Mielőtt rátérnénk a problémafelvetésre, ismerjük meg az idősoros adatokkal való munka alapvető fogalmait.

Idősoros adatok: Minden olyan adatot, amelyben időkomponens szerepel, idősoros adatnak nevezzük. Például egy ételrendelési alkalmazásban leadott rendelések száma naponta egy példa az idősoros adatokra.

Idősorelemzés: Idősoros adatok elemzése, hogy hasznos betekintést és mintákat találjon az idősorelemzésnek nevezett módon. Vegyünk ismét egy ételrendelési alkalmazás példáját. Előfordulhat, hogy az alkalmazás minden napra vonatkozóan óránként bejelentkezik. Észrevehetik, hogy ezekben az adatokban a rendelések száma szignifikánsan magasabb a 14-14 óra között, de lényegesen alacsonyabb a 16-16 óra között. Ez az információ hasznos lehet számukra, mivel így képesek lennének megbecsülni a nap egy bizonyos szakaszában szükséges szülõk számát. Ezért az idősorelemzés nélkülözhetetlen, ha bármilyen idősoros adattal dolgozik.

Idősoros előrejelzés: Az idősoros előrejelzés alapvetően a múltbeli adatokat veszi figyelembe, hogy előrejelzéseket készítsen a jövőről. Tegyük fel, hogy az ételrendelési alkalmazás meg akarja jósolni a napi rendelések számát a következő hónapra az erőforrások jobb megtervezése érdekében. Ehhez rengeteg múltbeli adatot fognak megvizsgálni, és felhasználni a pontos előrejelzéshez.

2 típusa van:
1. Kvantitatív (adatvezérelt)
— Adatok állnak rendelkezésre
— Történelmi minták ismétlődnek
— Nincs torzítás
— Összetett mintákat rögzít
< erős>2. Minőségi (adatvezérelt)
— Az adatok NEM állnak rendelkezésre
— Előfordulhat, hogy a történelmi minták NEM ismétlődnek
— Az elfogultság érintett, mivel a szakértői vélemény is érintett
— NEM rögzíthet összetett mintákat

Röviden, a múltbeli adatok vagy a szakértők egy bizonyos időszakra vonatkozó elemzése alapján az előrejelzési képességet idősoros előrejelzésnek vagy előrejelzésnek nevezik.

Milyen felhasználási esetei vannak az idősoros előrejelzésnek valós alkalmazásokban?

  1. Pénzügyi és üzleti terület: Az idővel felhalmozott adatok felhasználhatók a vállalat jövőbeli növekedésének, az igényeknek, az áraknak, a kockázatszámításnak és még sok másnak a megjósolására. A vállalatok felhasználhatják ezeket az adatokat fontos döntések meghozatalára a vásárlásokkal, a termeléssel, a piaci fenntarthatósággal, a stratégiai növekedéssel, a nyereség növelésével, a tőzsdével, az új tehetségek felvételével és így tovább.

2. Orvosi terület: A hordható technológia megjelenésével az idősorok előrejelzése fellendült az orvosi területen. A piacon kapható intelligens órák gyorsan összegyűjtik a fontos adatokat az alvási és edzési rutinról, a pulzusszámról, a vér oxigénszintjéről és még sok másról. Ha az adatpontok egy bizonyos ideig ott vannak, sokkal könnyebb azonosítani a mintákat. Vannak olyan intelligens elektronikus eszközök, amelyek megtanulják ezeket a rutinokat, és képesek előre jelezni, mielőtt az esemény megtörténne. Ilyen például az amerikai Deanna Recktenwald, akinek életét az almaóra mentette meg, mivel a ritka szívbetegségek kimutatásában segítette megmenteni az életét. Ez csak egy példa, amely bizonyítja, mire képesek ezek az intelligens eszközök.
Ráadásul ezt a koncepciót a járvány előrejelzésére használták a fertőzési ráta, a megnövekedett kórházi ellátás/szükséglet és így tovább.

3. Időjárás : Az időjárás előrejelzésnek köszönhetően előre tudjuk, ha esernyőt kell magunkkal vinnünk, miközben kilépünk otthona kényelméből. Világszerte vannak olyan meteorológiai állomások, amelyek rögzítik az időjárási viszonyokat, jól össze vannak kötve egymással, és hatalmas mennyiségű adatot tudnak felhalmozni szerte a világon.

Most, hogy ismerjük az alapokat, hogyan kezdjem? Hogyan viszonyuljunk az idősoros előrejelzéshez?

