पूर्वानुमान मांग, सीसी पर लोड, उत्पाद सिफारिशों और विसंगतियों को खोजने में समय श्रृंखला

लेख में समय श्रृंखला, हल किए जाने वाले कार्यों और उपयोग किए गए एल्गोरिदम की गुंजाइश पर चर्चा की गई है। टाइम सीरीज़ फोरकास्टिंग का उपयोग पूर्वानुमान की मांग, संपर्क केंद्र पर लोड, सड़क और इंटरनेट ट्रैफ़िक, अनुशंसा प्रणालियों में कोल्ड स्टार्ट समस्या को हल करने और उपकरणों और उपयोगकर्ताओं के व्यवहार में विसंगतियों को खोजने के लिए किया जाता है।

आइए कार्यों पर अधिक विस्तार से विचार करें।

1) मांग की भविष्यवाणी।

उद्देश्य: गोदाम की लागत को कम करने और कर्मचारियों के काम के कार्यक्रम का अनुकूलन करने के लिए।

कैसे हल किया जाए: माल की खरीद का पूर्वानुमान और ग्राहकों की संख्या, हम गोदाम में माल की मात्रा को कम करते हैं, और एक निश्चित समय सीमा में जितना खरीदते हैं उतना ही स्टोर करते हैं। समय में प्रत्येक क्षण ग्राहकों की संख्या जानने के बाद, हम एक इष्टतम कार्य कार्यक्रम तैयार करेंगे ताकि न्यूनतम लागत के साथ, पर्याप्त संख्या में कर्मियों की संख्या होगी।

2) वितरण सेवा पर लोड की भविष्यवाणी

उद्देश्य: चरम भार पर रसद के पतन को रोकने के लिए।

कैसे हल किया जाए: आदेशों की संख्या की भविष्यवाणी करते हुए, कारों और कोरियर की इष्टतम संख्या को लाइन में लाएं।

3) संपर्क केंद्र पर लोड का पूर्वानुमान

उद्देश्य: संपर्क केंद्र की आवश्यक उपलब्धता सुनिश्चित करने के लिए मजदूरी निधि की न्यूनतम लागत पर।

कैसे हल करें: समय के साथ कॉल की संख्या की भविष्यवाणी करते हुए, हम ऑपरेटरों के लिए इष्टतम अनुसूची बनाएंगे।

4) यातायात पूर्वानुमान

उद्देश्य: स्थायी संचालन के लिए सर्वर और बैंडविड्थ की संख्या की भविष्यवाणी करना। ताकि आपकी सेवा किसी लोकप्रिय श्रृंखला या फुटबॉल मैच के प्रीमियर के दिन न गिर जाए;)

5) नकदी संग्रह एटीएम के इष्टतम समय की भविष्यवाणी

उद्देश्य: एटीएम नेटवर्क में संग्रहीत नकदी की मात्रा को कम करना

6) सिफारिश प्रणालियों में कोल्ड स्टार्ट समाधान

उद्देश्य: नए उपयोगकर्ताओं के लिए प्रासंगिक उत्पादों की सिफारिश करना।

जब उपयोगकर्ता ने कई खरीदारी की है, तो सिफारिशों के लिए एक सहयोगी फ़िल्टरिंग एल्गोरिदम बनाया जा सकता है, लेकिन जब कोई उपयोगकर्ता जानकारी नहीं होती है, तो यह सबसे लोकप्रिय उत्पादों की सिफारिश करने के लिए इष्टतम है।

समाधान: उत्पादों की लोकप्रियता उस समय पर निर्भर करती है जब सिफारिश की जाती है। समय श्रृंखला पूर्वानुमान का उपयोग किसी भी समय प्रासंगिक उत्पादों की पहचान करने में मदद करता है।

पिछले लेख में सिफारिश करने वाले सिस्टम के निर्माण के लिए जीवन हैक पर चर्चा की गई थी।

7) विसंगतियों के लिए खोजें

उद्देश्य: उपकरण के संचालन में समस्याओं और व्यापार में गैर-मानक स्थितियों की पहचान करना
समाधान: यदि मापा मूल्य पूर्वानुमान के विश्वास अंतराल से बाहर खटखटाया जाता है, तो एक विसंगति का पता लगाया जाता है। यदि यह एक परमाणु ऊर्जा संयंत्र है, तो यह दूरी के वर्ग को बढ़ाने का समय है;)

समस्या को हल करने के लिए एल्गोरिदम

1) मूविंग एवरेज

सरलतम एल्गोरिथ्म चलती औसत है। आइए अंतिम कुछ तत्वों के औसत की गणना करें और एक भविष्यवाणी करें। 10 दिनों से अधिक के मौसम पूर्वानुमान में, एक समान दृष्टिकोण का उपयोग किया जाता है।



जब यह महत्वपूर्ण होता है कि पंक्ति में अंतिम मान अधिक भार का योगदान करते हैं, तो हम गुणांक का परिचय तिथि की रीमोटनेस के आधार पर करते हैं, एक भारित मॉडल प्राप्त करते हैं:



तो, आप गुणांक W सेट कर सकते हैं ताकि अधिकतम वजन पिछले 2 दिनों और इनपुट पर गिर जाए।

चक्रीय कारक

सिफारिशों की गुणवत्ता चक्रीय कारकों से प्रभावित हो सकती है, जैसे कि सप्ताह के दिन के साथ संयोग, तिथि, छुट्टियों से पहले का समय आदि।


अंजीर। 1. एक प्रवृत्ति, एक मौसमी घटक और शोर में समय श्रृंखला के अपघटन का एक उदाहरण

घातीय चौरसाई चक्रीय कारकों के विचार का एक समाधान है।

3 बुनियादी तरीकों पर विचार करें

1. सरल चौरसाई (ब्राउन मॉडल)

यह श्रृंखला के अंतिम 2 तत्वों के लिए भारित औसत की गणना है।

2. डबल एंटी-अलियासिंग (होल्ट मॉडल)

इस प्रवृत्ति के आसपास के अवशिष्ट मूल्यों में प्रवृत्ति परिवर्तन और उतार-चढ़ाव को ध्यान में रखता है।



हम अवशिष्ट ® और प्रवृत्ति (डी) में परिवर्तन की भविष्यवाणी की गणना करते हैं। Y का अंतिम मान इन दो राशियों का योग है।

3. ट्रिपल स्मूथिंग (होल्ट-विंटर्स मॉडल)

ट्रिपल स्मूथिंग इसके अतिरिक्त मौसमी उतार-चढ़ाव को भी ध्यान में रखता है।



ट्रिपल स्मूदी फॉर्मूला।

ARIMA और SARIMA एल्गोरिथम

एआरआईएमए के उपयोग के लिए समय श्रृंखला की एक विशेषता वर्तमान और भविष्य से संबंधित पिछले मूल्यों का कनेक्शन है।

SARIMA मौसमी श्रृंखला के लिए एक विस्तार है। SARIMAX एक विस्तार है जिसमें एक बाहरी प्रतिगमन घटक शामिल है।

ARIMA मॉडल आपको एकीकृत या अंतर-स्थिर समय श्रृंखला अनुकरण करने की अनुमति देते हैं।

समय श्रृंखला के लिए ARIMA का दृष्टिकोण यह है कि श्रृंखला की स्थिरता का मूल्यांकन पहले किया जाता है।

अगला, इसी क्रम के अंतर को लेते हुए श्रृंखला को रूपांतरित किया जाता है और परिवर्तित मॉडल के लिए कुछ ARMA मॉडल का निर्माण पहले से ही किया जा रहा है।

ARMA एक लीनियर मल्टीपल रिग्रेशन मॉडल है।

यह महत्वपूर्ण है कि पंक्ति स्थिर है, अर्थात। माध्य और विचरण नहीं बदला। यदि श्रृंखला अस्थिर है, तो इसे स्थिर रूप में कम किया जाना चाहिए।

XGBoost - इसके बिना कहाँ

यदि किसी श्रृंखला में एक आंतरिक स्पष्ट संरचना नहीं है, लेकिन बाहरी प्रभावित करने वाले कारक (प्रबंधक, मौसम, आदि) हैं, तो हम मशीन सीखने के मॉडल जैसे कि बूस्टिंग, यादृच्छिक वन, प्रतिगमन, तंत्रिका नेटवर्क और एसवीएम का सुरक्षित रूप से उपयोग कर सकते हैं।

DATA4 टीम के अनुभव से, एटीएम नेटवर्क, लॉजिस्टिक्स और बिल्डिंग सिफारिश सिस्टम के रखरखाव का अनुकूलन, गोदाम की लागत, कर्मियों की लागतों के अनुकूलन को हल करने के लिए टाइम सीरीज़ का पूर्वानुमान मुख्य कार्यों में से एक है। SARIMA जैसे परिष्कृत मॉडल एक उच्च-गुणवत्ता वाला परिणाम देते हैं, लेकिन इसके लिए बहुत समय की आवश्यकता होती है और ये केवल कुछ निश्चित कार्यों के लिए उपयुक्त होते हैं।

अगले लेख में हम विसंगतियों की खोज के मुख्य दृष्टिकोण पर विचार करेंगे।

लेखों को आपकी रुचियों के लिए प्रासंगिक बनाने के लिए, नीचे दिए गए सर्वेक्षण को लें, या टिप्पणियों में लिखें कि निम्नलिखित लेख किस विषय पर लिखें।