- Kahulugan ng serye ng oras bilang mga hanay ng datos na nakolekta sa mga regular na pagitan upang mahulaan ang mga trend sa hinaharap.
- Pagbabahagi ng mga pangunahing bahagi: kalakaran, pana-panahon, mga siklo at random na ingay.
- Isang paghahambing sa pagitan ng iba't ibang pamamaraan ng pagmomodelo, mula sa klasikal at ARIMA na mga pamamaraan hanggang sa deep learning at AI.
- Mga praktikal na aplikasyon sa mga kritikal na sektor tulad ng pangangalagang pangkalusugan, pananalapi, enerhiya, at e-commerce.
Malamang ay naisip mo na kung paano tila hinuhulaan ng ilang mga kumpanya ang hinaharap o kung paano nila nalalaman nang eksakto kung kailan magkakaroon ng pinakamataas na demand para sa isang produkto. Hindi ito mahika o isang kristal na bola; gumagamit sila ng time series analysis , isang makapangyarihang kasangkapan para maunawaan kung paano nagbabago ang data sa paglipas ng panahon at mahulaan kung ano ang darating.
Sa madaling salita, pinag-uusapan natin ang pagkolekta ng datos na kinukuha sa mga regular na pagitan, tulad ng pang-araw-araw na pag-ulan o buwanang benta. Ang kawili-wili rito ay hindi natin tinatrato ang datos bilang magkakahiwalay na piraso, ngunit sa halip ay nauunawaan natin na ang nakaraan ay direktang nakakaimpluwensya sa hinaharap , na nagbibigay-daan sa atin na matukoy ang mga padron na kung hindi man ay hindi mapapansin sa pamamagitan ng data mining.
Paano nakabalangkas ang isang modelo ng serye ng oras?
Upang maiwasan ang kalituhan, mahalagang maunawaan na ang isang time series ay maaaring hatiin sa ilang bahagi. Sa isang additive model, halimbawa, sinasabi natin na ang value sa isang partikular na sandali ay ang kabuuan ng trend, seasonality, at randomness . Kung ang behavior ay mas kumplikado, maaaring kailanganin natin ng multiplicative model kung saan ang mga elementong ito ay nagpapatibay sa isa't isa.
- Trend: Ito ang pangkalahatang direksyon. Sinasabi nito sa atin kung ang mga bagay ay tataas, bababa, o kung mananatili itong matatag sa pangmatagalan.
- seasonality: Ito ay mga padron na paulit-ulit na nauulit. Halimbawa, ang pagbebenta ng mas maraming scarf sa taglamig o pagtaas ng konsumo ng kuryente sa araw.
- Ikot: Hindi tulad ng pana-panahon, ang mga siklo ay mga pag-uulit na walang takdang panahon at sinusuri mula sa isang mas pandaigdigang pananaw.
- Random na pagkakaiba-iba o ingay: Iyon ang mga pangyayaring hindi inaasahan. magkasalungat na datos o mga error na hindi sumusunod sa anumang mga patakaran at ginagawang hamon ang hula.
Mga pamamaraan at metodolohiya sa pag-uuri
Depende sa ating hinahanap, maaari nating lapitan ang problema mula sa iba't ibang anggulo. Ang pagnanais ng mabilis na pagtatantya ay hindi katulad ng pagbuo ng isang napaka-tumpak na sistema ng prediksyon batay sa Artificial Intelligence at malalim na pangangatwiran ng AI.
Mga Klasikal at Di-Parametrikong Modelo
Dito makikita natin ang mga kagamitan tulad ng moving average, na ginagamit upang suriin ang mga panandaliang pagbabago-bago sa pamamagitan ng pagkalkula ng mean ng isang partikular na interval. Mayroon ding time smoothing, na nagbibigay ng mas maraming bigat sa mas bagong datos upang mas maipakita ang agarang trend. Ang mga pamamaraang ito ay karaniwang hindi parametric, dahil nakatuon ang mga ito sa pagtantya ng trend nang hindi ipinapalagay na ang proseso ay may nakapirming istruktura.
Mga Pinagsamang Modelo ng Autoregressive (ARIMA)
Kapag nagiging mas seryoso ang mga bagay-bagay, ginagamit ang mga modelong ARIMA. Pinagsasama nito ang autoregression, differencing, at moving averages. Ito ay isang mas makapangyarihang pamamaraan para sa paghawak ng mga kumplikadong datos at mga non-stationary series, na nagpapahintulot sa data na mabago hanggang sa ito ay maging matatag at mahuhulaan.
Malalim na Pagkatuto at mga Neural Network
Dahil sa pag-usbong ng AI, gumagamit na tayo ngayon ng mga recurrent neural network at long-term short-term memory (LTSM) model . Ang mga makinang ito ay may kakayahang magproseso ng napakaraming impormasyon at umunawa kung paano natututong pumili ang mga neural network ng mga hindi kapani-paniwalang kumplikadong pattern na hindi kayang kilalanin ng isang klasikong modelo, bagama't siyempre, nangangailangan ang mga ito ng mas maraming computing power.
Mga Advanced na Teknikal na Klasipikasyon
Para sa mas teknikal na aspeto, hinahati ng mga espesyalisadong literatura ang mga pamamaraang ito sa ilang grupo. Sa isang banda, may mga pamamaraan ng frequency-domain (tulad ng wavelet analysis) at mga pamamaraan ng time-domain (tulad ng cross-correlation). May pagkakaiba rin sa pagitan ng mga parametric na pamamaraan, na gumagamit ng ilang mga parameter upang ilarawan ang istruktura ng proseso, at mga pamamaraan na hindi parametric, na hindi nagpapalagay ng anumang naunang istruktura.
Bukod pa rito, maaari nating talakayin ang mga linear o nonlinear na modelo, at kung ang mga ito ay univariate o multivariate , depende sa kung gaano karaming mga baryabol ang ating sinusuri nang sabay-sabay. Sa mga kritikal na sitwasyon, tulad ng pandemya ng Covid-19, ang isang matatag na pamamaraan batay sa time-series ay napatunayang minsan ay mas mainam kaysa sa mga partikular na modelo (tulad ng modelo ng SIR), dahil pinapayagan nito ang pag-update ng mga pagpapalagay nang mabilisan gamit ang mga bagong datos.
Mga aplikasyon sa totoong mundo sa lugar ng trabaho
Ang pagmomodelong ito ay hindi lamang teoryang matematikal; inilalapat ito sa mga sektor na humahawak ng milyun-milyong euro at nagliligtas ng mga buhay. Sa sektor ng pangangalagang pangkalusugan , nakakatulong ito sa paghula ng mga epidemya at pamamahala ng mga mapagkukunan ng ospital bago pa man tumama ang isang krisis. Sa mundo ng pananalapi at pangangalakal , ito ang pangunahing kasangkapan para sa pag-antisipa ng mga presyo ng stock o paggalaw ng cryptocurrency.
Sa sektor ng enerhiya, mahalaga ang pag-iwas sa pag-aaksaya ng mapagkukunan sa pamamagitan ng pagkalkula ng mga pangangailangan sa enerhiya sa taglamig batay sa datos mula sa mga nakaraang taon . Sa kabilang banda, ginagamit ito ng e-commerce at marketing upang i-optimize ang imbentaryo at magdisenyo ng mga kampanya sa advertising na umaabot sa mga gumagamit nang eksakto kung kailan nila balak bumili, sa gayon ay pinapabuti ang karanasan at katapatan ng customer.
Ang kakayahang baguhin ang makasaysayang datos tungo sa isang roadmap ay nagbibigay-daan sa anumang organisasyon, mula sa isang maliit na online store hanggang sa isang gobyerno, na mabawasan ang mga panganib at ma-optimize ang pagpaplano ng mga mapagkukunang pantao at materyal nito, na ginagawang isang estratehiya ang kawalan ng katiyakan ng kinabukasan batay sa ebidensyang istatistikal at komputasyonal.
