User:Melvard/sandbox

= Ժամանակային շարքերի կանխատեսում = Ժամանակային շարքերի կանխատեսումը մեքենայական ուսուցման ճյուղ է, որը պատմական տվյալների հիման վրա ապագա արժեքի գնահատման գործընթաց է։ Ժամանակային շարքերի վերլուծությունը ներառում է ժամանակային շարքերի արդեն առկա տվյալների վերլուծության մեթոդներ` իմաստալից վիճակագրություն, ապագայում արժեքների կանխատեսումներ անելու և տվյալների այլ բնութագրեր արդյունահանելու համար: 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 ։

Շատ ընկերություններ ուսումնասիրում են ժամանակային շարքերի կանխատեսումը ՝ որպես ավելի լավ բիզնես որոշումներ կայացնելու միջոց: Որպես օրինակ վերցնենք հյուրանոցը: Եթե մենեջերը 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
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
Ժամանակային շարքերի կանխատեսումն ունի ալգորիթմների հարուստ ընտանիք: Ամենահիմնականներից մի քանիսը ներառում են.


 * Միջինի մեթոդը


 * 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 միջին մեթոդը հիմնված է պարզ Միջին մեթոդների վրա: Անցյալում բոլոր իրադարձությունների միջինը օգտագործելու փոխարեն, այն կանխատեսում է նոր իրադարձություն` որպես միջին` նախորդ արժեքների կանխորոշված քանակի նկատմամբ: Եվ, այսպես ասած «միամիտ» մեթոդը, որը ենթադրում է՝ հաջորդ իրադարձությունը հավասար կլինի ամենավերջինին:

Այնուամենայնիվ, նման պարզ մեթոդներով, դուք, անշուշտ, լավ կանխատեսում չեք ստանա: Հետևաբար, ձեր բիզնեսի որոշումները կարող են հաճախ ավելի վատ ստացվել, քան սպասում էիք: Այս 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: Հարցին պատասխանելու համար մենք պետք է նախ հասկանանք այն հիմնական օրինաչափությունները, որոնք սովորաբար առկա են ժամանակային շարքերում:

Ժամանակային շարքերի օրինաչափությունները
Ժամանակային շարքերի տվյալների մեծ մասը սովորաբար ունենում են գոնե մեկը այս երեք տեսակ ձևերից ՝ միտում (թրենդ), սեզոնայնություն և / կամ ցիկլեր:Համառոտ նկարագրենք յուրաքանյչյուրը․

Միտում
Միտումը նկարագրում է ժամանակային շարքի ընդհանուր վարքագիծը: Եթե ժամանակային շարքը ժամանակի երկարաժամկետ ընթացքում այն դրսևորում է դրական թեքություն, այն ունի վերելքի միտում: Եթե դրա փոխարեն այն դրսևորում է է ընդհանուր բացասական թեքություն, ապա այն ունի անկման միտում:

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
Սեզոնային օրինաչափությունը ժամանակային շարքի ցանկացած տատանում (փոփոխություն) է, որը պայմանավորված է օրացույցի հետ կապված իրադարձություններով:

Այս 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
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 նույնորեն չեն կրկնվում: Սովորաբար, դրանք առաջանում են արտաքին գործոններից, որոնց պատճառով կանխատեսումը շատ ավելի դժվար է դառնում:

Կանխատեսման մեթոդները սովորաբար օգտվում են այս օրինակներից ՝ հուսալի կանխատեսումներ ստեղծելու համար:

Ստորև կարող եք տեսնել ժամանակային շարքերի տվյալներ ԱՄՆ-ում նոր մեկ ընտանիքի տների վաճառքի համար: Ուշադրություն դարձրեք ուժեղ սեզոնայնությանը: Տների վաճառքը տարեսկզբին դանդաղ է: Պիկերը տեղի են ունենում հունիս և հուլիս ամիսներին:

Նաև կան ուժեղ ցիկլեր, որոնք կարող են տատանվել վեցից տաս տարի: Հիշեք, որ ցիկլերը չունեն ֆիքսված ժամանակահատվածներ:

Պատկերի համար պատկեր

Կարևոր է նշել, որ բոլոր ժամանակային շարքերը կանխատեսելի չեն: 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 վեր կամ վար:

Այս տեսակի տվյալների կանխատեսման համար մենք սովորաբար օգտագործում ենք պատահական քայլելու մոդելը: Այս մոդելը ենթադրում է, որ հաջորդ իրադարձությունը բոլորովին անկապ է նախորդից: Հետևաբար, պատահական քայլելու մոդելի կանխատեսումները հավասար են վերջին դիտարկմանը, գումարած որոշ աղմուկի: Պատահական քայլելու մոդելները սովորաբար օգտագործվում են ֆինանսական և տնտեսական տվյալների հետ միասին: