Մասնակից:Melvard/Ավազարկղ
Ժամանակային շարքերի կանխատեսում[խմբագրել | խմբագրել կոդը]
Ժամանակային շարքերի կանխատեսումը մեքենայական ուսուցման ուղղություն է, որը պատմական տվյալների հիման վրա ապագա արժեքի գնահատման գործընթաց է իրականացնում։ Ժամանակային շարքերի վերլուծությունը ներառում է ժամանակային շարքերի արդեն առկա տվյալների վերլուծության մեթոդներ` իմաստալից վիճակագրություն ստանալու համար։ Ժամանակային շարքը տվյալների կետերի այն շարքն է, որը դասավորված է ժամանակագրական հաջորդականությամբ: Ժամանակային շարքերում ժամանակը հաճախ հանդես է գալիս որպես անկախ փոփոխական[1] և նպատակը սովորաբար ապագայի արժեքների կանխատեսումներ անելն է և տվյալների այլ բնութագրեր արդյունահանելը: Այսպես ասած ժամանակային շարքերի կանխատեսումը նախորդ դիտարկված արժեքների հիման վրա ապագա արժեքները կանխատեսող մոդելի օգտագործումն է: Մեքենայական ուսուցման այս ուղղույթունը կարևոր դեր է խաղում տարբեր ոլորտներում բիզնեսի որոշումների կայացման գործում:
ժամանակային շարքերի կանխատեսումը ունի բազմաթիվ նրբերանգներ, որոնք այն տարբերում են սովորական մեքենայական ուսուցումից: Տվյալների մշակումից մինչև մոդելի հաստատում[2]։
ժամանակային շարքերի կանխատեսումը օգնում է բիզնեսին կայացնել տեղեկացված բիզնեսի որոշումներ, քանի որ այն կարող է հիմնված լինել պատմական տվյալների օրինաչափությունների վրա: Այն կարող է օգտագործվել ապագա պայմանների և իրադարձությունների կանխատեսման համար[3]: Որպես օրինակ վերցնենք հյուրանոցը: Եթե համակարգողը լավ պատկերացնում է, թե գալիք ամռանը քանի հյուրընկալող է սպասում, նրանք կարող են օգտագործել այս պատկերացումները աշխատակազմի կառավարման, բյուջեի կամ նույնիսկ հաստատության ընդլայնման համար: Նմանապես, ապագա իրադարձությունների վստահ ընկալումը կարող է օգուտ բերել արդյունաբերության և խնդիրների լայն շրջանակին ՝ սկսած ավանդական գյուղատնտեսությունից մինչև պահանջարկվող փոխադրումներ և այլն:
Ժամանակային շարքերի տվյալները[խմբագրել | խմբագրել կոդը]
Ժամանակային շարքը ժամանակի ընթացքում գրանցված տվյալների կետերի հաջորդականությունն է: Հետևաբար, ժամանակային շարքերի տվյալների հետ գործ ունենալիս հերթականությունը կարևոր է: Հետևապես, ժամանակային շարքի արժեքները կախվածություն են արտահայտում ժամանակից: Սա նշանակում է՝ եթե փոխենք ժամանակային շարքի հերթականությունը, մենք կարող ենք փոխել տվյալների իմաստը:
Սովորաբար ժամանակային շարքերի տվյալները ունեն հետևյար հատկությունները․
- Տվյալները չափվում են հաջորդաբար և ժամանակի հավասար հատվածներում
- Յուրաքանչյուր ժամանակային միավոր ունի առավելագույնը մեկ տվյալների չափում
Ժամանակային շարքերի կանխատեսում հիմնական նպատակներն են․
- Բացահայտել օրինաչափությունները, որոնք բացատրում են ժամանակային շարքերի վարքը
- Օգտագործել այդ օրինաչափություները՝ ապագա նոր արժեքներ կանխատեսելու համար
Պարզ կանխատեսման մեթոդներ[խմբագրել | խմբագրել կոդը]
Ժամանակային շարքերի կանխատեսումն ունի ալգորիթմների հարուստ ընտանիք: Ամենահիմնականներից մի քանիսը ներառում են.
- Շարժվող միջին մեթոդը
- «Միամիտ» մեթոդ
Այս ալգորիթմները պարզ են հասկանալու համար: Յուրաքանչյուրը վերցնում է տարբեր ենթադրություն՝ նոր արժեքներ կանխատեսելու համար: Միջինի մեթոդը ենթադրում է, որ ապագա իրադարձությունը լավագույնս նկարագրվում է անցյալի բոլոր իրադարձությունների միջին ցուցանիշով: Շարժվող միջինը լայնորեն օգտագործվող տեխնիկական ցուցանիշ է, որը հարթեցնում է տվյալների ծայարհեղ միտումները`զտելով« աղմուկը» պատահական կարճաժամկետ գների տատանումներից:Շարժվող միջինների ամենատարածված կիրառություններից է ՝ միտման մոտավոր ուղղությունը պարզելը[4]: Անցյալ բոլոր իրադարձությունների միջինը օգտագործելու փոխարեն, այն կանխատեսում է նոր իրադարձություն ՝ որպես միջինը վերջին արժեքների կանխորոշված քանակի նկատմամբ: Եվ, այսպես ասած «միամիտ» մեթոդը, որը ենթադրում է՝ հաջորդ իրադարձությունը հավասար կլինի ամենավերջինին:
Ժամանակային շարքերի օրինաչափությունները[խմբագրել | խմբագրել կոդը]
Այնուամենայնիվ, վերը թվարված պարզ մեթոդները անշուշտ լավ կանխատեսում չեն ստանա: Հետևաբար, օրինակ ձեր բիզնեսի որոշումները կարող են հաճախ ավելի վատ ստացվել, քան սպասում էիք: Այդ մեթոդները հաշվի չեն առնում բազմաթիվ տատանումներ, որոնք սովորաբար առկա են ժամանակային շարքերի տվյալների մեջ: Հետևաբար, հարցն իրականում այն է, թե ինչպե՞ս կարող ենք ավելի լավ կանխատեսման մեթոդներ օգտագործել: Դրա համար դիտարկվում են այն հիմնական օրինաչափությունները, որոնք սովորաբար առկա են ժամանակային շարքերում:
Ժամանակային շարքերի տվյալների մեծ մասը սովորաբար ունենում են գոնե մեկը այս երեք տեսակ ձևերից ՝ միտում (թրենդ), սեզոնայնություն և / կամ ցիկլեր: Համառոտ նկարագրենք յուրաքանյչյուրը․
Միտում[խմբագրել | խմբագրել կոդը]
Միտումը նկարագրում է ժամանակային շարքի ընդհանուր վարքագիծը: Եթե ժամանակային շարքը ժամանակի երկարաժամկետ ընթացքում այն դրսևորում է դրական թեքություն, այն ունի վերելքի (տե՛ս նկար 1) միտում: Եթե դրա փոխարեն այն դրսևորում է է ընդհանուր բացասական թեքություն, ապա այն ունի անկման (տե՛ս նկար 2) միտում: Այդպիսի միտման օրիանկներ ներկայացված են նկարներում՝ բերված Առողջապահության համաշխարհային կազմակերպության ինքնասպանությունների ցուցանիշների
Ընդհանուր միտումը կարող է նաև փոխել ուղղությունը՝ ունենալով վերելքի կամ անկման միտումներ միաժամանակ: Իսկ ահա ստացիոնար կամ հորիզոնական միտումը սահմանում է ժամանակային շարքեր՝ ո՛չ դրական, և ո՛չ էլ բացասական երկարաժամկետ թեքություններով:
Սեզոնայնություն[խմբագրել | խմբագրել կոդը]
Սեզոնայնությունը ընդհանուր համակարգված գծային կամ (առավել հաճախ) ոչ գծային բաղադրիչ է, որը ժամանակի ընթացքում փոխվում է և կրկնում[5]։ Սեզոնային օրինաչափությունը ժամանակային շարքում դիտվում է օրացույցի հետ կապված իրադարձություններում։