  1. Határozza meg a megoldandó problémát
  2. Gyűjtsön adatokat egy adott időszakra vonatkozóan
  3. Elemezze és elemezze az adatokat
  4. A modell felépítése, értékelése és előrejelzése

A következő az, amit előre jelezni szeretne?

  1. Mennyiség (például: nyereség, bevétel, ár)
  2. Részletesség (például: üzlet szintje, ország, állam, régió, világ)
  3. Gyakoriság (például: napi, heti, havi, éves)
  4. Horizont (például: mekkora a probléma rövid távon napi működési célokra, közepes a munkaerő-felvétel céljának kitűzésére, néhány hónapos vásárlásra, nagy a cég növekedésének éves tervezésére, például új piacra/helyszínre való belépésre, stratégiai döntésekre.

Az egyetlen dolog, amelyet szem előtt kell tartani, mielőtt továbblépne, az az, hogy az idősoros előrejelzéshez bizonyos figyelmeztetések is kapcsolódnak. Ezek a figyelmeztetések azokra a lépésekre vonatkoznak, amelyeket a probléma meghatározása során tanult meg.

  1. A részletességi szabály:Minél jobban összesítik az előrejelzéseket, annál pontosabbak az előrejelzésekben, pusztán azért, mert az összesített adatok kisebb szórással és ezáltal kisebb zajjal rendelkeznek. Gondolatkísérletként tegyük fel, hogy az ABC-nél, egy online szórakoztató streaming szolgáltatásnál dolgozik, és szeretné megjósolni néhány újonnan induló Mumbai tévéműsor nézettségét a következő egy évre. Pontosabb lenne-e az előrejelzésekben, ha városi vagy területi szinten jósolna? Nyilvánvalóan nehéz lehet pontosan megjósolni az egyes területek kilátásait, de ha összeadja az egyes területek megtekintések számát, és városi szinten mutatja be a végső előrejelzéseket, az előrejelzések meglepően pontosak lehetnek. Ennek az az oka, hogy egyes területeken a ténylegesnél alacsonyabb nézettséget jósolhatott, míg egyes területeken az előrejelzett megtekintések száma magasabb lehet. És ha mindezt összeadja, a zaj és a szórás kioltja egymást, így jó előrejelzést ad. Ezért nem szabad nagyon szemcsés szinteken jósolni.
  2. A gyakorisági szabály:Ez a szabály azt írja elő, hogy rendszeresen frissítse előrejelzéseit a beérkező új információk rögzítése érdekében. Folytassuk az ABC-vel, egy online szórakoztató streaming szolgáltatással, amely egy példa, ahol a probléma az előrejelzésben rejlik. egy újonnan induló tévéműsor nézettsége Mumbaiban a következő évben. Ha túl alacsonyan tartja a gyakoriságot, előfordulhat, hogy nem tudja pontosan rögzíteni a beérkező új információkat. Tegyük fel, hogy az előrejelzések frissítésének gyakorisága 3 hónap. Most a COVID-19 világjárvány miatt a lakókat körülbelül 2-3 hónapig otthonukba zárhatják, ezalatt jelentősen megnő a nézettség. Most, ha az előrejelzés gyakorisága csak 3 hónap, akkor nem fogja tudni megragadni a nézettség növekedését, amely jelentős veszteségekkel járhat, és rossz gazdálkodáshoz vezethet.
  3. A horizontszabály:Ha a horizontot több hónapra tervezi a jövőre nézve, nagyobb valószínűséggel lesz pontos a korábbi hónapokban, mint a későbbiekben. Térjünk vissza például az ABC-hez, egy online szórakoztató streaming szolgáltatáshoz. Tegyük fel, hogy az online szórakoztató streaming szolgáltatás 2019 decemberében előrejelzést adott a következő 6 hónap nézettségére vonatkozóan. Most az első két hónapra nézve elég pontos lehetett, de az előre nem látható COVID-19 helyzet miatt a tényleges A megtekintések száma a következő pár hónapban lényegesen magasabb lett volna a vártnál, mert mindenki otthon maradt. Minél messzebbre megyünk a jövőbe, annál bizonytalanabbak vagyunk az előrejelzéseket illetően.

Összefoglalva, ebben a cikkben megpróbáltam alapvető ismereteket adni az idősoros modellezésről és annak valós idejű alkalmazásairól. A jövőbeni cikkekben tovább fogok ásni az idősoros modellezés előrehaladott fogalmait, és valós idejű problémák megoldásával piszkosítom be a kezünket. Addig is jó tanulást :)