ለብዙ ዓመታት ሰዎች የአየር ሁኔታ ሁኔታዎችን፣ ኢኮኖሚያዊ እና ፖለቲካዊ ክስተቶችን እና የስፖርት ውጤቶችን ተንብየዋል፣ በቅርቡ ይህ ሰፊ ዝርዝር በ cryptocurrencies ተሞልቷል። ሁለገብ ክስተቶችን ለመተንበይ፣ ትንበያዎችን ለማዳበር ብዙ መንገዶች አሉ። ለምሳሌ፣ ውስጣዊ ስሜት፣ የባለሙያዎች አስተያየት፣ ያለፉትን ውጤቶች በመጠቀም ከባህላዊ ስታቲስቲክስ ጋር ማነፃፀር፣ እና ተከታታይ ጊዜ ትንበያ ከነሱ ውስጥ አንዱ ብቻ ሲሆን እጅግ በጣም ዘመናዊ እና ትክክለኛ የትንበያ አይነት ከብዙ አፕሊኬሽኖች ጋር።
የጊዜ ተከታታይ ዘዴ
A የጊዜ ተከታታይ (TS) ዘዴ በተወሰነ ጊዜ ውስጥ መረጃን የሚሰበስብ የውሂብ ስብስብ ነው። ይህን አይነት ለማውጣት ልዩ ዘዴዎች አሉ፡
- መስመር እና መስመራዊ ያልሆነ፤
- ፓራሜትሪክ እና ፓራሜትሪክ ያልሆነ፤
- አንድ-ልኬት እና ሁለገብ።
የትንበያ ጊዜተከታታዮች የዛሬን ተግዳሮቶች ለመቋቋም ልዩ የችሎታ ስብስቦችን ያመጣል። ሞዴሊንግ ከውሂብ ለውጥ በስተጀርባ ያለውን አንቀሳቃሽ ኃይል ለመመስረት በመማር ላይ የተመሰረተ ነው. ሂደቱ የሚመጣው ከረዥም ጊዜ አዝማሚያዎች፣ ወቅታዊ ውጤቶች፣ ወይም መደበኛ ካልሆኑ የቲኤስ ባህሪያት እና በሌሎች የትንተና ዓይነቶች ላይ ካልታዩ ለውጦች ነው።
የማሽን መማር የኮምፒዩተር ሳይንስ ዘርፍ ሲሆን ስልተ ቀመሮች ከመረጃ የተሰበሰቡ እና አርቴፊሻል ነርቭ ኔትወርኮችን፣ ጥልቅ ትምህርትን፣ የማህበራትን ህጎችን፣ የውሳኔ ዛፎችን፣ የማጠናከሪያ ትምህርትን እና የቤኤዥያን ኔትወርኮችን የሚያጠቃልሉበት ነው። የተለያዩ ስልተ ቀመሮች ችግሮችን ለመፍታት አማራጮችን ይሰጣሉ, እና እያንዳንዱ በመረጃ ግብዓት, ፍጥነት እና የውጤት ትክክለኛነት ላይ የራሱ መስፈርቶች እና ግብይቶች አሉት. እነዚህ፣ ከመጨረሻዎቹ ትንበያዎች ትክክለኛነት ጋር፣ ተጠቃሚው በጥናት ላይ ላለው ሁኔታ የትኛው ስልተ ቀመር በተሻለ ሁኔታ እንደሚሰራ ሲወስን ይመዘናል።
የጊዜ ተከታታይ ትንበያ ከስታቲስቲክስ መስክ ይበደራል፣ነገር ግን ለችግሮች ሞዴሊንግ አዲስ አቀራረቦችን ይሰጣል። የማሽን መማሪያ እና ተከታታይ ጊዜ ዋናው ችግር አንድ ነው - ቀደም ሲል በሚታወቅ መረጃ ላይ በመመስረት አዲስ ውጤቶችን ለመተንበይ።
የተገመተው ሞዴል ዒላማ
TS በመደበኛ ክፍተቶች የሚሰበሰቡ የውሂብ ነጥቦች ስብስብ ነው። የረዥም ጊዜ አዝማሚያን ለመወሰን, የወደፊቱን ለመተንበይ ወይም ሌላ ዓይነት ትንተና ለማካሄድ ይተነትናል. TS ከመደበኛው የማገገም ችግር የሚለዩ 2 ነገሮች አሉ፡
- በጊዜው ይወሰናሉ። ስለዚህምልከታዎቹ ገለልተኛ ናቸው የሚለው የመስመር ሪግሬሽን ሞዴል መሰረታዊ ግምት በዚህ ጉዳይ ላይ አልያዘም።
- ከማሳደግ ወይም የመቀነስ አዝማሚያ ጋር፣አብዛኛዎቹ ቲኤስዎች አንዳንድ ወቅታዊ ወቅቶች አሏቸው ማለትም ለተወሰነ ጊዜ የሚደረጉ ለውጦች።
የጊዜ ተከታታይ ትንበያ ሞዴል ግብ በፍላጎት ላይ ትክክለኛ ትንበያ መስጠት ነው። የጊዜ ተከታታይ ጊዜ (t) እንደ ገለልተኛ ተለዋዋጭ እና የታለመ ጥገኛ ተለዋዋጭ አለው። በአብዛኛዎቹ ሁኔታዎች ትንበያው የተወሰነ ውጤት ነው, ለምሳሌ, የአንድ ቤት ሽያጭ ዋጋ, የውድድር ስፖርት ውጤት, በአክሲዮን ልውውጥ ላይ የንግድ ልውውጥ ውጤቶች. ትንበያው አማካዩን እና አማካኙን ይወክላል እና ከ80-95% ባለው ክልል ውስጥ ያለውን የመተማመንን ጊዜ የሚገልጽ የመተማመን ጊዜን ያካትታል። በመደበኛ ክፍተቶች ሲመዘገቡ ሂደቶቹ የጊዜ ተከታታይ ይባላሉ እና በሁለት መንገዶች ይገለጻሉ፡
- አንድ-ልኬት ከግዜ መረጃ ጠቋሚ ጋር ስውር ቅደም ተከተል የሚፈጥር፤
- አንድ ስብስብ ባለሁለት ልኬቶች፡ ጊዜ ከገለልተኛ ተለዋዋጭ እና ሌላ ጥገኛ ተለዋዋጭ።
ባህሪያትን መፍጠር በተግባራዊ የማሽን መማሪያ ውስጥ በጣም አስፈላጊ እና ጊዜ የሚወስዱ ተግባራት አንዱ ነው። ሆኖም፣ የጊዜ ተከታታይ ትንበያ ባህሪያትን አይፈጥርም፣ ቢያንስ በባህላዊ መልኩ። ይህ በተለይ እውነት የሚሆነው ውጤቱን ወደፊት ብዙ እርምጃዎችን ለመተንበይ ሲፈልጉ ነው፣ እና የሚቀጥለው እሴት ብቻ አይደለም።
ይህ ማለት ባህሪያት ሙሉ በሙሉ ተሰናክለዋል ማለት አይደለም። በሚከተሉት ምክንያቶች በጥንቃቄ ብቻ ጥቅም ላይ መዋል አለባቸው፡
- ወደፊት ምን እውን እንደሚሆን ግልፅ አይደለም።እሴቶች ለእነዚህ ባህሪያት ይሆናሉ።
- እቃዎቹ ሊገመቱ የሚችሉ እና አንዳንድ ቅጦች ካላቸው፣ ለእያንዳንዳቸው የሚገመተው ሞዴል መገንባት ይችላሉ።
ነገር ግን ግምታዊ እሴቶችን እንደ ባህሪያቶች መጠቀም ስህተትን ወደ ኢላማው ተለዋዋጭ እንደሚያስተላልፍ እና ወደ ስህተቶች ወይም የተዛባ ትንበያ እንደሚያመራ ይገንዘቡ።
የጊዜ ተከታታይ ክፍሎች
አዝማሚያ የሚኖረው ተከታታዩ ሲጨምር፣ሲቀንስ ወይም በቋሚነት ደረጃ ላይ ሲቆይ ነው፣ስለዚህ እንደ ተግባር ይወሰዳል። ወቅታዊነት ማለት በቋሚ ድግግሞሽ (m) የሚደጋገሙ ወቅታዊ ንድፎችን የሚያሳይ የሰዓት ተከታታዮች ንብረትን ያመለክታል፣ ለምሳሌ m=12 ማለት ጥለት በየአስራ ሁለት ወሩ ይደገማል ማለት ነው።
ከወቅታዊነት ጋር የሚመሳሰሉ ዱሚ ተለዋዋጮች እንደ ሁለትዮሽ ተግባር ሊታከሉ ይችላሉ። እሴቱ የውጭም ባይሆንም ለምሳሌ በዓላትን፣ ልዩ ዝግጅቶችን፣ የግብይት ዘመቻዎችን ግምት ውስጥ ማስገባት ትችላለህ። ነገር ግን, እነዚህ ተለዋዋጮች የተወሰኑ ቅጦች ሊኖራቸው እንደሚገባ ማስታወስ ያስፈልግዎታል. ነገር ግን የቀናት ብዛት ለወደፊት ወቅቶችም ቢሆን በቀላሉ ሊሰላ እና በሰአት ተከታታዮች ትንበያ ላይ በተለይም በፋይናንሺያል አካባቢ ላይ ተጽእኖ ማሳደር ይቻላል።
ዑደቶች በተወሰነ ፍጥነት የማይከሰቱ ወቅቶች ናቸው። ለምሳሌ፣ የካናዳ ሊንክስ አመታዊ የመራቢያ ባህሪያት ወቅታዊ እና ዑደት ንድፎችን ያንፀባርቃሉ። በመደበኛ ክፍተቶች አይደጋገሙም እና ድግግሞሹ 1 (m=1) ቢሆንም ሊከሰቱ ይችላሉ።
የቀሩ እሴቶች -የተለዋዋጭ የዘገየ እሴት እንደ ትንበያዎች ሊካተት ይችላል። እንደ ARIMA፣ Vector Autoregression (VAR) ወይም Autoregressive Neural Networks (NNAR) ያሉ አንዳንድ ሞዴሎች በዚህ መንገድ ይሰራሉ።
የፍላጎት ተለዋዋጭ አካላት ለጊዜ ተከታታይ ትንተና እና ትንበያ፣ ባህሪያቸውን ለመረዳት እና ተገቢውን ሞዴል ለመምረጥ እንዲችሉ በጣም አስፈላጊ ናቸው።
የውሂብ ስብስብ ባህሪያት
በሺዎች፣ ሚሊዮኖች እና በቢሊዮኖች የሚቆጠሩ የውሂብ ነጥቦችን ወደ ማሽን መማሪያ ሞዴሎች ለማስገባት ሊጠቀሙበት ይችላሉ፣ ነገር ግን ይህ ለተከታታይ ጊዜ አያስፈልግም። እንደ እውነቱ ከሆነ እንደ ተለዋዋጭ ድግግሞሽ እና አይነት ከትንሽ እና መካከለኛ ቲኤስ ጋር መስራት ይቻላል, እና ይህ ዘዴው ጎጂ አይደለም. በተጨማሪም፣ ለዚህ አካሄድ ብዙ ጥቅሞች አሉት፡
- እንዲህ ያሉት የመረጃ ስብስቦች ከቤት ኮምፒውተር አቅም ጋር ይዛመዳሉ።
- በአንዳንድ አጋጣሚዎች፣ ናሙና ብቻ ሳይሆን ሙሉውን የውሂብ ስብስብ በመጠቀም የጊዜ ተከታታይ ትንተና እና ትንበያን ያድርጉ።
- TS ርዝመት ሊተነተኑ የሚችሉ ግራፎችን ለመፍጠር ይጠቅማል። ይህ በጣም አስፈላጊ ነጥብ ነው, ምክንያቱም ፕሮግራመሮች በመተንተን ደረጃ በግራፊክስ ላይ ይደገፋሉ. ይህ ማለት ግን በትልቅ ተከታታይ ጊዜ አይሰሩም ማለት አይደለም፣ ነገር ግን መጀመሪያ ላይ አነስ ያሉ TSን ማስተናገድ መቻል አለባቸው።
- ከጊዜ ጋር የተያያዘ መስክ ያለው ማንኛውም የውሂብ ስብስብ ከጊዜ ተከታታይ ትንተና እና ትንበያ ተጠቃሚ ሊሆን ይችላል። ነገር ግን፣ ፕሮግራማሪው ትልቅ የውሂብ ስብስብ ካለው፣ ዲቢ (TSDB)የበለጠ ተገቢ ሊሆን ይችላል።
ከእነዚህ ስብስቦች ውስጥ አንዳንዶቹ በጊዜ ማህተም፣ በስርዓት ምዝግብ ማስታወሻዎች እና በፋይናንሺያል መረጃዎች ከተመዘገቡ ክስተቶች የመጡ ናቸው። TSDB ቤተኛ የሚሰራው በጊዜ ተከታታይነት ያለው በመሆኑ፣ይህን ቴክኒክ ለትልቅ የመረጃ ቋቶች ለመጠቀም ጥሩ አጋጣሚ ነው።
የማሽን መማር
የማሽን መማር (ኤምኤል) ከባህላዊ ተከታታይ የሰዓት ትንበያ ዘዴዎችን የላቀ ማድረግ ይችላል። የማሽን የመማር ዘዴዎችን በቲኤስ መረጃ ላይ ካሉት ክላሲካል ስታቲስቲካዊ ዘዴዎች ጋር በማነፃፀር ብዙ ጥናቶች አሉ። የነርቭ ኔትወርኮች በሰፊው ከተመረመሩ እና የ TS አቀራረቦችን ከተተገበሩ ቴክኖሎጂዎች ውስጥ አንዱ ነው። የማሽን የመማሪያ ዘዴዎች በጊዜ ተከታታይ ላይ በመመስረት የውሂብ አሰባሰብ ደረጃዎችን ይመራሉ. እነዚህ ስብስቦች ከM3 ወይም Kaggle ጋር ሲነፃፀሩ ንፁህ የቲኤስ ስብስቦችን በማሳየት ውጤታማ መሆናቸውን አረጋግጠዋል።
MO የራሱ ልዩ ችግሮች አሉት። ባህሪያትን ማዳበር ወይም አዲስ ትንበያዎችን ከዳታ ስብስብ ማመንጨት ለእሱ አስፈላጊ እርምጃ ነው እና በአፈፃፀም ላይ ትልቅ ተጽእኖ ሊያሳድር እና የቲኤስ ውሂብን ወቅታዊ እና ወቅታዊ ጉዳዮችን ለመፍታት አስፈላጊ መንገድ ሊሆን ይችላል። እንዲሁም፣ አንዳንድ ሞዴሎች ውሂቡን በትክክል እንዴት እንደሚያሟሉ ላይ ችግር አለባቸው፣ እና ካልሆነ ግን ዋናውን አዝማሚያ ሊያመልጡ ይችላሉ።
የጊዜ ተከታታዮች እና የማሽን መማሪያ አቀራረቦች አንዳቸው ከሌላው ተነጥለው መኖር የለባቸውም። የእያንዳንዱን አቀራረብ ጥቅም ለመስጠት አንድ ላይ ሊጣመሩ ይችላሉ. የትንበያ ዘዴዎች እና ተከታታይ ትንታኔዎች መረጃን ወደ አዝማሚያ እና ወቅታዊ መረጃ በመበስበስ ላይ ጥሩ ናቸው.ንጥረ ነገሮች. ይህ ትንታኔ በአልጎሪዝም ውስጥ በመታየት ላይ ያለ እና ወቅታዊ መረጃ ላለው ML ሞዴል እንደ ግብአት ሊያገለግል ይችላል፣ ይህም የሁለቱም አለም ምርጡን ይሰጣል።
የችግር መግለጫውን መረዳት
ለምሳሌ በአዲስ ከፍተኛ ፍጥነት ያለው የባቡር አገልግሎት የተሳፋሪዎችን ብዛት ከመተንበይ ጋር የተያያዘ TSን አስቡበት። ለምሳሌ, የ 2 ዓመታት ውሂብ አለዎት (ነሐሴ 2016 - መስከረም 2018) እና በዚህ መረጃ በሰዓት ደረጃ የ 2 ዓመት መረጃ (2016-2018) በሚቀጥሉት 7 ወራት ውስጥ የተሳፋሪዎችን ብዛት መተንበይ ያስፈልግዎታል የሚጓዙ መንገደኞች ብዛት፣ እና ወደፊት የነሱን ቁጥር መገመት ያስፈልጋል።
የመረጃ ስብስብ ንዑስ ስብስብ በጊዜ ተከታታይ፡
- የባቡር እና የሙከራ ፋይል መፍጠር።
- የመጀመሪያዎቹ 14 ወራት (ኦገስት 2016 - ኦክቶበር 2017) እንደ የስልጠና መረጃ ጥቅም ላይ ይውላሉ፣ እና የሚቀጥሉት 2 ወራት (ህዳር 2017 - ዲሴም 2017) የሙከራ ውሂብ ናቸው።
- የዳታ ስብስቡን በየቀኑ ያዋህዱ።
በተወሰነ ጊዜ ውስጥ እንዴት እንደሚለወጥ ለማየት የውሂብ ምስላዊነትን ያከናውኑ።
የማይገባ የግንባታ ዘዴ
በዚህ ጉዳይ ላይ ለ TS ትንበያ ጥቅም ላይ የዋለው ቤተ-መጽሐፍት ስታቲሞዴል ነው። ከእነዚህ አቀራረቦች ውስጥ ማንኛቸውም ከመተግበሩ በፊት መጫን አለበት. ምናልባት ስታቲሞዴል ቀድሞውኑ በፓይዘን አካባቢ ውስጥ ተጭኗል ፣ ግን ዘዴዎችን አይደግፍም።ትንበያ፣ ስለዚህ ከማጠራቀሚያው መዝጋት እና ከምንጩ መጫን ያስፈልግዎታል።
ለዚህ ምሳሌ የሳንቲም የጉዞ ዋጋ ገና ከመጀመሪያው እና በጠቅላላው ጊዜ የተረጋጋ ነው ማለት ነው። ይህ ዘዴ ቀጣዩ የሚጠበቀው ነጥብ ከመጨረሻው ነጥብ ጋር እኩል እንደሆነ እና ናይቭ አቀራረብ ተብሎ ይጠራል።
አሁን የሞዴሉን ትክክለኛነት በሙከራ ዳታ ስብስብ ላይ ለመፈተሽ መደበኛውን ልዩነት አስላ። ከRMSE እሴት እና ከላይ ካለው ግራፍ፣ Naive ለከፍተኛ ተለዋዋጭነት አማራጮች ተስማሚ አይደለም፣ ነገር ግን ለተረጋጉ ጥቅም ላይ ይውላል ብለን መደምደም እንችላለን።
ቀላል መካከለኛ ዘይቤ
ዘዴውን ለማሳየት ዋይ-ዘንጉ ዋጋውን እና X-ዘንጉ ደግሞ ጊዜን (ቀናትን) እንደሚወክል በማሰብ ገበታ ይሳሉ።
ከእሱ በመነሳት ዋጋው በዘፈቀደ የሚጨምር እና የሚቀንስ በትንሽ ህዳግ ነው ብለን መደምደም እንችላለን፣ ስለዚህም አማካዩ እሴቱ ቋሚ ነው። በዚህ አጋጣሚ፣ ካለፉት ቀናት አማካይ ጋር ተመሳሳይ የሆነ የቀጣዩን ክፍለ ጊዜ ዋጋ መገመት ይችላሉ።
ይህ ከዚህ ቀደም የተስተዋሉ ነጥቦች አማካይ ከሚጠበቀው ጋር የመተንበይ ዘዴ ቀላል አማካይ ዘዴ ይባላል።
