zhurmë e rastësishme: Janë ngjarje të paparashikueshme. të dhëna ose gabime kontradiktore që nuk ndjekin asnjë rregull dhe që e bëjnë parashikimin një sfidë.
Qasjet dhe metodologjitë e klasifikimit
Në varësi të asaj që kërkojmë, mund ta trajtojmë problemin nga këndvështrime të ndryshme. Dëshira për një vlerësim të shpejtë nuk është e njëjtë me ndërtimin e një sistemi parashikimi hiper-saktë bazuar në Inteligjencën Artificiale dhe arsyetimin e thellë të IA-së.
Modelet Klasike dhe Jo-Parametrike
Këtu gjejmë mjete si mesatarja lëvizëse, e cila përdoret për të vlerësuar luhatjet afatshkurtra duke llogaritur mesataren e një intervali të caktuar. Ekziston gjithashtu zbutja kohore, e cila u jep më shumë peshë të dhënave më të fundit për të pasqyruar më mirë trendin e menjëhershëm. Këto metoda zakonisht nuk janë parametrike, pasi ato përqendrohen në vlerësimin e trendit pa supozuar se procesi ka një strukturë fikse.
Modelet e Integruara Autoregresive (ARIMA)
Kur gjërat bëhen më serioze, hyjnë në lojë modelet ARIMA. Këto kombinojnë autoregresionin, diferencimin dhe mesataret lëvizëse. Është një qasje shumë më e fuqishme për trajtimin e të dhënave komplekse dhe serive jostacionare, duke lejuar që të dhënat të transformohen derisa të bëhen të qëndrueshme dhe të parashikueshme.
Mësimi i Thellë dhe Rrjetet Neuronale
Me bumin e inteligjencës artificiale, tani përdorim rrjete nervore rekurrente dhe modele të kujtesës afatshkurtër afatgjatë (LTSM) . Këto makina janë të afta të përpunojnë vëllime të mëdha informacioni dhe të kuptojnë se si rrjetet nervore mësojnë të kapin modele tepër komplekse që një model klasik as nuk do t'i njihte, megjithëse sigurisht, ato kërkojnë shumë më tepër fuqi llogaritëse.
Klasifikime Teknike të Avancuara
Për të qenë më teknik, literatura e specializuar i ndan këto teknika në disa grupe. Nga njëra anë, ekzistojnë metoda të domenit të frekuencës (siç është analiza e valëzave) dhe metoda të domenit të kohës (siç është korrelacioni i kryqëzuar). Bëhet gjithashtu një dallim midis metodave parametrike, të cilat përdorin disa parametra për të përshkruar strukturën e procesit, dhe metodave jo-parametrike, të cilat nuk supozojnë ndonjë strukturë paraprake.
Për më tepër, mund të diskutojmë modele lineare ose jolineare, dhe nëse ato janë univariate ose multivariate , varësisht nga sa variabla po analizojmë njëkohësisht. Në situata kritike, siç është pandemia Covid-19, një metodë e fuqishme e bazuar në seri kohore është provuar të jetë ndonjëherë e preferueshme ndaj modeleve specifike (siç është modeli SIR), pasi lejon përditësimin e supozimeve menjëherë me të dhëna të reja.
Aplikime të botës reale në vendin e punës
Ky modelim nuk është vetëm teori matematikore; ai zbatohet në sektorë që trajtojnë miliona euro dhe shpëtojnë jetë. Në sektorin e kujdesit shëndetësor , ai ndihmon në parashikimin e epidemive dhe menaxhimin e burimeve spitalore përpara se të godasë një krizë. Në botën e financave dhe tregtimit , është mjeti kryesor për parashikimin e çmimeve të aksioneve ose lëvizjeve të kriptomonedhave.
Në sektorin e energjisë, është thelbësore të shmangni shpërdorimin e burimeve duke llogaritur nevojat për energji gjatë dimrit bazuar në të dhënat nga vitet e kaluara . Nga ana tjetër, tregtia elektronike dhe marketingu e përdorin atë për të optimizuar inventarin dhe për të hartuar fushata reklamuese që i arrijnë përdoruesit pikërisht kur ata kanë ndërmend të blejnë, duke përmirësuar kështu përvojën dhe besnikërinë e klientit.
Aftësia për të transformuar të dhënat historike në një plan veprimi i lejon çdo organizate, nga një dyqan i vogël online deri te një qeveri, të minimizojë rreziqet dhe të optimizojë planifikimin e burimeve të saj njerëzore dhe materiale, duke e shndërruar pasigurinë e së nesërmes në një strategji të bazuar në prova statistikore dhe llogaritëse.
