ਲਾਭ:
- ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਦੇ ਸਮਰਥਨ ਨਾਲ ਸਮਾਂ ਲੜੀ ਦੇ ਸੰਕਲਪਾਂ ਜਿਵੇਂ ਕਿ ਰੁਝਾਨ, ਮੌਸਮੀਤਾ, ਚੱਕਰ ਅਤੇ ਸਥਿਰਤਾ ਨੂੰ ਸਮਝਣਾ ਅਤੇ ਇੱਕ ਲੜੀ ਨੂੰ ਸਹੀ ਢੰਗ ਨਾਲ ਪਾਰਸ ਕਰਨ ਦੇ ਯੋਗ ਹੋਣਾ
- ARIMA, ETS ਅਤੇ ਸਧਾਰਨ ਬੈਂਚਮਾਰਕ ਮਾਡਲਾਂ ਨੂੰ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਵਿੱਚ ਕੋਡ ਦੇ ਤੌਰ 'ਤੇ ਸਥਾਪਤ ਕਰਨ, ਭਵਿੱਖਬਾਣੀਆਂ ਪੈਦਾ ਕਰਨ ਅਤੇ ਬੈਕਟੈਸਟਿੰਗ ਨਾਲ ਉਹਨਾਂ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਦੀ ਸਮਰੱਥਾ।
- ਅਨਿਸ਼ਚਿਤਤਾ ਦੀ ਰੇਂਜ, ਮਾਡਲ ਸੀਮਾ ਅਤੇ ਢਾਂਚਾਗਤ ਬਰੇਕ ਦੇ ਮੱਦੇਨਜ਼ਰ ਪੂਰਵ ਅਨੁਮਾਨ ਦੀ ਕਮਜ਼ੋਰੀ ਨੂੰ ਸਮਝਣ ਦੇ ਯੋਗ ਹੋਣਾ, ਅਤੇ ਇਹ ਬਰਕਰਾਰ ਰੱਖਣਾ ਕਿ ਪੂਰਵ ਅਨੁਮਾਨ ਦੀ ਜ਼ਿੰਮੇਵਾਰੀ ਅਰਥਸ਼ਾਸਤਰੀ ਦੇ ਨਾਲ ਰਹਿੰਦੀ ਹੈ।
ਅਰਥ ਸ਼ਾਸਤਰ ਦੀ ਭਾਸ਼ਾ ਸਮਾਂ ਹੈ। ਮਹਿੰਗਾਈ, ਵਿਕਾਸ, ਬੇਰੁਜ਼ਗਾਰੀ, ਵਟਾਂਦਰਾ ਦਰਾਂ - ਇਹ ਸਾਰੀਆਂ ਲੜੀਵਾਰ ਹਨ ਜੋ ਸਮੇਂ ਦੇ ਨਾਲ ਵਹਿੰਦੀਆਂ ਹਨ, ਅਤੇ ਅਰਥਸ਼ਾਸਤਰੀ ਨੂੰ ਅਕਸਰ ਪੁੱਛਿਆ ਜਾਂਦਾ ਹੈ ਕਿ "ਤਾਂ ਅੱਗੇ ਕੀ ਹੁੰਦਾ ਹੈ?" ਸਵਾਲ ਹੈ। ਇਸ ਯੂਨਿਟ ਵਿੱਚ, ਅਸੀਂ ਸਮਾਂ ਲੜੀ ਦੇ ਸੰਕਲਪਾਂ ਨੂੰ ਸਮਝਣ, ਮਾਡਲ ਕੋਡ ਬਣਾਉਣ, ਅਤੇ ਪੂਰਵ ਅਨੁਮਾਨ ਤਿਆਰ ਕਰਨ ਲਈ ਨਕਲੀ ਬੁੱਧੀ ਦੀ ਵਰਤੋਂ ਕਰਾਂਗੇ। ਪਰ ਆਓ ਸ਼ੁਰੂ ਤੋਂ ਹੀ ਫਰੇਮਵਰਕ ਨੂੰ ਸਪਸ਼ਟ ਕਰੀਏ: ਇੱਕ ਪੂਰਵ-ਅਨੁਮਾਨ ਇੱਕ ਭਵਿੱਖਬਾਣੀ ਨਹੀਂ ਹੈ, ਪਰ ਅਨਿਸ਼ਚਿਤਤਾ ਦੇ ਅਧੀਨ ਇੱਕ ਸ਼ਰਤੀਆ ਭਵਿੱਖਬਾਣੀ ਹੈ, ਅਤੇ ਜ਼ਿੰਮੇਵਾਰੀ ਅਰਥਸ਼ਾਸਤਰੀ ਦੀ ਹੈ। AI ਤੁਹਾਨੂੰ ਮਿੰਟਾਂ ਵਿੱਚ ARIMA ਕੋਡ ਲਿਖ ਸਕਦਾ ਹੈ; ਪਰ ਇਹ ਮਨੁੱਖ ਹੀ ਹੈ ਜੋ ਇਹ ਫੈਸਲਾ ਕਰਦਾ ਹੈ ਕਿ ਕੀ ਇਹ ਭਵਿੱਖਬਾਣੀ ਵਾਜਬ ਹੈ ਜਾਂ ਨਹੀਂ ਅਤੇ ਕੀ ਇਹ ਢਾਂਚਾਗਤ ਟੁੱਟਣ ਦਾ ਸਾਹਮਣਾ ਕਰਦੇ ਹੋਏ ਢਹਿ ਜਾਵੇਗੀ।
ਇੱਕ ਸਮਾਂ ਲੜੀ ਦੇ ਭਾਗ
ਇਹ ਕਿਸੇ ਵੀ ਆਰਥਿਕ ਲੜੀ ਨੂੰ ਚਾਰ ਹਿੱਸਿਆਂ ਵਿੱਚ ਵੰਡ ਕੇ ਸੋਚਣ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ:
- ਰੁਝਾਨ (ਪ੍ਰਵਿਰਤੀ)। ਲੰਬੇ ਸਮੇਂ ਦੀ ਦਿਸ਼ਾ; ਜਿਵੇਂ ਕਿ ਆਰਥਿਕਤਾ ਦਾ ਵਿਕਾਸ ਮਾਰਗ।
- ਮੌਸਮੀ. ਪੈਟਰਨ ਜੋ ਪੂਰੇ ਸਾਲ ਦੌਰਾਨ ਨਿਯਮਿਤ ਤੌਰ 'ਤੇ ਦੁਹਰਾਉਂਦਾ ਹੈ; ਗਰਮੀਆਂ ਵਿੱਚ ਸੈਰ-ਸਪਾਟਾ ਵਧਦਾ ਹੈ, ਦਸੰਬਰ ਵਿੱਚ ਪ੍ਰਚੂਨ ਵਿੱਚ ਵਾਧਾ ਹੁੰਦਾ ਹੈ।
- ਚੱਕਰ (ਸੰਜੋਗ)। ਸੀਜ਼ਨ ਤੋਂ ਲੰਬਾ, ਅਨਿਯਮਿਤ ਉਤਰਾਅ-ਚੜ੍ਹਾਅ; ਪਸਾਰ ਅਤੇ ਸੰਕੁਚਨ ਦੀ ਮਿਆਦ.
- ਅਨਿਯਮਿਤ/ਸ਼ੋਰ। ਬੇਤਰਤੀਬ, ਬੇਤਰਤੀਬ ਉਤਰਾਅ-ਚੜ੍ਹਾਅ।
ਇੱਕ ਲੜੀ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣ ਤੋਂ ਪਹਿਲਾਂ, ਇਹਨਾਂ ਹਿੱਸਿਆਂ ਨੂੰ ਸੜਨ ਲਈ ਜ਼ਰੂਰੀ ਹੈ. ਕਿਉਂਕਿ ਕੱਚੀ ਲੜੀ ਨੂੰ ਦੇਖਣਾ ਅਤੇ "ਇਹ ਡਿੱਗ ਰਿਹਾ ਹੈ" ਕਹਿਣਾ ਗੁੰਮਰਾਹਕੁੰਨ ਹੋ ਸਕਦਾ ਹੈ: ਹੋ ਸਕਦਾ ਹੈ ਕਿ ਤੁਸੀਂ ਸਿਰਫ਼ ਇੱਕ ਮੌਸਮੀ ਖੁਰਲੀ ਵਿੱਚ ਹੋ।
ਸਥਿਰਤਾ ਦੀ ਧਾਰਨਾ ਵੀ ਹੈ: ਕਿਸੇ ਲੜੀ ਦੀਆਂ ਅੰਕੜਾ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ (ਮਤਲਬ, ਵਿਭਿੰਨਤਾ) ਸਮੇਂ ਦੇ ਨਾਲ ਨਹੀਂ ਬਦਲਦੀਆਂ। ਜ਼ਿਆਦਾਤਰ ਆਰਥਿਕ ਲੜੀ ਸਥਿਰ ਨਹੀਂ ਹਨ (ਲਗਾਤਾਰ ਵਧ ਰਹੀ ਹੈ); ਬਹੁਤ ਸਾਰੇ ਮਾਡਲਾਂ ਨੂੰ ਬਿਲਡਿੰਗ ਤੋਂ ਪਹਿਲਾਂ ਲਘੂਗਣਕ ਦੇ ਨਾਲ ਭਿੰਨਤਾ (ਇੱਕ ਪੀਰੀਅਡ ਨੂੰ ਦੂਜੇ ਤੋਂ ਘਟਾਓ) ਜਾਂ ਸਟੇਸ਼ਨਰੀਕਰਣ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। AI ਇਹਨਾਂ ਕਦਮਾਂ ਦੀ ਸਿਫ਼ਾਰਸ਼ ਕਰਦਾ ਹੈ, ਪਰ ਇਹ ਜਾਣਨਾ ਕਿ ਇਹਨਾਂ ਦੀ ਕਿਉਂ ਲੋੜ ਹੈ ਤੁਹਾਡੀ ਰੱਖਿਆ ਕਰਦਾ ਹੈ।
ਸੰਕੇਤ: ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਹਮੇਸ਼ਾਂ ਲੜੀ ਨੂੰ ਪਲਾਟ ਅਤੇ ਵਿਗਾੜੋ। ਇੱਕ ਸਪੱਸ਼ਟ ਢਾਂਚਾਗਤ ਬਰੇਕ (ਉਦਾਹਰਨ ਲਈ ਇੱਕ ਸੰਕਟ ਜਾਂ ਮੁਦਰਾ ਸੁਧਾਰ) ਸਭ ਤੋਂ ਉੱਨਤ ਮਾਡਲ ਨੂੰ ਵੀ ਮੂਰਖ ਬਣਾ ਦੇਵੇਗਾ। ਚਾਰਟ ਸਭ ਤੋਂ ਸਸਤਾ ਡਾਇਗਨੌਸਟਿਕ ਟੂਲ ਹੈ।
ਮਾਡਲ: ਸਧਾਰਨ ਤੋਂ ਗੁੰਝਲਦਾਰ ਤੱਕ, ਪਰ ਪਹਿਲਾਂ ਬੈਂਚਮਾਰਕ
ਸਮਾਂ ਲੜੀ ਦੀ ਭਵਿੱਖਬਾਣੀ ਵਿੱਚ ਸੁਨਹਿਰੀ ਨਿਯਮ: ਹਮੇਸ਼ਾਂ ਇੱਕ ਸਧਾਰਨ ਬੈਂਚਮਾਰਕ ਮਾਡਲ ਨਾਲ ਸ਼ੁਰੂ ਕਰੋ। ਸਭ ਤੋਂ ਸਰਲ ਭਵਿੱਖਬਾਣੀ "ਭੋਲੀ ਭਵਿੱਖਬਾਣੀ" ਹੈ: ਕੱਲ੍ਹ ਅੱਜ ਦੇ ਬਰਾਬਰ ਹੋਵੇਗਾ (ਜਾਂ ਮੌਸਮੀ ਭੋਲਾ: ਇਹ ਮਹੀਨਾ ਪਿਛਲੇ ਸਾਲ ਦੇ ਉਸੇ ਮਹੀਨੇ ਦੇ ਬਰਾਬਰ ਹੈ)। ਜੇਕਰ ਇੱਕ ਗੁੰਝਲਦਾਰ ਮਾਡਲ ਇਸ ਭੋਲੀ-ਭਾਲੀ ਭਵਿੱਖਬਾਣੀ ਨੂੰ ਨਹੀਂ ਹਰਾ ਸਕਦਾ, ਤਾਂ ਗੁੰਝਲਦਾਰਤਾ ਵਿਅਰਥ ਹੈ।
ਫਿਰ ਅਕਸਰ ਵਰਤੇ ਜਾਂਦੇ ਤਰੀਕੇ:
- ETS / ਘਾਤਕ ਸਮੂਥਿੰਗ। ਇੱਕ ਪਰਿਵਾਰ ਜੋ ਉਹਨਾਂ ਨੂੰ ਭਾਰ ਦੇ ਕੇ ਪੱਧਰ, ਰੁਝਾਨ ਅਤੇ ਮੌਸਮੀਤਾ ਨੂੰ ਨਰਮ ਕਰਦਾ ਹੈ।
- ਕਾਲਿੰਗ। ਕਲਾਸੀਕਲ ਮਾਡਲ ਆਟੋਰੀਗਰੈਸਿਵ (ਪਿਛਲੇ ਮੁੱਲਾਂ ਦੇ ਅਧਾਰ ਤੇ) ਅਤੇ ਮੂਵਿੰਗ ਔਸਤ ਭਾਗਾਂ ਨੂੰ ਜੋੜਦਾ ਹੈ; ਮੌਸਮੀ ਸੰਸਕਰਣ SARIMA.
- ਰਿਗਰੈਸ਼ਨ-ਅਧਾਰਿਤ/ਵਿਆਖਿਆਤਮਕ ਮਾਡਲ। ਦੂਜੇ ਸੂਚਕਾਂ ਦੇ ਨਾਲ ਇੱਕ ਵੇਰੀਏਬਲ ਦੀ ਵਿਆਖਿਆ ਕਰਨਾ (ਜਿਵੇਂ ਕਿ ਆਮਦਨ ਅਤੇ ਕੀਮਤ ਦੁਆਰਾ ਮੰਗ)।
AI ਇਹਨਾਂ ਸਾਰਿਆਂ ਨੂੰ statsmodels (Python ਲਾਇਬ੍ਰੇਰੀ) ਵਿੱਚ ਕੋਡ ਕਰ ਸਕਦਾ ਹੈ। ਤੁਹਾਡਾ ਕੰਮ ਮਾਡਲਾਂ ਨੂੰ ਚੁਣਨਾ ਅਤੇ ਪ੍ਰਮਾਣਿਤ ਕਰਨਾ ਹੈ।
ਬੈਕਟੈਸਟ: ਭਵਿੱਖਬਾਣੀ ਦਾ ਟੈਸਟ
ਇਸਦਾ ਕੋਈ ਮਤਲਬ ਨਹੀਂ ਹੈ ਜੇਕਰ ਕੋਈ ਮਾਡਲ ਇਤਿਹਾਸਕ ਡੇਟਾ ਦੇ ਨਾਲ "ਚੰਗੀ ਤਰ੍ਹਾਂ ਫਿੱਟ" ਹੋਵੇ; ਕਿਸੇ ਵੀ ਮਾਡਲ ਨੂੰ ਫਿੱਟ ਕਰਨ ਲਈ ਕਾਫ਼ੀ ਲਚਕਦਾਰ (ਇਸ ਨੂੰ ਓਵਰਫਿਟਿੰਗ ਕਿਹਾ ਜਾਂਦਾ ਹੈ)। ਅਸਲ ਸਵਾਲ: ਮਾਡਲ ਉਸ ਸਮੇਂ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਿੰਨੀ ਚੰਗੀ ਤਰ੍ਹਾਂ ਕਰਦਾ ਹੈ ਜੋ ਉਸਨੇ ਨਹੀਂ ਦੇਖਿਆ ਹੈ? ਇਸ ਨੂੰ ਮਾਪਣ ਲਈ, ਤੁਸੀਂ ਬੈਕਟੈਸਟਿੰਗ ਕਰਦੇ ਹੋ: ਤੁਸੀਂ ਇੱਕ ਮਿਤੀ 'ਤੇ ਡੇਟਾ ਨੂੰ ਵੰਡਦੇ ਹੋ, ਮਾਡਲ ਨੂੰ ਪਿਛਲੇ ਹਿੱਸੇ ਨਾਲ ਸਿਖਲਾਈ ਦਿੰਦੇ ਹੋ, ਇਸ ਨੂੰ ਅਗਲੇ ਹਿੱਸੇ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਦੇ ਹੋ "ਜਿਵੇਂ ਕਿ ਇਹ ਭਵਿੱਖ ਸੀ" ਅਤੇ ਇਸਦੀ ਅਸਲੀਅਤ ਨਾਲ ਤੁਲਨਾ ਕਰੋ। ਗਲਤੀ ਮਾਪ (ਉਦਾਹਰਨ ਲਈ, MAE — ਮਤਲਬ ਪੂਰਨ ਗਲਤੀ, ਜਾਂ RMSE — ਰੂਟ ਮਤਲਬ ਵਰਗ ਗਲਤੀ) ਤੁਹਾਨੂੰ ਮਾਡਲ ਦੀ ਬੈਂਚਮਾਰਕ ਨਾਲ ਤੁਲਨਾ ਕਰਨ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦੇ ਹਨ।
ਸਾਵਧਾਨ: ਤੁਹਾਡੇ ਦੁਆਰਾ ਮੁਲਾਂਕਣ ਕੀਤੇ ਗਏ ਡੇਟਾ ਨਾਲ ਮਾਡਲ ਨੂੰ ਸਿਖਲਾਈ ਨਾ ਦਿਓ। ਪੂਰਵ-ਅਨੁਮਾਨ ਦੀ ਸਫਲਤਾ ਨੂੰ ਸਿਰਫ਼ ਉਹਨਾਂ ਪੀਰੀਅਡਾਂ ਵਿੱਚ ਮਾਪੋ ਜੋ ਸਿਖਲਾਈ ਵਿੱਚ ਨਹੀਂ ਵਰਤੇ ਗਏ। ਨਹੀਂ ਤਾਂ ਤੁਸੀਂ ਆਪਣੇ ਆਪ ਨੂੰ ਧੋਖਾ ਦਿਓਗੇ; ਮਾਡਲ ਕਾਗਜ਼ 'ਤੇ ਬਹੁਤ ਵਧੀਆ ਹੈ ਪਰ ਅਸਲ ਵਿੱਚ ਬੇਕਾਰ ਹੈ.
ਅਨਿਸ਼ਚਿਤਤਾ: ਰੇਂਜ, ਬਿੰਦੂ ਅਨੁਮਾਨ ਨਹੀਂ
ਇੱਕ ਸਿੰਗਲ ਨੰਬਰ ("ਮਹਿੰਗਾਈ ਸਾਲ ਦੇ ਅੰਤ ਤੱਕ 24 ਪ੍ਰਤੀਸ਼ਤ ਹੋਵੇਗੀ") ਝੂਠੀ ਨਿਸ਼ਚਤਤਾ ਨੂੰ ਦਰਸਾਉਂਦੀ ਹੈ। ਇਮਾਨਦਾਰ ਅੰਦਾਜ਼ੇ ਵਿੱਚ ਇੱਕ ਸੀਮਾ ਅਤੇ ਸੰਭਾਵਨਾ ਸ਼ਾਮਲ ਹੈ: "21-27 ਪ੍ਰਤੀਸ਼ਤ ਬੈਂਡ ਵਿੱਚ, ਕੇਂਦਰ ਦਾ ਦ੍ਰਿਸ਼ 24 ਪ੍ਰਤੀਸ਼ਤ ਹੈ"। ਪੂਰਵ ਅਨੁਮਾਨ ਅਨਿਸ਼ਚਿਤਤਾ ਮਾਡਲ ਦੁਆਰਾ ਪੈਦਾ ਕੀਤੇ ਗਏ ਭਰੋਸੇ ਦੇ ਅੰਤਰਾਲਾਂ ਵਿੱਚ ਪ੍ਰਗਟ ਕੀਤੀ ਜਾਂਦੀ ਹੈ; ਪਰ ਅਸਲ ਅਨਿਸ਼ਚਿਤਤਾ ਇਸ ਤੋਂ ਵੱਧ ਹੈ, ਕਿਉਂਕਿ ਮਾਡਲ ਦੀਆਂ ਧਾਰਨਾਵਾਂ ਵੀ ਗਲਤ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਢਾਂਚਾਗਤ ਬਰੇਕ (ਨੀਤੀ ਤਬਦੀਲੀ, ਬਾਹਰੀ ਸਦਮਾ) ਸਭ ਤੋਂ ਵੱਡਾ ਜੋਖਮ ਹੈ ਜੋ ਮਾਡਲ ਨਹੀਂ ਦੇਖ ਸਕਦਾ।
ਤਿੰਨ ਛੋਟੇ ਕੇਸ
ਕੇਸ 1 - ਬੈਂਚਮਾਰਕ ਨੂੰ ਹਰਾਉਣ ਵਿੱਚ ਅਸਫਲ ਰਿਹਾ। ਇੱਕ ਵਿਸ਼ਲੇਸ਼ਕ ਨੇ AI ਨੂੰ ਮਹੀਨਾਵਾਰ ਪ੍ਰਚੂਨ ਵਿਕਰੀ ਲਈ ਇੱਕ ਗੁੰਝਲਦਾਰ SARIMA ਬਣਾਉਣਾ ਸੀ। ਬੈਕਟੈਸਟ ਵਿੱਚ, ਮਾਡਲ ਦੀ ਔਸਤ ਸੰਪੂਰਨ ਗਲਤੀ ਮੌਸਮੀ ਭੋਲੇ ਪੂਰਵ ਅਨੁਮਾਨ ਨਾਲੋਂ ਵੀ ਮਾੜੀ ਸੀ ਜਿਸ ਵਿੱਚ ਕਿਹਾ ਗਿਆ ਸੀ ਕਿ "ਇਹ ਮਹੀਨਾ ਪਿਛਲੇ ਸਾਲ ਦੇ ਉਸੇ ਮਹੀਨੇ ਦੇ ਬਰਾਬਰ ਹੈ।" ਵਿਸ਼ਲੇਸ਼ਕ ਨੇ ਗੁੰਝਲਦਾਰ ਮਾਡਲ ਨੂੰ ਛੱਡ ਦਿੱਤਾ; ਉਸਨੇ ਭੋਲੇ-ਭਾਲੇ ਅੰਦਾਜ਼ੇ ਨੂੰ ਅਧਾਰ ਵਜੋਂ ਲਿਆ ਅਤੇ ਇੱਕ ਮਾਹਰ ਸੁਧਾਰ ਜੋੜਿਆ। ਸਾਦਗੀ ਦੀ ਜਿੱਤ ਹੁੰਦੀ ਹੈ।
ਕੇਸ 2 — ਢਾਂਚਾਗਤ ਬਰੇਕ। ਇੱਕ ਸੰਸਥਾ ਨੇ ਮੁਦਰਾਸਫਿਤੀ ਦੇ ਮਾਡਲ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਜਿਸ ਨੂੰ ਇਸਨੇ ਸਦਮੇ ਤੋਂ ਬਾਅਦ ਦੀ ਮਿਆਦ ਲਈ ਐਕਸਚੇਂਜ ਦਰ ਸਦਮੇ ਤੋਂ ਪਹਿਲਾਂ ਡੇਟਾ ਨਾਲ ਸਿਖਲਾਈ ਦਿੱਤੀ ਸੀ। ਮਾਡਲ ਨੇ ਮਹਿੰਗਾਈ ਨੂੰ ਬੁਰੀ ਤਰ੍ਹਾਂ ਘੱਟ ਸਮਝਿਆ ਕਿਉਂਕਿ ਇਸ ਨੇ ਪਿਛਲੇ ਸ਼ਾਂਤ ਸਮੇਂ ਦੀ ਗਤੀਸ਼ੀਲਤਾ ਨੂੰ ਮੰਨਿਆ ਹੈ। ਸਬਕ: ਮਾਡਲ ਉਸ ਸੰਸਾਰ ਨੂੰ ਮੰਨਦਾ ਹੈ ਜਿਸ ਵਿੱਚ ਇਸਨੂੰ ਸਿਖਲਾਈ ਦਿੱਤੀ ਜਾਂਦੀ ਹੈ; ਜਦੋਂ ਸੰਸਾਰ ਬਦਲਦਾ ਹੈ, ਭਵਿੱਖਬਾਣੀ ਟੁੱਟ ਜਾਂਦੀ ਹੈ. ਜੇ ਅਰਥ ਸ਼ਾਸਤਰੀ ਗ੍ਰਾਫ ਨੂੰ ਵੇਖਦਾ ਹੈ, ਤਾਂ ਉਹ ਬਰੇਕ ਵੇਖੇਗਾ.
ਕੇਸ 3 - ਸੀਮਾ ਦੀ ਇਮਾਨਦਾਰੀ। ਇੱਕ ਅਰਥ ਸ਼ਾਸਤਰੀ ਨੇ ਪ੍ਰਬੰਧਨ ਨੂੰ ਇੱਕ ਇੱਕਲੇ ਅੰਕੜੇ ਵਜੋਂ ਨਹੀਂ, ਸਗੋਂ "3.0-4.2 ਪ੍ਰਤੀਸ਼ਤ ਬੈਂਡ ਦੇ ਰੂਪ ਵਿੱਚ, ਇਹ ਅੰਡਰਲਾਈੰਗ ਧਾਰਨਾਵਾਂ" ਵਜੋਂ ਆਪਣੇ ਸਾਲ ਦੇ ਅੰਤ ਵਿੱਚ ਵਿਕਾਸ ਦੀ ਭਵਿੱਖਬਾਣੀ ਪੇਸ਼ ਕੀਤੀ। ਸਾਲ ਦੇ ਅੰਤ ਵਿੱਚ, ਪ੍ਰਾਪਤੀ 3.6 ਪ੍ਰਤੀਸ਼ਤ ਸੀ; ਇਹ ਬੈਂਡ ਵਿਚ ਸੀ. ਜੇ ਉਸਨੇ ਇੱਕ ਨੰਬਰ ਦਿੱਤਾ ਹੁੰਦਾ, ਤਾਂ ਸ਼ਾਇਦ ਉਸਨੂੰ "ਗਲਤ" ਲੇਬਲ ਦਿੱਤਾ ਜਾਂਦਾ; ਸੀਮਾ ਅਤੇ ਧਾਰਨਾਵਾਂ ਦੋਵੇਂ ਈਮਾਨਦਾਰ ਸਨ ਅਤੇ ਭਰੋਸਾ ਰੱਖਿਆ ਗਿਆ ਸੀ।
ਮਾਡਲ ਚੋਣ ਸਾਰਣੀ
ਸਥਿਤੀ
ਸਹੀ ਸ਼ੁਰੂਆਤ
ਨੋਟ
ਹਰ ਅੰਦਾਜ਼ਾ
ਭੋਲਾ / ਮੌਸਮੀ ਭੋਲਾ ਮਾਪਦੰਡ
ਹਰਾਉਣ ਦਾ ਅਧਾਰ
ਰੁਝਾਨ + ਮੌਸਮੀ, ਫਲੈਟ
ETS (ਘਾਤਕ ਸਮੂਥਿੰਗ)
ਇੰਸਟਾਲ ਕਰਨ ਅਤੇ ਟਿੱਪਣੀ ਕਰਨ ਲਈ ਆਸਾਨ
ਸਵੈ-ਸਬੰਧਿਤ ਲੜੀ
(ਐਸ) ਅਰਿਮਾ
ਸਥਿਰਤਾ ਦੀ ਲੋੜ ਹੈ
ਇੱਕ ਵਿਆਖਿਆਤਮਕ ਵੇਰੀਏਬਲ ਹੈ
ਰਿਗਰੈਸ਼ਨ ਆਧਾਰਿਤ
ਭਵਿੱਖ ਦੇ ਭਵਿੱਖਬਾਣੀਆਂ ਨੂੰ ਵੀ ਚਾਹੀਦਾ ਹੈ
ਢਾਂਚਾਗਤ ਟੁੱਟਣ ਦਾ ਸ਼ੱਕ
ਮਾਡਲ + ਮਾਹਰ ਸੁਧਾਰ
ਸ਼ੁੱਧ ਮਾਡਲ ਕਾਫ਼ੀ ਨਹੀਂ ਹੈ
ਚਾਰ ਕਾਪੀ ਕਰਨ ਯੋਗ ਟੈਂਪਲੇਟ
1) ਪਾਰਸਿੰਗ ਅਤੇ ਨਿਦਾਨ:
ਉਸ ਮਾਸਿਕ ਲੜੀ [ਸੀਰੀਜ਼] ਨੂੰ ਪਲਾਟ ਕਰੋ, ਫਿਰ ਇਸਨੂੰ ਰੁਝਾਨ/ਮੌਸਮੀਤਾ/ਬਕਾਇਆ ਭਾਗਾਂ (ਸਟੈਟਸ ਮਾਡਲ) ਵਿੱਚ ਵੱਖ ਕਰੋ। ਜਾਂਚ ਕਰੋ ਕਿ ਕੀ ਇਹ ਸਥਿਰ ਹੈ (ADF ਟੈਸਟ) ਅਤੇ, ਜੇ ਲੋੜ ਹੋਵੇ, ਤਾਂ ਦੱਸੋ ਕਿ ਤੁਸੀਂ ਕਿਸ ਪਰਿਵਰਤਨ (ਲੌਗ, ਫਰਕ) ਦੀ ਸਿਫ਼ਾਰਸ਼ ਕਰਦੇ ਹੋ। ਮਾਰਕ ਕਰੋ ਕਿ ਕੀ ਚਾਰਟ ਵਿੱਚ ਕੋਈ ਦਿੱਖ ਢਾਂਚਾਗਤ ਬਰੇਕ ਹੈ।
2) ਬੈਂਚਮਾਰਕ + ਮਾਡਲ ਤੁਲਨਾ:
ਪਹਿਲਾਂ ਇਸ ਲੜੀ ਲਈ ਇੱਕ ਮੌਸਮੀ ਭੋਲੇ-ਭਾਲੇ ਬੈਂਚਮਾਰਕ ਪੂਰਵ ਅਨੁਮਾਨ ਸਥਾਪਤ ਕਰੋ। ਫਿਰ ਇੱਕ ETS ਅਤੇ ਇੱਕ SARIMA ਸਥਾਪਤ ਕਰੋ। MAE ਅਤੇ RMSE 'ਤੇ ਆਧਾਰਿਤ ਤਿੰਨਾਂ ਦੀ ਬੈਕਟੈਸਟ (ਪਿਛਲੇ 12 ਮਹੀਨਿਆਂ ਦੀ ਜਾਂਚ) ਨਾਲ ਤੁਲਨਾ ਕਰੋ। ਨਤੀਜਿਆਂ ਦੀ ਸਾਰਣੀ ਬਣਾਓ ਅਤੇ ਸਪਸ਼ਟ ਤੌਰ 'ਤੇ ਦੱਸੋ ਕਿ ਕਿਹੜਾ ਮਾਡਲ ਬੈਂਚਮਾਰਕ ਨੂੰ ਹਰਾਉਂਦਾ ਹੈ।
3) ਅਨੁਮਾਨ ਅਤੇ ਅਨਿਸ਼ਚਿਤਤਾ ਸੀਮਾ:
ਮੇਰੇ ਦੁਆਰਾ ਚੁਣੇ ਗਏ ਮਾਡਲ ਲਈ ਅਗਲੀਆਂ 6 ਪੀਰੀਅਡਾਂ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰੋ ਅਤੇ 80%/95% ਭਰੋਸੇ ਦੇ ਅੰਤਰਾਲ ਦਿਓ। ਅੰਦਾਜ਼ੇ ਨੂੰ ਇੱਕ ਰੇਂਜ ਦੇ ਰੂਪ ਵਿੱਚ ਪੇਸ਼ ਕਰੋ, ਨਾ ਕਿ ਇੱਕ ਸੰਖਿਆ ਦੇ ਰੂਪ ਵਿੱਚ। ਇਹ ਸਪੱਸ਼ਟ ਕਰੋ ਕਿ ਇਹ ਰੇਂਜ ਸਿਰਫ ਮਾਡਲ ਅਨਿਸ਼ਚਿਤਤਾ ਨੂੰ ਕਵਰ ਕਰਦੀ ਹੈ, ਨਾ ਕਿ ਢਾਂਚਾਗਤ ਟੁੱਟਣ/ਬਾਹਰੀ ਸਦਮੇ ਦੇ ਜੋਖਮ ਨੂੰ।
4) ਬੈਕਟੇਸਟ ਰੀਡਿੰਗ:
ਇਹਨਾਂ ਬੈਕਟੇਸਟ ਨਤੀਜਿਆਂ ਦੀ ਵਿਆਖਿਆ ਕਰੋ [ਸਾਰਣੀ]। ਕੀ ਮਾਡਲ ਅਸਲ ਵਿੱਚ ਬੈਂਚਮਾਰਕ ਨੂੰ ਹਰਾਉਂਦਾ ਹੈ, ਜਾਂ ਕੀ ਅੰਤਰ ਅੰਕੜਾਤਮਕ ਤੌਰ 'ਤੇ ਮਾਮੂਲੀ ਹੈ? ਦੱਸੋ ਕਿ ਕਿਹੜੇ ਸਮੇਂ ਵਿੱਚ ਤੁਹਾਡੇ ਮਾਡਲ ਨੇ ਸਭ ਤੋਂ ਵੱਧ ਗਲਤੀਆਂ ਕੀਤੀਆਂ ਅਤੇ ਇਸਦੇ ਸੰਭਾਵੀ ਆਰਥਿਕ ਕਾਰਨ (ਸੰਕਟ, ਮੌਸਮੀ ਤਬਦੀਲੀ) 'ਤੇ ਸਵਾਲ ਉਠਾਓ।
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ / ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ:
ਇਸ ਲੜੀ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਓ।
ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਇੱਕ ਬੇਤਰਤੀਬ ਮਾਡਲ ਬਣਾਉਂਦਾ ਹੈ, ਬੈਕਟੈਸਟ ਨਹੀਂ ਕਰਦਾ, ਇੱਕ ਅਜੀਬ ਨੰਬਰ ਦਿੰਦਾ ਹੈ; ਤੁਹਾਨੂੰ ਨਹੀਂ ਪਤਾ ਕਿ ਮਾਡਲ ਕੰਮ ਕਰਦਾ ਹੈ ਜਾਂ ਨਹੀਂ।
ਸ਼ਕਤੀਸ਼ਾਲੀ ਪ੍ਰਾਉਟ:
ਪਹਿਲਾਂ ਮੌਜੂਦਾ ਮਾਸਿਕ ਮਹਿੰਗਾਈ ਲੜੀ ਨੂੰ ਕੰਪੋਜ਼ ਕਰੋ ਅਤੇ ਬਰੇਕਾਂ ਲਈ ਸਕੈਨ ਕਰੋ। ਪਿਛਲੇ 12 ਮਹੀਨਿਆਂ ਵਿੱਚ ਇੱਕ ਮੌਸਮੀ ਭੋਲੇ-ਭਾਲੇ ਬੈਂਚਮਾਰਕ ਦੇ ਵਿਰੁੱਧ ਬੈਕਟੈਸਟ ETS ਅਤੇ SARIMA, MAE ਨਾਲ ਤੁਲਨਾ ਕਰੋ। ਉਹ ਮਾਡਲ ਚੁਣੋ ਜੋ ਬੈਂਚਮਾਰਕ ਨੂੰ ਪਛਾੜਦਾ ਹੈ, 6 ਮਹੀਨੇ ਦੀ ਭਵਿੱਖਬਾਣੀ ਦਿਓ ਅਤੇ 80% ਸੀਮਾ ਪਾਓ। ਇੱਕ ਵੱਖਰੀ ਚੇਤਾਵਨੀ ਦੇ ਰੂਪ ਵਿੱਚ ਢਾਂਚਾਗਤ ਟੁੱਟਣ ਦੇ ਜੋਖਮ ਨੂੰ ਲਿਖੋ। ਹਰੇਕ ਪੜਾਅ ਅਤੇ ਸੰਖੇਪ ਨੰਬਰਾਂ ਲਈ ਕੋਡ ਦਿਖਾਓ ਜੋ ਮੈਂ ਹੱਥੀਂ ਤਸਦੀਕ ਕਰ ਸਕਦਾ/ਸਕਦੀ ਹਾਂ।
ਆਮ ਗਲਤੀਆਂ
- ਬੈਂਚਮਾਰਕ ਸਥਾਪਤ ਕੀਤੇ ਬਿਨਾਂ ਗੁੰਝਲਦਾਰ ਮਾਡਲ ਵਿੱਚ ਜੰਪ ਕਰਨਾ। ਜਟਿਲਤਾ ਸਫਲਤਾ ਦੇ ਬਰਾਬਰ ਨਹੀਂ ਹੈ.
- ਇਸ ਦੁਆਰਾ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਡੇਟਾ 'ਤੇ ਮਾਡਲ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨਾ। ਸਫਲਤਾ ਲਈ ਬਹੁਤ ਜ਼ਿਆਦਾ ਪਾਲਣਾ ਦੀ ਗਲਤੀ.
- ਇੱਕ ਸਿੰਗਲ ਪੁਆਇੰਟ ਅਨੁਮਾਨ ਦੇਣਾ। ਝੂਠੀ ਨਿਸ਼ਚਤਤਾ; ਸੀਮਾ ਅਤੇ ਧਾਰਨਾ ਦੀ ਲੋੜ ਹੈ.
- ਢਾਂਚਾਗਤ ਬਰੇਕ ਨੂੰ ਨਜ਼ਰਅੰਦਾਜ਼ ਕਰਨਾ। ਅਤੀਤ ਦੀ ਗਤੀਸ਼ੀਲਤਾ ਨੂੰ ਅੰਨ੍ਹੇਵਾਹ ਭਵਿੱਖ ਵਿੱਚ ਲੈ ਜਾਣਾ.
- ਸਥਿਰਤਾ ਨੂੰ ਛੱਡਣਾ। ਨਕਲੀ ਰਿਸ਼ਤੇ ਅਤੇ ਵਿਗੜਦੀ ਭਵਿੱਖਬਾਣੀ।
- ਭਵਿੱਖਬਾਣੀ ਨੂੰ ਭਵਿੱਖਬਾਣੀ ਵਜੋਂ ਪੇਸ਼ ਕਰਨਾ। ਅਨਿਸ਼ਚਿਤਤਾ ਅਤੇ ਜ਼ਿੰਮੇਵਾਰੀ ਨੂੰ ਛੁਪਾਉਣਾ.
ਸੰਖੇਪ ਵਿੱਚ
ਸਮਾਂ ਲੜੀ ਪੂਰਵ ਅਨੁਮਾਨ ਇੱਕ ਲੜੀ ਨੂੰ ਇਸਦੇ ਭਾਗਾਂ ਵਿੱਚ ਵੱਖ ਕਰਕੇ, ਇਸਨੂੰ ਸਥਿਰ ਬਣਾ ਕੇ, ਇੱਕ ਸਧਾਰਨ ਬੈਂਚਮਾਰਕ ਸਥਾਪਤ ਕਰਕੇ, ਬੈਕਟੈਸਟਿੰਗ ਦੁਆਰਾ ਮਾਡਲਾਂ ਦੀ ਤੁਲਨਾ ਕਰਕੇ, ਅਤੇ ਨਤੀਜੇ ਨੂੰ ਅਨਿਸ਼ਚਿਤਤਾ ਸੀਮਾ ਦੇ ਨਾਲ ਇਮਾਨਦਾਰੀ ਨਾਲ ਪੇਸ਼ ਕਰਕੇ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਨਕਲੀ ਬੁੱਧੀ ਤੇਜ਼ੀ ਨਾਲ ਇਹਨਾਂ ਸਾਰੇ ਕਦਮਾਂ ਲਈ ਕੋਡ ਤਿਆਰ ਕਰਦੀ ਹੈ; ਪਰ ਮਾਡਲ ਦੀ ਚੋਣ, ਢਾਂਚਾਗਤ ਬਰੇਕ ਨਿਰਣਾ ਅਤੇ ਪੂਰਵ ਅਨੁਮਾਨ ਦੀ ਜ਼ਿੰਮੇਵਾਰੀ ਅਰਥਸ਼ਾਸਤਰੀ ਦੀ ਹੈ। ਇੱਕ ਭਵਿੱਖਬਾਣੀ ਇੱਕ ਭਵਿੱਖਬਾਣੀ ਨਹੀਂ ਹੈ, ਪਰ ਇੱਕ ਸ਼ਰਤੀਆ ਅਤੇ ਅਨਿਸ਼ਚਿਤ ਭਵਿੱਖਬਾਣੀ ਹੈ।
ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਕੰਮ
ਇੱਕ ਮਹੀਨਾਵਾਰ ਆਰਥਿਕ ਲੜੀ ਚੁਣੋ (ਉਦਾਹਰਨ ਲਈ ਉਦਯੋਗਿਕ ਉਤਪਾਦਨ ਸੂਚਕਾਂਕ)। 1ਵੇਂ ਟੈਮਪਲੇਟ ਨਾਲ ਵੱਖ ਕਰੋ ਅਤੇ ਬ੍ਰੇਕਆਉਟ ਲਈ ਸਕੈਨ ਕਰੋ, ਦੂਜੇ ਟੈਮਪਲੇਟ ਨਾਲ ਮੌਸਮੀ ਭੋਲੇ-ਭਾਲੇ ਬੈਂਚਮਾਰਕ ਦੇ ਵਿਰੁੱਧ ਬੈਕਟੈਸਟ ETS/SARIMA, ਤੀਜੇ ਟੈਪਲੇਟ ਨਾਲ 6-ਮਹੀਨੇ ਦੀ ਫਾਰਵਰਡ ਰੇਂਜ ਪੂਰਵ ਅਨੁਮਾਨ ਤਿਆਰ ਕਰੋ। ਨੋਟ ਕਰੋ ਕਿ ਕੀ ਤੁਹਾਡਾ ਮਾਡਲ ਅਸਲ ਵਿੱਚ ਬੈਂਚਮਾਰਕ ਨੂੰ ਹਰਾ ਦਿੰਦਾ ਹੈ ਅਤੇ ਕਿਸੇ ਵੀ ਢਾਂਚਾਗਤ ਬਰੇਕਾਂ ਨੂੰ ਫਲੈਗ ਕਰਦਾ ਹੈ ਜੋ ਤੁਸੀਂ ਦੇਖਦੇ ਹੋ।
ਚੈੱਕਲਿਸਟ
- [] ਮੈਂ ਲੜੀ ਦੀ ਸਾਜ਼ਿਸ਼ ਰਚੀ ਅਤੇ ਰੁਝਾਨ/ਮੌਸਮ/ਬ੍ਰੇਕ ਦੇ ਰੂਪ ਵਿੱਚ ਇਸਦਾ ਨਿਦਾਨ ਕੀਤਾ।
- [ ] ਜੇ ਜਰੂਰੀ ਹੋਵੇ ਤਾਂ ਮੈਂ ਸਟੇਸ਼ਨਰੀਕਰਣ (ਲੌਗ/ਫਰਕ) ਲਾਗੂ ਕੀਤਾ ਹੈ ਅਤੇ ਮੈਨੂੰ ਕਾਰਨ ਪਤਾ ਹੈ।
- [ ] ਮੈਂ ਇੱਕ ਸਧਾਰਨ ਬੈਂਚਮਾਰਕ ਸਥਾਪਤ ਕੀਤਾ ਅਤੇ ਇਸਦੇ ਵਿਰੁੱਧ ਗੁੰਝਲਦਾਰ ਮਾਡਲ ਦੀ ਤੁਲਨਾ ਕੀਤੀ।
- [ ] ਮੈਂ ਮਾਡਲ ਦਾ ਮੁਲਾਂਕਣ ਸਿਰਫ ਪੀਰੀਅਡਾਂ ਦੌਰਾਨ ਕੀਤਾ ਜਦੋਂ ਇਹ ਸਿਖਲਾਈ ਵਿੱਚ ਨਹੀਂ ਸੀ (ਬੈਕਟੈਸਟ)।
- [ ] ਮੈਂ ਇੱਕ ਅਨਿਸ਼ਚਿਤਤਾ ਰੇਂਜ ਦੇ ਨਾਲ ਅਨੁਮਾਨ ਪੇਸ਼ ਕੀਤਾ, ਇੱਕ ਵੀ ਸੰਖਿਆ ਨਹੀਂ।
- [ ] ਮੈਂ ਇੱਕ ਵੱਖਰੀ ਚੇਤਾਵਨੀ ਵਜੋਂ ਢਾਂਚਾਗਤ ਬਰੇਕ/ਬਾਹਰੀ ਸਦਮੇ ਦੇ ਜੋਖਮ ਦਾ ਜ਼ਿਕਰ ਕੀਤਾ ਹੈ।
- [ ] ਮੈਂ ਕਿਹਾ ਕਿ ਭਵਿੱਖਬਾਣੀ ਅਤੇ ਅੰਤਿਮ ਨਿਰਣੇ ਦੀ ਜ਼ਿੰਮੇਵਾਰੀ ਮੇਰੇ ਉੱਤੇ ਹੈ।