በዚህ አጋጣሚ ከዚህ ቀደም የታወቁ እሴቶች ተወስደዋል፣ አማካዩ ይሰላል እና እንደ ቀጣዩ እሴት ይወሰዳል። በእርግጥ ይህ ትክክል አይሆንም፣ ግን በጣም ቅርብ ነው፣ እና ይህ ዘዴ በተሻለ ሁኔታ የሚሰራባቸው ሁኔታዎች አሉ።
በግራፉ ላይ በሚታዩት ውጤቶች ላይ በመመስረት ይህ ዘዴ በተሻለ ሁኔታ የሚሰራው በእያንዳንዱ ጊዜ ውስጥ ያለው አማካይ እሴት ቋሚ ሆኖ ሲቆይ ነው። ምንም እንኳን የዋህነት ዘዴ ከአማካይ የተሻለ ቢሆንም, ግን ለሁሉም የውሂብ ስብስቦች አይደለም. እያንዳንዱን ሞዴል ደረጃ በደረጃ መሞከር እና ውጤቱን እንደሚያሻሽል ወይም እንዳልሆነ ለማየት ይመከራል።
አማካኝ ሞዴል የሚንቀሳቀስ
በዚህ ገበታ መሰረት፣ ባለፉት ጊዜያት የዋጋ ጭማሪዎች በሰፊ ህዳግ ብዙ ጊዜ ጨምረዋል፣ አሁን ግን የተረጋጋ ናቸው ብለን መደምደም እንችላለን። የቀደመውን አማካኝ ዘዴ ለመጠቀም የሁሉንም የቀደመ ውሂብ አማካኝ መውሰድ ያስፈልግዎታል። የመነሻ ጊዜ ዋጋዎች በሚቀጥለው ጊዜ ትንበያ ላይ ከፍተኛ ተጽዕኖ ያሳድራሉ. ስለዚህ፣ ከቀላል አማካዩ እንደተሻሻለ፣ አማካኙን የዋጋ ንረት ላለፉት ጥቂት ጊዜያት ይውሰዱ።
ይህ የትንበያ ቴክኒክ ተንቀሳቃሽ አማካኝ ቴክኒክ ይባላል፣ አንዳንዴ "n" መጠን "ተንቀሳቃሽ መስኮት" ይባላል። ቀላል ሞዴል በመጠቀም, በ TS ውስጥ ያለው የሚቀጥለው እሴት የስልቱን ትክክለኛነት ለማረጋገጥ ይተነብያል. በግልጽ Naive ለዚህ የውሂብ ስብስብ አማካዩን እና ተንቀሳቃሽ አማካኙን ይበልጣል።
በቀላል ገላጭ ማለስለስ ዘዴ የትንበያው ልዩነት አለ። በተንቀሳቃሽ አማካኝ ዘዴ፣ ያለፉት "n" ምልከታዎች እኩል ክብደት አላቸው። በዚህ አጋጣሚ እያንዳንዱ ያለፈው 'n' ትንበያውን በራሱ መንገድ የሚነካበት ሁኔታዎች ሊያጋጥሙህ ይችላሉ። ያለፉትን ምልከታዎች በተለየ መንገድ የሚመዝነው ይህ ልዩነት ዘዴው ይባላልክብደት ያለው ተንቀሳቃሽ አማካይ።
የስርዓተ-ጥለት ተጨማሪነት
የጊዜ ተከታታዮች ትንበያ ስልተ ቀመሮችን ለማገናዘብ ከሚያስፈልጉት በጣም አስፈላጊ ንብረቶች ውስጥ አንዱ ከስልጠና ዳታ ጎራ ውጭ ቅጦችን የማውጣት ችሎታ ነው። ብዙ የኤምኤል ስልተ ቀመሮች በስልጠናው መረጃ በተገለፀው ክልል ላይ ብቻ የተገደቡ ስለሆኑ ይህ ችሎታ የላቸውም። ስለዚህ, ለ TS ተስማሚ አይደሉም, ዓላማው ውጤቱን ወደፊት ለማቀድ ነው.
ሌላው ጠቃሚ የTS ስልተ ቀመር ንብረት የመተማመን ክፍተቶችን የማግኘት እድል ነው። ይህ የቲኤስ ሞዴሎች ነባሪ ንብረት ቢሆንም፣ አብዛኛዎቹ የኤምኤል ሞዴሎች ሁሉም በስታቲስቲክስ ስርጭቶች ላይ የተመሰረቱ ስላልሆኑ ይህ አቅም የላቸውም።
TS ለመተንበይ ቀላል የሆኑ የስታቲስቲክስ ዘዴዎች ብቻ አይምሰላችሁ። በፍፁም እንደዛ አይደለም። በልዩ ጉዳዮች ላይ በጣም ጠቃሚ ሊሆኑ የሚችሉ ብዙ ውስብስብ አቀራረቦች አሉ. አጠቃላይ አውቶሬግሬሲቭ ኮንዲሽናል ሄትሮሴዳስቲክቲ (GARCH)፣ ባዬዥያን እና VAR ጥቂቶቹ ናቸው።
በጊዜ ተከታታዮች ላይ ሊተገበሩ የሚችሉ የኋለኛ ትንበያዎችን የሚጠቀሙ እና እንደ ነርቭ ኔትወርክ አውቶማቲካሊቲ (NNAR) ያሉ ባህሪያትን ማስተናገድ የሚችሉ የነርቭ ኔትወርክ ሞዴሎችም አሉ። ከተወሳሰቡ ትምህርት የተበደሩ የጊዜ ተከታታይ ሞዴሎችም አሉ፣ በተለይም በተደጋጋሚ የነርቭ አውታረ መረብ ቤተሰብ ውስጥ፣ እንደ LSTM እና GRU አውታረ መረቦች።
ግምት መለኪያዎች እና ቀሪ ምርመራዎች
በጣም የተለመዱ የትንበያ መለኪያዎች ናቸው።rms ማለት ብዙ ሰዎች የመልሶ ማቋቋም ችግሮችን ሲፈቱ የሚጠቀሙበት፡
- MAPE ምክንያቱም ሚዛኑ ነጻ ስለሆነ እና የስህተት ከትክክለኛዎቹ እሴቶች ሬሾን እንደ በመቶኛ ስለሚወክል፤
- MASE፣ ይህም ትንበያው ከአማካኝ አማካኝ ትንበያ ጋር ሲነጻጸር ምን ያህል ጥሩ አፈጻጸም እንዳለው ያሳያል።
የመተንበያ ዘዴ አንዴ ከተስተካከለ፣ ሞዴሎቹን ምን ያህል መያዝ እንደሚችል መገምገም አስፈላጊ ነው። ምንም እንኳን የግምገማ መለኪያዎች እሴቶቹ ከትክክለኛዎቹ እሴቶች ጋር ምን ያህል እንደሚቀራረቡ ለመወሰን ቢረዱም, ሞዴሉ ከ TS ጋር የሚስማማ መሆኑን አይገመግሙም. ይህንን ለመገምገም የተረፈው ጥሩ መንገድ ነው። ፕሮግራም አድራጊው የቲኤስ ቅጦችን ለመተግበር እየሞከረ ስለሆነ፣ ስህተቶቹ በአምሳያው ሊቀረጽ የማይችል ነገር ስለሚወክሉ እንደ "ነጭ ድምጽ" እንዲመስሉ መጠበቅ ይችላል።
"ነጭ ጫጫታ" የሚከተሉት ንብረቶች ሊኖሩት ይገባል፡
- የቀሩ የማይገናኙ (Acf=0)
- ቀሪዎቹ መደበኛ ስርጭትን ከዜሮ አማካኝ (ያላዳላ) እና የማያቋርጥ ልዩነት ይከተላሉ።
- ከሁለቱ ንብረቶች አንዱ ከጠፋ፣ በአምሳያው ላይ መሻሻል ያለበት ቦታ አለ።
- ዜሮ ማለት ንብረቱ በቀላሉ ቲ-ሙከራን በመጠቀም መሞከር ይችላል።
- የመደበኛነት እና የቋሚ ልዩነት ባህሪያት በእይታ ቁጥጥር የሚደረግባቸው ሂስቶግራም ቀሪዎች ወይም ተገቢ የሆነ የዩኒቫሪይት መደበኛነት ሙከራ በመጠቀም ነው።
ARIMA ሞዴል
ARIMA - AutoRegressive Integrated Moving-Average ሞዴል፣ በቲኤስ ትንበያ ውስጥ በጣም ታዋቂ ከሆኑ ዘዴዎች አንዱ ነው፣በዋነኛነትከፍተኛ ጥራት ያላቸው ሞዴሎችን ለመፍጠር በመረጃ ራስ-ሰር ግንኙነት።
የ ARIMA አሃዞችን ስንገመግም ዋናው ግምት መረጃው የቆመ ነው። ይህ ማለት አዝማሚያ እና ወቅታዊነት ልዩነቱን ሊነካ አይችልም. የአምሳያው ጥራት የእውነተኛ እሴቶችን የጊዜ እቅድ ከተገመቱት ዋጋዎች ጋር በማነፃፀር ሊገመገም ይችላል። ሁለቱም ኩርባዎች ቅርብ ከሆኑ, ሞዴሉ ከተተነተነው ጉዳይ ጋር እንደሚስማማ መገመት ይቻላል. ካለ ማናቸውንም አዝማሚያዎችን እና ወቅታዊነትን ማሳወቅ አለበት።
የቅሪዎቹ ትንተና ሞዴሉ የሚስማማ ከሆነ ማሳየት አለበት፡ የዘፈቀደ ቀሪዎች ማለት ትክክል ነው። ARIMAን በመለኪያዎች (0፣ 1፣ 1) መግጠም ልክ እንደ ገላጭ ማለስለስ ተመሳሳይ ውጤት ያስገኛል።
የ ARIMA ቅንብሮችን በ Excel ውስጥ መድረስ ይችላሉ፡
- ኤክሴል ጀምር።
- በመሳሪያ አሞሌው ላይ XL MINERን ያግኙ።
- በሪባን ላይ፣ ከተቆልቋይ ምናሌው ARIMA የሚለውን ይምረጡ።
የ ARIMA ሞዴል ችሎታዎች ማጠቃለያ፡
- ARIMA - አውቶሪግሬሲቭ የተቀናጀ ተንቀሳቃሽ አማካይ።
- የትንበያ ሞዴል በጊዜ ተከታታይ ትንተና ጥቅም ላይ ይውላል።
- ARIMA መለኪያ አገባብ፡ ARIMA (p, d,q) p=autoregressive ቃላቶች ቁጥር፣ d=ወቅታዊ ልዩነቶች ብዛት እና q=የሚንቀሳቀሱ አማካኝ ቃላት።
አልጎሪዝም በSQL አገልጋይ
የመስቀል ትንበያን ማከናወን ከጠቃሚዎቹ አንዱ ነው።የፋይናንስ ተግባራትን ለመተንበይ የጊዜ ተከታታይ ባህሪያት. ሁለት ተዛማጅ ተከታታዮች ጥቅም ላይ ከዋሉ፣ የተገኘው ሞዴል የሌሎችን ባህሪ መሰረት በማድረግ የአንድ ተከታታዮችን ውጤት ለመተንበይ ጥቅም ላይ ሊውል ይችላል።
SQL አገልጋይ 2008 ለመማር እና ለመጠቀም ኃይለኛ አዲስ የሰዓት ተከታታይ ባህሪያት አሉት። መሳሪያው በቀላሉ ተደራሽ የሆነ የቲኤስ ዳታ፣ ለአጠቃቀም ቀላል የሆነ የስልተ-ቀመር ተግባራትን ለመምሰል እና ለማባዛት እና የማብራሪያ መስኮት ያለው ከአገልጋይ ወገን DMX መጠይቆች ጋር የሚያገናኝ በመሆኑ በውስጡ ምን እየተፈጠረ እንዳለ መረዳት ይችላሉ።
የገበያ ጊዜ ተከታታይ ጥልቅ የመማሪያ ሞዴሎች እና ስልተ ቀመሮች የሚተገበሩበት ሰፊ ቦታ ነው። ባንኮች፣ ደላሎች እና ገንዘቦች አሁን በመረጃዎች፣ የምንዛሪ ዋጋዎች፣ የወደፊት ሁኔታዎች፣ የክሪፕቶፕ ዋጋዎች፣ የመንግስት አክሲዮኖች እና ሌሎችም ትንተና እና ትንበያ በማሰማራት እየሞከሩ ነው።
በጊዜ ተከታታይ ትንበያ፣ የነርቭ ኔትወርክ የገበያውን አወቃቀሮች እና አዝማሚያ በማጥናት ሊገመቱ የሚችሉ ንድፎችን ያገኛል እና ለነጋዴዎች ምክር ይሰጣል። እነዚህ ኔትወርኮች እንደ ያልተጠበቁ ጫፎች፣ መውደቅ፣ የአዝማሚያ ለውጦች እና የደረጃ ፈረቃ ያሉ ያልተለመዱ ነገሮችን ለመለየት ሊያግዙ ይችላሉ። ብዙ ሰው ሰራሽ የማሰብ ችሎታ ሞዴሎች ለፋይናንሺያል ትንበያዎች ጥቅም ላይ ይውላሉ።