Այդպիսի իրադարձությունները կարող են լինել տարվա եղանակը (ինչպես ձմռենը կամ ամառը), կամ օրվա / շաբաթվա ժամանակը: Սեզոնայնությունը միշտ ունի ֆիքսված հաճախականություններ: Այսինքն ՝ սեզոնային օրինաչափությունը միշտ սկսվում և ավարտվում է շաբաթվա, տարվա նույն ժամանակահատվածում և այլն:
Որպես օրինակ վերցրեք տվյալների կենտրոնը: Եթե մենք հովացման համակարգը համարում ենք որպես էներգիայի սպառման հիմնական աղբյուր, ապա հեշտ է պատկերացնել, որ ամռանը էներգիայի ծախսերը հավանաբար բարձրանում են, իսկ ձմեռը կարող է ցույց տալ էներգիայի սպառման նվազում: Կամ ծանր վերարկուներ վաճառող հագուստի խանութը ձմռանը կարող է վաճառքի ավելի բարձր տեմպեր դիտարկել, ի տարբերություն ամռանը արված վաճառքների:
Ցիկլեր[խմբագրել | խմբագրել կոդը]
Ժամանակային շարքի ցիկլային օրինաչափությունը մի փոփոխություն է, որը կապված չէ սեզոնային գործոնների հետ: Սրանք ունենում են վերելքներ և անկումներ են ոչ ֆիքսված մեծությամբ, որոնք կարող են տևել ավելի քան օրացուցային տարին: Ցիկլային օրինաչափությունները կրկնվում են, բայց ոչ նույնորեն: Սովորաբար, դրանք առաջանում են արտաքին գործոններից, որոնց պատճառով կանխատեսումը շատ ավելի դժվար է դառնում:
Միտումը, սեզոնայնությունը և ցիկլերը ժամանակային շարքերի տվյալների ամենատարածված օրինաչափություններն են: Իմանալով, թե դրանք որոնք են և թե որոնք են դրանց բնութագրերը, ցանկացած վերլուծաբանի ձեռքում այդ օրինաչափությունները էական դիրք են գրավում գորիքակազմի մեջ:
Կարևոր է նշել, որ բոլոր ժամանակային շարքերն են կանխատեսելի: Ավելի կոնկրետ, նրանցից ոմանք երկարաժամկետ հեռանկարում կանխատեսելի օրինաչափություններ չեն ներկայացնում: Նման ժամանակային շարքերը դժվար է, եթե չասենք անհնար է կանխատեսել, քանի որ ապագա շարժումները հավասարապես հավանական են:
Այս տեսակի տվյալների կանխատեսման համար մենք սովորաբար օգտագործում ենք պատահական քայլելու մոդելը: Այս մոդելը ենթադրում է, որ հաջորդ իրադարձությունը բոլորովին կախված չէ նախորդից: Պատահական քայլելու տեսությունը ասում է, որ օրինակ բաժնետոմսերի գների փոփոխությունները նույն բաշխումն ունեն և անկախ են միմյանցից: Հետևաբար, դա ենթադրում է, որ բաժնետոմսի գնի կամ շուկայի անցյալ շարժումը կամ միտումը չի կարող օգտագործվել նրա հետագա շարժը կանխատեսելու համար: Մի խոսքով, պատահական քայլելու տեսությունը ասում է, որ բաժնետոմսերը գնում են պատահական և անկանխատեսելի կերպով, ուստի երկարաժամկետ հեռանկարում անօգուտ է բաժնետոմսերի գների կանխատեսման բոլոր մեթոդները[6]:Պատահական քայլելու մոդելները սովորաբար օգտագործվում են ֆինանսական և տնտեսական տվյալների հետ աշխատելիս:
Հիմնական կիրառությունները բիզնեսում[խմբագրել | խմբագրել կոդը]
Բացի տիպիկ ֆինանսական մոդելավորումից, ժամանակային շարքերի կանխատեսումը շատ ավելի լայն կարող է կիրառվել, հատկապես պահանջարկը կանխատեսելիս: Շատ անարդյունավետ կլինի ժամանակային շարքերի միայն ֆինանսական կանխատեսմամբ սահմանափակվելը : Ահա ժամանակային շարքերի կանխատեսման 4 հստակ տարբեր նմուշներ, որոնք կազմում են կիրառության ընդամենը շատ չնչին մասը[7]։
Առցանց օգտագործողների կանխատեսում[խմբագրել | խմբագրել կոդը]
Ժամանակային շարքերի հաջող մոդելը կանխատեսում է օրինակ ~600,000 օգտատերերի մոտակա մի քանի ժամվա ընթացքում առցանց մուտք գործելու դեպքերի քանակը: Սպորտային առցանց հեռարձակում իրականացնող պլատֆորմը արդեն գիտի, որ մեծ իրադարձության շնորհիվ այդ ժամանակ շատ մարդիկ կլինեն առցանց: Բայց հիմա նա կարող է ավելի լավ պլանավորել, թե որքան լրացուցիչ սերվեր և ենթակառուցվածք է անհրաժեշտ առցանց հարթակի համար ՝ ելնելով առցանց օգտագործողների կանխատեսված թվից: Բացի այդ, այդ սերվերներն օգտագործվում են միայն օրվա որոշակի ժամանակահատվածի համար ՝ անջատելով դրանք օրվա մնացած մասը ՝ գումար խնայելու համար: Ժամանակային շարքերի մեկ այլ մոդելը կանխատեսում է առցանց օգտվողների զգալի աճ նախորդ տարվա համեմատ և նույնիսկ ավելին նախորդ տարվա նույն ժամանակահատվածի համեմատ: Ընկերությունը որոշում է, որ հասել է զգալի աճի շարունակման մի կետի, և այժմ ճիշտ ժամանակն է ներդրումներ կատարելու՝ հաջորդ տարիներին ավելի լավ ենթակառուցվածքների զարգացման համար։
Երթևեկության կանխատեսում[խմբագրել | խմբագրել կոդը]
Սենսորային սարքը յուրաքանչյուր 20 րոպեն մեկ գրանցում է խաչմերուկը հատող մեքենաների քանակը: Օգտագործելով յուրաքանչյուր 20 րոպեն անցնող տրանսպորտային միջոցների այս հաշվարկը, ժամանակային շարքերի մոդելը կանխատեսում է, որ խաչմերուկում երթևեկությունը, հավանաբար, կտրուկ կաճի հաջորդ 20 րոպեի ընթացքում: Այժմ ձեր ճանապարհորդության պլանավորման ծրագիրը որոշում է երթուղի անցկացնել ՝ խցանված, խնդրահարույց խաչմերուկից խուսափելու համար ՝ իր հերթին երթևեկությունը ավելի հավասարաչափ բաշխելով:
Հաճախորդի գոհունակության կանխատեսում[խմբագրել | խմբագրել կոդը]
Հաճախորդների դիտարկումները ամեն օր հավաքվում և վերլուծվում են առցանց, և նրանց տրամադրության ընդհանուր գնահատումը ցույց է տալիս, թե արդյոք նրանք գոհ են, թե նեղված են ընկերությունից: Ամեն օր մի թիվ գրանցվում է -1-ից (ամենից շատ հիասթափված) մինչև +1 (ամենաերջանիկ): Ընկերությունը մտածում է այն մասին, թե արդյոք պետք է ձեռնպահ մնա անհապաղ գործողություններ ձեռնարկելուց և խնայել ժամանակն ու ռեսուրսները՝ հուսալով, որ ցուցանիշները կրկին կարող են դրական լինել։ Սակայն Ժամանակային շարքերի կանխատեսումը ենթադրում է, որ դժվար թե բարելավվի, և առաջիկա մի քանի օրերի ընթացքում այն կշարունակի անկում գրանցել `դառնալով ընկերության համար անընդունելի ցուցանիշ: Պոտենցիալ այդ կետին հասնելուց առաջ ընկերությունը հնարավորություն է ունենում որոշում կայացնելու՝ հիմնվելով այս մոդելի վրա ու ուղղում է լրացուցիչ ռեսուրսներ ՝ հաճախորդների սպասարկման թիմին օգնելու համար կենտրոնանալու հաճախորդների վրա՝ այս միտումը ճիշտ ուղղությամբ տանելու համար:
Անձնակազմի շրջանառության կանխատեսում[խմբագրել | խմբագրել կոդը]
Բազմաթիվ գործոններ կարող են բերել աշխատողների շրջանառության ( աշխատակիցների շրջանառությունը վերաբերում է այն աշխատողների համամասնությանը, ովքեր որոշակի ժամանակահատվածում դուրս են գալիս կազմակերպությունից (հաճախ տարեկան կտրվածքով) `արտահայտված որպես աշխատուժի ընդհանուր թվերի տոկոս): Բանն այն է․ որր տարվա մեջ կարող են լինել որոշակի ամիսներ, երբ աշխատողների շրջանառությունը մի փոքր ավելի է, քան մյուս ամիսներին: Միգուցե հավաքագրող գործակալություններն օգտագործում են Նոր տարին ՝ Ամանորի կարիերայի նպատակներին հասնելու և մարդկանց աշխատավարձ վճարելու համար, կամ ավելի քիչ զբաղված ժամանակահատվածում ընկերությունից հեռանալը թույլ է տալիս աշխատակցին սահուն փոխել աշխատանքը: Նոր աշխատողներ գտնելը և դրանց բեռնաթափումը կարող են ժամանակատար և թանկ լինել: Ընկերությունը կցանկանար տեսնել, թե ինչ է կանխատեսում ժամանակային շարքի մոդելը, կախված նրանից, թե որ ամիսներն է դիտվում աշխատողների ավելի մեծ շրջանառություն, որպեսզի մինչ այդ ընկերությունը կարողանա իրականացնել աշխատողների պահպանման ծրագրեր, որպեսզի չլքեն կազմակերպությունը:
Գրականություն[խմբագրել | խմբագրել կոդը]
- James Douglas Hamilton (1994), “Time Series Analysis” (Amazon link)
- Chris Chatfield, “The Analysis of Time Series: An Introduction”
- Douglas C. Montgomery, Cheryl L. Jennings, and Murat Kulahci, “Introduction to Time Series Analysis and Forecasting”
- Galit Shmueli and Kenneth C. Lichtendahl Jr. (2016), “Practical Time Series Forecasting with R: A Hands-On Guide”
- Rob J Hyndman and George Athanasopoulos (2014) "Forecasting: principles and practice"
- N. D. Lewis(2016), "Deep Time Series Forecasting with Python: An Intuitive Introduction to Deep Learning for Applied Time"
Ծանոթագրություններ[խմբագրել | խմբագրել կոդը]
- ↑ Peixeiro, Marco (2020-05-19). «The Complete Guide to Time Series Analysis and Forecasting». Medium (անգլերեն). Վերցված է 2020-11-23-ին.
- ↑ Daitan (2019-10-11). «Fundamentals of Time Series Data and Forecasting». Medium (անգլերեն). Վերցված է 2020-11-21-ին.
- ↑ «5 Time Series Analysis Methods for Better Business Decision-making | Fingent Blog». Fingent Technology (ամերիկյան անգլերեն). 2020-07-14. Վերցված է 2020-11-23-ին.
- ↑ Mitchell, Cory. «How to Use a Moving Average to Buy Stocks». Investopedia (անգլերեն). Վերցված է 2020-11-23-ին.
- ↑ Seo, Jae Duk (2018-06-05). «Trend, Seasonality, Moving Average, Auto Regressive Model : My Journey to Time Series Data with…». Medium (անգլերեն). Վերցված է 2020-11-23-ին.
- ↑ Smith, Tim. «Random Walk Theory». Investopedia (անգլերեն). Վերցված է 2020-11-23-ին.
- ↑ «The Business Applications of Time Series | Learn Data Science». Data Science Blog | AI, ML, big data analytics (անգլերեն). 2019-05-13. Վերցված է 2020-11-23-ին.