2020 时序分析(1)

作者: zidea | 来源:发表于2020-05-30 21:25 被阅读0次

2020 时序分析(1)
STA【1】
Spring系列之AOP(3)——AnnotationAware
2020 时序分析(17)
2020 时序分析(16)
2020 时序分析(12)
2020 时序分析随笔
2020 时序分析(7)
2020 时序分析(15)
2020 时序分析(3)

machine_learning.jpg

时序预测

我们用机器学习模型通过历史数据来学习拟合，来对未来进行预测

时序应用

销售目标
财务计划
库存管理（Inventory management）
物流管理
动态定价（例如机票）
商业活动
点击率预测
工业用电量
生物医药:心电图
设备损耗，零件更换

考虑因素

颗粒度

产品: 预测每一个产品还是一组产品
时间周期: 每周、每月还是每年，供应链管理可能需要做到前一周或者前一天
空间维度：区域

预测范围

短期预测：个人计划、产品和交易（小时为单位），快餐店，人员排班。
中期预测：新设备购买、资源预定、原材料的购入（月或季度）
长期预测：决策、需要考虑到市场环境、内部资源以及机会等诸多因素的预测

$y_{t:t+T} = f(x_{t-1},x_{t-2},\dots,x_1,temperature_t,dow_t,month_t)$

$x_1,\dots,x_{t-1}$ 就是历史观察量
当前可以观察的外部依赖量，例如价格、促销活动

传统时序模型

名称	公式
均方误差(MSE)	$\frac{1}{n} \sum_{i=1}^n(y_i - \hat{y}_i)^2$
绝对值误差(MAE)	$\frac{1}{n} \sum_{i=1}^n \mid y_i - \hat{y}_i \mid$
百分比误差MAPE	$\frac{1}{n} \sum_{i=1}^n \mid \frac{y_i - \hat{y}_i}{y_i} \mid$
对称百分比误差SMAPE	$\frac{1}{n} \sum_{i=1}^n \frac{ \mid y_i - \hat{y}_i \mid}{ \mid y_i \mid + \mid \hat{y}_i \mid}$
分位数误差Quantile Loss

当我们关注大销量的时候，我们就会选择均方误差，但是销量大储量大并不代表利润大，
当我们关注销量的时候，就可以考虑使用绝对值误差
当 $y_i = 0$ 百分比误差就是无穷大，为了避免出现百分比误差这样问题引入了对称百分比误差，我们就把真是值也放到分母上，这样误差范围就是 0 到 200 范围内，不会出现无穷大的问题。
库存管理，我们并不希望估计平均值，或者中位数，例如可以保证一段时间段保证供应商的需求。

$\frac{1}{n} \sum_{i=1}^n \begin{cases} \alpha \mid y_i = \hat{y}_i \mid & y_i > \hat{y_i} \\ (1 -\alpha) \mid y_i = \hat{y}_i \mid & y_i <> \hat{y_i} \\ \end{cases}$

网友评论

深度学习

本文标题：2020 时序分析(1)

本文链接：https://www.haomeiwen.com/subject/vizhzhtx.html

延伸阅读

深度阅读

您也可以注册成为美文阅读网的作者，发表您的原创作品、分享您的心情！

2020 时序分析(1)

时序预测

时序应用

考虑因素

颗粒度

预测范围

传统时序模型

相关文章

2020 时序分析(1)

STA【1】

Spring系列之AOP(3)——AnnotationAware

2020 时序分析(17)

2020 时序分析(16)

2020 时序分析(12)

2020 时序分析随笔

2020 时序分析(7)

2020 时序分析(15)

2020 时序分析(3)

网友评论

延伸阅读

深度阅读

栏目导航

热点阅读

深度学习