Երկար տարիներ մարդիկ կանխատեսում էին եղանակային պայմաններ, տնտեսական և քաղաքական իրադարձություններ և սպորտային արդյունքներ, վերջերս այս ընդարձակ ցանկը համալրվել է կրիպտոարժույթներով։ Բազմակողմանի իրադարձությունների կանխատեսման համար կան կանխատեսումներ մշակելու բազմաթիվ եղանակներ: Օրինակ, ինտուիցիան, փորձագիտական կարծիքները, անցյալի արդյունքների օգտագործումը ավանդական վիճակագրության հետ համեմատելու համար և ժամանակային շարքերի կանխատեսումը դրանցից մեկն է, մինչդեռ կանխատեսումների ամենաժամանակակից և ճշգրիտ տեսակը կիրառությունների լայն շրջանակով:
Ժամանակային շարքի մեթոդ
Ժամանակային շարքի (TS) մեթոդը տվյալների հավաքածու է, որը տեղեկատվություն է հավաքում որոշակի ժամանակահատվածում: Այս տեսակի արդյունահանման հատուկ մեթոդներ կան.
- գծային և ոչ գծային;
- պարամետրիկ և ոչ պարամետրիկ;
- միաչափ և բազմաչափ.
Կանխատեսման ժամանակշարքն իր հետ բերում է այսօրվա մարտահրավերներին դիմակայելու եզակի հնարավորություններ: Մոդելավորումը հիմնված է տվյալների փոփոխության շարժիչ ուժը հաստատելու սովորելու վրա: Գործընթացը գալիս է երկարաժամկետ միտումներից, սեզոնային ազդեցություններից կամ անկանոն տատանումներից, որոնք բնորոշ են TS-ին և չեն երևում այլ տեսակի վերլուծություններում:
Մեքենայական ուսուցումը համակարգչային գիտության ճյուղ է, որտեղ ալգորիթմները կազմվում են տվյալներից և ներառում են արհեստական նեյրոնային ցանցեր, խորը ուսուցում, ասոցիացիայի կանոններ, որոշումների ծառեր, ամրապնդման ուսուցում և բայեսյան ցանցեր: Տարբեր ալգորիթմներ ապահովում են խնդիրների լուծման տարբերակներ, և յուրաքանչյուրն ունի իր պահանջներն ու փոխզիջումները տվյալների մուտքագրման, արագության և արդյունքների ճշգրտության առումով: Դրանք, վերջնական կանխատեսումների ճշգրտության հետ մեկտեղ, կկշռվեն, երբ օգտատերը որոշի, թե որ ալգորիթմը լավագույնս կաշխատի ուսումնասիրվող իրավիճակի համար:
Ժամանակային շարքերի կանխատեսումը փոխառություններ է բերում վիճակագրության ոլորտից, բայց տալիս է նոր մոտեցումներ խնդիրների մոդելավորման համար: Մեքենայական ուսուցման և ժամանակային շարքերի հիմնական խնդիրը նույնն է՝ կանխատեսել նոր արդյունքներ՝ հիմնվելով նախկինում հայտնի տվյալների վրա:
Կանխատեսող մոդելի թիրախը
TS-ը կանոնավոր ընդմիջումներով հավաքագրված տվյալների միավորների հավաքածու է: Դրանք վերլուծվում են երկարաժամկետ միտումը որոշելու, ապագան կանխատեսելու կամ այլ տեսակի վերլուծություն կատարելու համար: 2 բան կա, որ TS-ն տարբերվում է սովորական ռեգրեսիայի խնդրից.
- Դրանք կախված են ժամանակից։ ԱյսպիսովԳծային ռեգրեսիայի մոդելի հիմնական ենթադրությունը, որ դիտարկումները անկախ են, այս դեպքում չի գործում:
- Աճող կամ նվազող միտման հետ մեկտեղ TS-ների մեծամասնությունն ունեն սեզոնայնության որոշակի ձև, այսինքն՝ փոփոխություններ, որոնք հատուկ են որոշակի ժամանակաշրջանին:
Ժամանակային շարքերի կանխատեսման մոդելի նպատակն է ճշգրիտ կանխատեսում տալ ըստ պահանջի: Ժամանակային շարքը ունի ժամանակը (t) որպես անկախ փոփոխական և թիրախ կախված փոփոխական: Շատ դեպքերում կանխատեսումը կոնկրետ արդյունք է, օրինակ՝ տան վաճառքի գինը, մրցույթի սպորտային արդյունքը, բորսայում առուվաճառքի արդյունքները։ Կանխատեսումը ներկայացնում է միջին և միջինը և ներառում է վստահության միջակայք, որն արտահայտում է վստահության մակարդակը 80-95% միջակայքում: Երբ դրանք գրանցվում են կանոնավոր ընդմիջումներով, գործընթացները կոչվում են ժամանակային շարքեր և արտահայտվում են երկու ձևով՝
- միաչափ՝ ժամանակի ինդեքսով, որը ստեղծում է անուղղակի հերթականություն;
- կոմպլեկտ երկու չափսերով՝ ժամանակ անկախ փոփոխականով և մեկ այլ կախյալ փոփոխականով:
Հատկությունների ստեղծումը կիրառական մեքենայական ուսուցման ամենակարևոր և ժամանակատար խնդիրներից մեկն է: Այնուամենայնիվ, ժամանակային շարքերի կանխատեսումը չի ստեղծում առանձնահատկություններ, առնվազն ոչ ավանդական իմաստով: Սա հատկապես ճիշտ է, երբ դուք ցանկանում եք կանխատեսել արդյունքը մի քանի քայլ առաջ, և ոչ միայն հաջորդ արժեքը:
Սա չի նշանակում, որ գործառույթներն ամբողջությամբ անջատված են: Նրանք պարզապես պետք է օգտագործվեն զգուշությամբ հետևյալ պատճառներով.
- Անհասկանալի է, թե որն է իրական ապագանարժեքները կլինեն այս հատկանիշների համար:
- Եթե օբյեկտները կանխատեսելի են և ունեն որոշ օրինաչափություններ, կարող եք դրանցից յուրաքանչյուրի համար կանխատեսող մոդել կառուցել:
Այնուամենայնիվ, տեղյակ եղեք, որ կանխատեսող արժեքների օգտագործումը որպես առանձնահատկություններ կտարածի սխալը թիրախ փոփոխականի մեջ և կհանգեցնի սխալների կամ կողմնակալ կանխատեսումների:
Ժամանակային շարքի բաղադրիչներ
Թրենդը գոյություն ունի, երբ շարքը մեծանում է, նվազում կամ մնում է հաստատուն մակարդակի վրա ժամանակի ընթացքում, ուստի այն ընդունվում է որպես ֆունկցիա: Սեզոնայնությունը վերաբերում է ժամանակային շարքի հատկությանը, որը ցուցադրում է պարբերական օրինաչափություններ, որոնք կրկնվում են հաստատուն հաճախականությամբ (m), օրինակ, m=12 նշանակում է, որ օրինաչափությունը կրկնվում է յուրաքանչյուր տասներկու ամիսը մեկ:
Սեզոնայնության նման կեղծ փոփոխականները կարող են ավելացվել որպես երկուական ֆունկցիա: Կարելի է, օրինակ, հաշվի առնել տոները, հատուկ միջոցառումները, մարքեթինգային արշավները՝ անկախ նրանից՝ արժեքը օտար է, թե ոչ։ Այնուամենայնիվ, դուք պետք է հիշեք, որ այս փոփոխականները պետք է ունենան որոշակի օրինաչափություններ: Այնուամենայնիվ, օրերի քանակը կարելի է հեշտությամբ հաշվարկել նույնիսկ ապագա ժամանակաշրջանների համար և ազդել ժամանակային շարքերի կանխատեսումների վրա, հատկապես ֆինանսական ոլորտում:
Ցիկլերը սեզոններ են, որոնք ֆիքսված արագությամբ չեն լինում: Օրինակ, կանադական լուսանի տարեկան վերարտադրության հատկանիշները արտացոլում են սեզոնային և ցիկլային օրինաչափությունները: Դրանք չեն կրկնվում կանոնավոր ընդմիջումներով և կարող են առաջանալ նույնիսկ եթե հաճախականությունը 1 է (մ=1):
Հետաձգված արժեքներ -Փոփոխականի հետաձգված արժեքները կարող են ներառվել որպես կանխատեսողներ: Որոշ մոդելներ, ինչպիսիք են ARIMA-ն, վեկտորային ավտոռեգեսիան (VAR) կամ ավտոռեգեսիվ նյարդային ցանցերը (NNAR), աշխատում են այս կերպ:
Հետաքրքիր փոփոխականի բաղադրիչները շատ կարևոր են ժամանակային շարքերի վերլուծության և կանխատեսման, դրանց վարքագիծը, օրինաչափությունները հասկանալու և համապատասխան մոդելն ընտրելու համար:
Տվյալների հավաքածուի հատկանիշներ
Դուք կարող եք սովոր եք մուտքագրել հազարավոր, միլիոնավոր և միլիարդավոր տվյալների կետեր մեքենայական ուսուցման մոդելներում, սակայն դա պարտադիր չէ ժամանակային շարքերի համար: Իրականում հնարավոր է աշխատել փոքր և միջին TS-ի հետ՝ կախված փոփոխականի հաճախականությունից և տեսակից, և դա մեթոդի թերություն չէ։ Ավելին, իրականում այս մոտեցման մի շարք առավելություններ կան.
- Տեղեկությունների նման հավաքածուները կհամապատասխանեն տնային համակարգչի հնարավորություններին:
- Որոշ դեպքերում կատարեք ժամանակային շարքերի վերլուծություն և կանխատեսում՝ օգտագործելով ամբողջ տվյալների հավաքածուն, այլ ոչ միայն նմուշը:
- TS երկարությունը օգտակար է վերլուծվող գրաֆիկներ ստեղծելու համար: Սա շատ կարևոր կետ է, քանի որ ծրագրավորողները վերլուծության փուլում հիմնվում են գրաֆիկայի վրա: Սա չի նշանակում, որ նրանք չեն աշխատում հսկայական ժամանակային շարքերի հետ, բայց սկզբում նրանք պետք է կարողանան կարգավորել ավելի փոքր TS:
- Ցանկացած տվյալների բազա, որը պարունակում է ժամանակի հետ կապված դաշտ, կարող է օգտվել ժամանակային շարքերի վերլուծությունից և կանխատեսումից: Այնուամենայնիվ, եթե ծրագրավորողն ունի տվյալների ավելի մեծ հավաքածու, DB (TSDB)կարող է ավելի տեղին լինել:
Այս հավաքածուներից մի քանիսը գալիս են ժամադրոշմով, համակարգի մատյաններով և ֆինանսական տվյալներով գրանցված իրադարձություններից: Քանի որ TSDB-ն աշխատում է ժամանակային շարքերի հետ, սա հիանալի հնարավորություն է կիրառելու այս տեխնիկան լայնածավալ տվյալների հավաքածուներում:
Մեքենայական ուսուցում
Մեքենայական ուսուցումը (ML) կարող է գերազանցել ավանդական ժամանակային շարքերի կանխատեսման մեթոդները: Կան բազմաթիվ ուսումնասիրություններ, որոնք համեմատում են մեքենայական ուսուցման մեթոդները TS տվյալների վրա ավելի դասական վիճակագրական մեթոդների հետ: Նեյրոնային ցանցերը այն տեխնոլոգիաներից են, որոնք լայնորեն ուսումնասիրվել են և կիրառում են TS մոտեցումներ։ Մեքենայական ուսուցման մեթոդները գլխավորում են տվյալների հավաքագրման վարկանիշը՝ հիմնված ժամանակային շարքերի վրա: Այս հավաքածուները ապացուցել են իրենց արդյունավետությունը՝ գերազանցելով մաքուր TS սեթերը M3-ի կամ Kaggle-ի նկատմամբ:
MO-ն ունի իր հատուկ խնդիրները: Հատկությունների մշակումը կամ տվյալների շտեմարանից նոր կանխատեսողների ստեղծումը դրա համար կարևոր քայլ է և կարող է հսկայական ազդեցություն ունենալ կատարողականի վրա և անհրաժեշտ միջոց լինել TS տվյալների միտումների և սեզոնայնության խնդիրները լուծելու համար: Բացի այդ, որոշ մոդելներ խնդիրներ ունեն, թե որքանով են դրանք համապատասխանում տվյալներին, և եթե դրանք չեն համապատասխանում, նրանք կարող են բաց թողնել հիմնական միտումը:
Ժամանակային շարքերը և մեքենայական ուսուցման մոտեցումները չպետք է գոյություն ունենան միմյանցից առանձին: Նրանք կարող են միավորվել միասին՝ յուրաքանչյուր մոտեցման առավելությունները տալու համար: Կանխատեսման մեթոդները և ժամանակային շարքերի վերլուծությունը լավ են տվյալները տրենդի և սեզոնային տվյալների բաժանելու համար:տարրեր. Այս վերլուծությունն այնուհետև կարող է օգտագործվել որպես մուտքագրում ML մոդելի համար, որն իր ալգորիթմում ունի միտումների և սեզոնայնության մասին տեղեկատվություն՝ տալով երկու աշխարհների լավագույնը:
Հասկանալով խնդրի հայտարարությունը
Օրինակ, դիտարկեք TS-ն՝ կապված նոր արագընթաց երկաթուղու ուղևորների թվի կանխատեսման հետ: Օրինակ, դուք ունեք 2 տարվա տվյալներ (2016թ. օգոստոս - 2018թ. սեպտեմբեր) և այս տվյալներով պետք է գուշակեք ուղևորների թիվը հաջորդ 7 ամիսների համար՝ ունենալով 2 տարվա տվյալներ (2016-2018թթ.) ժամային մակարդակով: ճանապարհորդող ուղևորների թիվը, և նրանց թիվը պետք է գնահատել ապագայում։
Տվյալների ենթաբազմություն ժամանակային շարքերով կանխատեսման համար՝
- Սիմուլյացիայի համար գնացքի և թեստային ֆայլի ստեղծում:
- Առաջին 14 ամիսները (2016թ. օգոստոս - 2017թ. հոկտեմբեր) օգտագործվում են որպես վերապատրաստման տվյալներ, իսկ հաջորդ 2 ամիսները (2017թ. նոյեմբերի - 2017թ. դեկտեմբեր)՝ թեստի տվյալներ։
- Ամբողջացրեք տվյալների բազան ամեն օր:
Կատարեք տվյալների վիզուալիզացիա՝ տեսնելու, թե ինչպես են դրանք փոխվում որոշակի ժամանակահատվածում:
Միամիտ մոտեցման կառուցման մեթոդ
Այս դեպքում TS կանխատեսման համար օգտագործվող գրադարանը statsmodels է: Այն պետք է տեղադրվի այս մոտեցումներից որևէ մեկի կիրառումից առաջ: Հավանաբար, statsmodels-ն արդեն տեղադրված է Python միջավայրում, բայց այն չի աջակցում մեթոդներինկանխատեսում, այնպես որ դուք պետք է կլոնավորեք այն պահոցից և տեղադրեք այն աղբյուրից:
Այս օրինակի համար դա նշանակում է, որ մետաղադրամի ճանապարհորդության գները կայուն են հենց սկզբից և ամբողջ ժամանակահատվածում: Այս մեթոդը ենթադրում է, որ հաջորդ ակնկալվող կետը հավասար է վերջին դիտարկված կետին և կոչվում է միամիտ մոտեցում։
Այժմ հաշվարկեք ստանդարտ շեղումը փորձարկման տվյալների բազայի վրա մոդելի ճշգրտությունը ստուգելու համար: RMSE արժեքից և վերը նշված գրաֆիկից մենք կարող ենք եզրակացնել, որ Naive-ը հարմար չէ բարձր անկայունության տարբերակների համար, այլ օգտագործվում է կայուն տարբերակների համար:
Պարզ միջին ոճ
Մեթոդը ցույց տալու համար գծվում է գծապատկեր՝ ենթադրելով, որ Y առանցքը ներկայացնում է գինը, իսկ X առանցքը՝ ժամանակը (օրերը):
Դրանից կարելի է եզրակացնել, որ գինը փոքր մարժայով պատահականորեն աճում և նվազում է, այնպես որ միջին արժեքը մնում է հաստատուն։ Այս դեպքում դուք կարող եք գուշակել հաջորդ շրջանի գինը, որը նման է նախորդ բոլոր օրերի միջինին:
Նախկինում դիտարկված կետերի ակնկալվող միջինով կանխատեսման այս մեթոդը կոչվում է պարզ միջին մեթոդ:
Այս դեպքում վերցվում են նախկինում հայտնի արժեքները, միջինը հաշվարկվում և վերցվում է որպես հաջորդ արժեք: Իհարկե, սա ճշգրիտ չի լինի, բայց դա բավականին մոտ է, և կան իրավիճակներ, երբ այս մեթոդը լավագույնս աշխատում է:
Հիմք ընդունելով գծապատկերում ցուցադրված արդյունքները, այս մեթոդը լավագույնս աշխատում է, երբ յուրաքանչյուր ժամանակաշրջանի միջին արժեքը մնում է հաստատուն: Թեև միամիտ մեթոդն ավելի լավ է, քան միջինը, բայց ոչ բոլոր տվյալների հավաքածուների համար: Խորհուրդ է տրվում քայլ առ քայլ փորձել յուրաքանչյուր մոդել և տեսնել՝ այն կբարելավի արդյունքը, թե ոչ:
Շարժվող միջին մոդել
Ելնելով այս գծապատկերից՝ կարող ենք եզրակացնել, որ նախկինում գները մի քանի անգամ աճել են լայն սահմանով, սակայն այժմ կայուն են։ Նախորդ միջինացման մեթոդն օգտագործելու համար հարկավոր է վերցնել բոլոր նախորդ տվյալների միջինը: Սկզբնական շրջանի գները մեծ ազդեցություն կունենան հաջորդ ժամանակաշրջանի կանխատեսման վրա։ Հետևաբար, որպես բարելավում պարզ միջինից, վերցրեք գների միջինը միայն վերջին մի քանի ժամանակաշրջանների համար:
Կանխատեսման այս տեխնիկան կոչվում է շարժվող միջին տեխնիկա, որը երբեմն կոչվում է «n» չափի «շարժվող պատուհան»: Օգտագործելով պարզ մոդել, TS-ի հաջորդ արժեքը կանխատեսվում է մեթոդի ճշգրտությունը ստուգելու համար: Ակնհայտորեն միամիտը գերազանցում է միջինը և շարժվող միջինը այս տվյալների հավաքածուի համար:
Գոյություն ունի պարզ էքսպոնենցիալ հարթեցման մեթոդով կանխատեսման տարբերակ։ Շարժվող միջին մեթոդում անցած «n» դիտարկումները հավասարապես կշռված են։ Այս դեպքում դուք կարող եք հանդիպել իրավիճակների, երբ անցյալ «n»-ից յուրաքանչյուրն յուրովի ազդում է կանխատեսման վրա: Այս փոփոխությունը, որը տարբեր կերպ է կշռում անցյալի դիտարկումները, կոչվում է մեթոդկշռված շարժվող միջին։
Նախշերի էքստրապոլացիա
Ժամանակային շարքերի կանխատեսման ալգորիթմները դիտարկելու համար անհրաժեշտ ամենակարևոր հատկություններից մեկը ուսուցման տվյալների տիրույթից դուրս օրինաչափությունների էքստրապոլյացիայի հնարավորությունն է: Շատ ML ալգորիթմներ չունեն այս հնարավորությունը, քանի որ դրանք հակված են սահմանափակվել մի տարածաշրջանով, որը սահմանվում է վերապատրաստման տվյալների միջոցով: Հետևաբար, դրանք պիտանի չեն TS-ի համար, որի նպատակը արդյունքն ապագայում պրոյեկտելն է։
TS ալգորիթմի մեկ այլ կարևոր հատկություն է վստահության միջակայքներ ստանալու հնարավորությունը: Թեև սա TS մոդելների լռելյայն հատկությունն է, ML մոդելների մեծ մասը չունեն այս հնարավորությունը, քանի որ դրանք բոլորը չեն հիմնված վիճակագրական բաշխումների վրա:
Մի կարծեք, որ TS-ն կանխատեսելու համար օգտագործվում են միայն պարզ վիճակագրական մեթոդներ: Դա ամենևին էլ այդպես չէ։ Կան բազմաթիվ բարդ մոտեցումներ, որոնք կարող են շատ օգտակար լինել հատուկ դեպքերում: Ընդհանրացված Autoregressive Conditional Heteroscedasticity (GARCH), Բայեսյան և VAR-ը դրանցից միայն մի քանիսն են:
Կան նաև նեյրոնային ցանցերի մոդելներ, որոնք կարող են կիրառվել ժամանակային շարքերի վրա, որոնք օգտագործում են հետաձգվող գուշակողներ և կարող են կարգավորել այնպիսի առանձնահատկություններ, ինչպիսիք են նեյրոնային ցանցի ավտոռեգեսիան (NNAR): Կան նույնիսկ բարդ ուսուցումից փոխառված ժամանակային սերիաների մոդելներ, հատկապես պարբերական նեյրոնային ցանցերի ընտանիքում, ինչպիսիք են LSTM և GRU ցանցերը:
Գնահատման չափումներ և մնացորդային ախտորոշում
Ամենատարածված կանխատեսման չափիչներըrms նշանակում է, որը շատերն օգտագործում են ռեգրեսիայի խնդիրները լուծելիս.
- MAPE, քանի որ այն մասշտաբով անկախ է և ներկայացնում է սխալի և իրական արժեքների հարաբերակցությունը որպես տոկոս;
- MASE, որը ցույց է տալիս, թե որքան լավ է կանխատեսումը գործում՝ համեմատած միամիտ միջին կանխատեսման հետ:
Կանխատեսման մեթոդը հարմարեցվելուց հետո կարևոր է գնահատել, թե որքանով է այն ի վիճակի ֆիքսել մոդելները: Չնայած գնահատման չափիչները օգնում են որոշել, թե որքանով են արժեքները իրական արժեքներին, նրանք չեն գնահատում, թե արդյոք մոդելը համապատասխանում է TS-ին: Մնացորդները դա գնահատելու լավ միջոց են: Քանի որ ծրագրավորողը փորձում է կիրառել TS օրինաչափություններ, նա կարող է ակնկալել, որ սխալները «սպիտակ աղմուկի» պես կվարվեն, քանի որ դրանք ներկայացնում են մի բան, որը չի կարող ֆիքսվել մոդելի կողմից:
«Սպիտակ աղմուկը» պետք է ունենա հետևյալ հատկությունները՝
- մնացորդներ չկապված (Acf=0)
- Մնացորդները հետևում են նորմալ բաշխմանը զրոյական միջինով (անկողմնակալ) և հաստատուն շեղումով:
- Եթե երկու հատկություններից որևէ մեկը բացակայում է, մոդելի բարելավման տեղ կա:
- Զրոյական միջին հատկությունը հեշտությամբ կարելի է ստուգել T-test-ի միջոցով:
- Նորմալության և հաստատուն շեղումների հատկությունները տեսողականորեն վերահսկվում են մնացորդների հիստոգրամի կամ համապատասխան միակողմանի նորմալության թեստի միջոցով:
ARIMA Model
ARIMA - AutoRegressive Integrated Moving-Average մոդելը, TS կանխատեսման մեջ օգտագործվող ամենատարածված մեթոդներից մեկն է, հիմնականում:տվյալների ավտոմատ հարաբերակցության միջոցով՝ բարձրորակ մոդելներ ստեղծելու համար:
ARIMA գործակիցները գնահատելիս հիմնական ենթադրությունն այն է, որ տվյալները անշարժ են: Սա նշանակում է, որ միտումը և սեզոնայնությունը չեն կարող ազդել շեղումների վրա: Մոդելի որակը կարելի է գնահատել՝ համեմատելով իրական արժեքների ժամանակային գրաֆիկը կանխատեսված արժեքների հետ: Եթե երկու կորերն էլ մոտ են, ապա կարելի է ենթադրել, որ մոդելը համապատասխանում է վերլուծված դեպքին: Այն պետք է բացահայտի ցանկացած միտում և սեզոնայնություն, եթե այդպիսիք կան:
Մնացորդների վերլուծությունը պետք է ցույց տա, թե արդյոք մոդելը համապատասխանում է. պատահական մնացորդները նշանակում են, որ այն ճշգրիտ է: ARIMA-ին համապատասխանեցնելը (0, 1, 1) պարամետրերով կտա նույն արդյունքները, ինչ էքսպոնենցիալ հարթեցումը, իսկ պարամետրերի օգտագործումը (0, 2, 2) կտա կրկնակի էքսպոնենցիալ հարթեցման արդյունքներ:
Դուք կարող եք մուտք գործել ARIMA կարգավորումներ Excel-ում՝
- Սկսել Excel-ը։
- Գտեք XL MINER գործիքագոտում:
- Ժապավենի վրա բացվող ընտրացանկից ընտրեք ARIMA:
ARIMA մոդելի հնարավորությունների ամփոփում.
- ARIMA - Ինտեգրված ավտոռեգեսիվ շարժվող միջին:
- Կանխատեսման մոդել, որն օգտագործվում է ժամանակային շարքերի վերլուծության մեջ:
- ARIMA պարամետրի շարահյուսություն. ARIMA (p, d, q) որտեղ p=ավտոռեգեսիվ տերմինների թիվը, d=սեզոնային տարբերությունների թիվը և q=շարժվող միջին տերմինների թիվը:
Ալգորիթմներ SQL Server-ում
Խաչ կանխատեսում կատարելը կարևորներից մեկն էֆինանսական առաջադրանքների կանխատեսման ժամանակային շարքերի առանձնահատկությունները: Եթե օգտագործվում են երկու հարակից շարքեր, ստացված մոդելը կարող է օգտագործվել մեկ շարքի արդյունքները կանխատեսելու համար՝ հիմնվելով մյուսների վարքագծի վրա:
SQL Server 2008-ն ունի նոր հզոր ժամանակային շարքի առանձնահատկություններ՝ սովորելու և օգտագործելու համար: Գործիքն ունի հեշտությամբ հասանելի TS տվյալներ, հեշտ օգտագործվող ինտերֆեյս՝ ալգորիթմի գործառույթները մոդելավորելու և վերարտադրելու համար, և բացատրական պատուհան՝ սերվերի կողմից DMX հարցումներին հղումով, որպեսզի կարողանաք հասկանալ, թե ինչ է կատարվում ներսում:
Շուկայական ժամանակային շարքերը լայն ոլորտ է, որտեղ կարող են կիրառվել խորը ուսուցման մոդելներ և ալգորիթմներ: Բանկերը, բրոքերները և ֆոնդերը այժմ փորձարկում են ինդեքսների, փոխարժեքների, ֆյուչերսների, կրիպտոարժույթների գների, պետական բաժնետոմսերի և այլնի վերլուծությունների և կանխատեսումների իրենց տեղակայումը::
Ժամանակային շարքերի կանխատեսման ժամանակ նեյրոնային ցանցը գտնում է կանխատեսելի օրինաչափություններ՝ ուսումնասիրելով շուկաների կառուցվածքներն ու միտումները և խորհուրդներ է տալիս թրեյդերներին: Այս ցանցերը կարող են նաև օգնել հայտնաբերել այնպիսի անոմալիաներ, ինչպիսիք են անսպասելի գագաթները, անկումները, միտումների փոփոխությունները և մակարդակի տեղաշարժերը: Արհեստական ինտելեկտի բազմաթիվ մոդելներ օգտագործվում են ֆինանսական կանխատեսումների համար:
