நேரத் தொடர் பகுப்பாய்வு மற்றும் முன்னறிவிப்பு ஆதரவு

ஆதாயங்கள்:

• செயற்கை நுண்ணறிவின் துணையுடன் போக்கு, பருவநிலை, சுழற்சி மற்றும் நிலைத்தன்மை போன்ற நேரத் தொடர் கருத்துகளைப் புரிந்துகொள்வது மற்றும் தொடரை சரியாக அலசுவது
• ARIMA, ETS மற்றும் எளிய பெஞ்ச்மார்க் மாதிரிகளை செயற்கை நுண்ணறிவில் குறியீடாக நிறுவும் திறன், கணிப்புகளை உருவாக்குதல் மற்றும் பின்பரிசோதனை மூலம் அவற்றை மதிப்பிடுதல்
• நிச்சயமற்ற வரம்பு, மாதிரி வரம்பு மற்றும் கட்டமைப்பு முறிவு ஆகியவற்றின் போது முன்னறிவிப்பின் பலவீனத்தை புரிந்து கொள்ள முடியும், மேலும் முன்னறிவிப்புக்கான பொறுப்பு பொருளாதார நிபுணரிடம் உள்ளது.

பொருளாதாரத்தின் மொழி நேரம். பணவீக்கம், வளர்ச்சி, வேலையின்மை, மாற்று விகிதங்கள் - இவை அனைத்தும் காலப்போக்கில் பாயும் தொடர்கள், மேலும் பொருளாதார வல்லுனரிடம் அடிக்கடி கேட்கப்படும் விஷயங்களில் ஒன்று "அதனால் அடுத்து என்ன நடக்கும்?" என்பது கேள்வி. இந்த யூனிட்டில், நேரத் தொடர் கருத்துகளைப் புரிந்து கொள்ளவும், மாதிரிக் குறியீட்டை உருவாக்கவும், முன்னறிவிப்புகளை உருவாக்கவும் செயற்கை நுண்ணறிவைப் பயன்படுத்துவோம். ஆனால் ஆரம்பத்தில் இருந்தே கட்டமைப்பை தெளிவுபடுத்துவோம்: முன்னறிவிப்பு என்பது ஒரு தீர்க்கதரிசனம் அல்ல, ஆனால் நிச்சயமற்ற நிலையில் ஒரு நிபந்தனை கணிப்பு, மற்றும் பொறுப்பு பொருளாதார நிபுணரிடம் உள்ளது. AI உங்களுக்கு ARIMA குறியீட்டை நிமிடங்களில் எழுத முடியும்; ஆனால், அந்தக் கணிப்பு நியாயமானதா இல்லையா, கட்டமைப்பு முறிவின் போது அது சரிந்துவிடுமா என்பதைத் தீர்மானிப்பது மனிதன்தான்.

நேரத் தொடரின் கூறுகள்

எந்தவொரு பொருளாதார தொடரையும் நான்கு பகுதிகளாக உடைப்பதன் மூலம் சிந்திக்க உதவுகிறது:

• போக்கு (போக்கு). நீண்ட கால திசை; பொருளாதாரத்தின் வளர்ச்சிப் பாதை போன்றவை.
• பருவநிலை. ஆண்டு முழுவதும் தொடர்ந்து நிகழும் முறை; கோடையில் சுற்றுலா அதிகரிக்கிறது, டிசம்பரில் சில்லறை விற்பனை அதிகரிக்கிறது.
• சுழற்சி (இணைப்பு). பருவத்தை விட நீண்டது, ஒழுங்கற்ற ஏற்ற தாழ்வுகள்; விரிவாக்கம் மற்றும் சுருக்கத்தின் காலங்கள்.
• ஒழுங்கற்ற/சத்தம். விவரிக்கப்படாத, சீரற்ற ஏற்ற இறக்கம்.

ஒரு தொடரை மதிப்பிடுவதற்கு முன், இந்த கூறுகளை சிதைப்பது அவசியம். ஏனென்றால், மூலத் தொடரைப் பார்த்து "அது விழுகிறது" என்று சொல்வது தவறாக இருக்கலாம்: ஒருவேளை நீங்கள் ஒரு பருவகாலத் தொட்டியில் இருக்கலாம்.

நிலைத்தன்மையின் கருத்தும் உள்ளது: ஒரு தொடரின் புள்ளியியல் பண்புகள் (சராசரி, மாறுபாடு) காலப்போக்கில் மாறாது. பெரும்பாலான பொருளாதாரத் தொடர்கள் நிலையானவை அல்ல (தொடர்ந்து வளரும்); பல மாதிரிகள் உருவாக்குவதற்கு முன் வேறுபடுத்துதல் (ஒரு காலகட்டத்தை மற்றொன்றிலிருந்து கழித்தல்) அல்லது மடக்கைகளுடன் நிலைப்படுத்துதல் தேவைப்படுகிறது. AI இந்தப் படிகளைப் பரிந்துரைக்கிறது, ஆனால் அவை ஏன் தேவை என்பதை அறிவது உங்களைப் பாதுகாக்கும்.

உதவிக்குறிப்பு: முன்னறிவிப்பதற்கு முன் எப்போதும் தொடரை திட்டமிட்டு சிதைக்கவும். ஒரு வெளிப்படையான கட்டமைப்பு முறிவு (எ.கா. நெருக்கடி அல்லது நாணய சீர்திருத்தம்) மிகவும் மேம்பட்ட மாதிரியைக் கூட முட்டாளாக்கும். விளக்கப்படம் மலிவான கண்டறியும் கருவியாகும்.

மாதிரிகள்: எளிமையானது முதல் சிக்கலானது, ஆனால் முதலில் அளவுகோல்

நேரத் தொடர் முன்னறிவிப்பில் தங்க விதி: எப்போதும் ஒரு எளிய பெஞ்ச்மார்க் மாதிரியுடன் தொடங்கவும். எளிமையான முன்னறிவிப்பு "அப்பாவியான முன்னறிவிப்பு": நாளை இன்று சமமாக இருக்கும் (அல்லது பருவகால அப்பாவி: இந்த மாதம் கடந்த ஆண்டு இதே மாதத்திற்கு சமம்). ஒரு சிக்கலான மாதிரி இந்த அப்பாவியான கணிப்பை வெல்ல முடியாவிட்டால், சிக்கலானது பயனற்றது.

பின்னர் அடிக்கடி பயன்படுத்தப்படும் முறைகள்:

• ETS / அதிவேக மென்மையாக்குதல். நிலை, போக்கு மற்றும் பருவநிலை ஆகியவற்றை எடைபோட்டு மென்மையாக்கும் குடும்பம்.
• அழைப்பு. கிளாசிக்கல் மாடல் தன்னியக்க மறுபிறப்பு (கடந்த கால மதிப்புகளின் அடிப்படையில்) மற்றும் நகரும் சராசரி கூறுகளை இணைக்கிறது; பருவகால பதிப்பு SARIMA.
• பின்னடைவு அடிப்படையிலான/விளக்க மாதிரிகள். ஒரு மாறியை மற்ற குறிகாட்டிகளுடன் விளக்குதல் (எ.கா. வருமானம் மற்றும் விலையின் தேவை).

AI இவை அனைத்தையும் statsmodels இல் (Python library) குறியிட முடியும். மாதிரிகளைத் தேர்ந்தெடுத்து சரிபார்ப்பதே உங்கள் வேலை.

பின் சோதனை: கணிப்பு சோதனை

ஒரு மாதிரி வரலாற்றுத் தரவுகளுடன் "நன்றாகப் பொருந்துகிறது" என்றால் அது எதையும் குறிக்காது; எந்த மாதிரிக்கும் பொருந்தும் அளவுக்கு நெகிழ்வானது (இது ஓவர் ஃபிட்டிங் எனப்படும்). உண்மையான கேள்வி: மாடல் பார்க்காத காலங்களை எவ்வளவு நன்றாக கணிக்கின்றது? இதை அளவிட, நீங்கள் பின்பரிசோதனை செய்கிறீர்கள்: நீங்கள் ஒரு தேதியில் தரவைப் பிரித்து, முந்தைய பகுதியுடன் மாதிரியைப் பயிற்றுவித்து, அடுத்த பகுதியை "எதிர்காலம் போல்" கணித்து, அதை யதார்த்தத்துடன் ஒப்பிடுங்கள். பிழை அளவீடுகள் (உதாரணமாக, MAE — சராசரி முழுமையான பிழை, அல்லது RMSE — ரூட் சராசரி சதுரப் பிழை) மாதிரியை அளவுகோலுடன் ஒப்பிட உங்களை அனுமதிக்கிறது.

எச்சரிக்கை: நீங்கள் மதிப்பீடு செய்த தரவைக் கொண்டு மாதிரியைப் பயிற்றுவிக்க வேண்டாம். பயிற்சியில் பயன்படுத்தப்படாத காலங்களில் மட்டுமே கணிப்பு வெற்றியை அளவிடவும். இல்லையெனில் உங்களை நீங்களே ஏமாற்றிக் கொள்வீர்கள்; மாடல் காகிதத்தில் நன்றாக இருக்கிறது ஆனால் உண்மையில் பயனற்றது.

நிச்சயமற்ற தன்மை: வரம்பு, புள்ளி மதிப்பீடு அல்ல

ஒரு ஒற்றை எண் ("ஆண்டின் இறுதிக்குள் பணவீக்கம் 24 சதவீதமாக இருக்கும்") தவறான உறுதியை வெளிப்படுத்துகிறது. நேர்மையான மதிப்பீட்டில் வரம்பு மற்றும் நிகழ்தகவு ஆகியவை அடங்கும்: "21-27 சதவீத பேண்டில், மையக் காட்சி 24 சதவீதம்". முன்னறிவிப்பு நிச்சயமற்ற தன்மை மாதிரியால் உருவாக்கப்பட்ட நம்பிக்கை இடைவெளிகளில் வெளிப்படுத்தப்படுகிறது; ஆனால் உண்மையான நிச்சயமற்ற தன்மை இதை விட அதிகமாக உள்ளது, ஏனெனில் மாதிரி அனுமானங்களும் தவறாக இருக்கலாம். கட்டமைப்பு முறிவு (கொள்கை மாற்றம், வெளிப்புற அதிர்ச்சி) என்பது மாதிரி பார்க்க முடியாத மிகப்பெரிய ஆபத்து.

மூன்று சிறிய வழக்குகள்

வழக்கு 1 - அளவுகோலை வெல்லத் தவறியது. ஒரு ஆய்வாளர் மாதாந்திர சில்லறை விற்பனைக்காக AI ஒரு சிக்கலான SARIMA ஐ உருவாக்கினார். பின்பரிசோதனையில், மாடலின் சராசரி முழுமையான பிழை, "இந்த மாதம் கடந்த ஆண்டு இதே மாதத்திற்கு சமம்" என்று பருவகால அப்பாவி முன்னறிவிப்பை விட மோசமாக இருந்தது. ஆய்வாளர் சிக்கலான மாதிரியை கைவிட்டார்; அவர் அப்பாவியான யூகத்தை ஒரு அடிப்படையாக எடுத்து ஒரு நிபுணர் திருத்தத்தைச் சேர்த்தார். எளிமை வெல்லும்.

வழக்கு 2 - கட்டமைப்பு முறிவு. அதிர்ச்சிக்குப் பிந்தைய காலத்திற்கான பரிமாற்ற வீத அதிர்ச்சிக்கு முன் தரவுகளுடன் பயிற்சி பெற்ற பணவீக்க மாதிரியை ஒரு நிறுவனம் பயன்படுத்தியது. மாடல் பணவீக்கத்தை கடுமையாக குறைத்து மதிப்பிட்டது, ஏனெனில் அது கடந்த அமைதியான காலத்தின் இயக்கவியலைக் கருதியது. பாடம்: மாதிரியானது அது பயிற்றுவிக்கப்பட்ட உலகத்தை எடுத்துக்கொள்கிறது; உலகம் மாறும் போது, ​​கணிப்பு சரிகிறது. பொருளாதார நிபுணர் வரைபடத்தைப் பார்த்தால், அவர் இடைவெளியைக் காண்பார்.

வழக்கு 3 - வரம்பின் நேர்மை. ஒரு பொருளாதார நிபுணர் தனது ஆண்டு இறுதி வளர்ச்சி முன்னறிவிப்பை நிர்வாகத்திற்கு ஒரு நபராக வழங்கவில்லை, மாறாக "3.0-4.2 சதவிகிதம், இவை அடிப்படை அனுமானங்கள்." ஆண்டின் இறுதியில், உணர்தல் 3.6 சதவீதம்; அது இசைக்குழுவில் இருந்தது. அவர் ஒற்றை எண்ணைக் கொடுத்திருந்தால், அவர் "தவறு" என்று முத்திரை குத்தப்பட்டிருக்கலாம்; வரம்பு மற்றும் அனுமானங்கள் இரண்டும் நேர்மையானவை மற்றும் நம்பிக்கையைப் பேணுகின்றன.

மாதிரி தேர்வு அட்டவணை

நிலை

சரியான தொடக்கம்

குறிப்பு

ஒவ்வொரு யூகமும்

அப்பாவி / பருவகால அப்பாவி அளவுகோல்

அடிக்க அடிப்படை

போக்கு + பருவநிலை, தட்டையானது

ETS (அதிவேக மென்மையாக்கம்)

நிறுவ மற்றும் கருத்து தெரிவிக்க எளிதானது

தன்னியக்கத் தொடர்

(எஸ்) அரிமா

நிலைப்படுத்தல் தேவை

ஒரு விளக்க மாறி உள்ளது

பின்னடைவு அடிப்படையிலானது

எதிர்காலத்தை முன்னறிவிப்பவர்களும் இருக்க வேண்டும்

கட்டமைப்பு முறிவு சந்தேகம்

மாதிரி + நிபுணர் திருத்தம்

தூய மாதிரி போதாது

நகலெடுக்கக்கூடிய நான்கு வார்ப்புருக்கள்

1) பாகுபடுத்துதல் மற்றும் கண்டறிதல்:

அந்த மாதாந்திர தொடரை [தொடர்] வரையவும், பின்னர் அதை போக்கு/பருவநிலை/எஞ்சிய கூறுகள் (statsmodels) என பிரிக்கவும். இது நிலையானதா (ADF சோதனை) என்பதைச் சரிபார்த்து, தேவைப்பட்டால், எந்த மாற்றத்தை (பதிவு, வேறுபாடு) பரிந்துரைக்கிறீர்கள் என்பதை விளக்குங்கள். விளக்கப்படத்தில் காணக்கூடிய கட்டமைப்பு முறிவு இருந்தால் குறிக்கவும்.

2) பெஞ்ச்மார்க் + மாதிரி ஒப்பீடு:

இந்தத் தொடருக்கான பருவகால அப்பாவியான முன்கணிப்பை முதலில் நிறுவவும். பின்னர் ஒரு ETS மற்றும் சரிமாவை அமைக்கவும். MAE மற்றும் RMSE ஆகியவற்றின் அடிப்படையில் மூன்றையும் ஒரு பின்னோட்டத்துடன் ஒப்பிடுக (கடந்த 12 மாதங்களில் சோதனை). முடிவுகளை அட்டவணைப்படுத்தி, எந்த மாதிரியானது பெஞ்ச்மார்க்கை வென்றது என்பதை தெளிவாகக் குறிப்பிடவும்.

3) மதிப்பீடு மற்றும் நிச்சயமற்ற வரம்பு:

நான் தேர்ந்தெடுத்த மாதிரியின் அடுத்த 6 காலகட்டங்களை முன்னறிவித்து, 80%/95% நம்பிக்கை இடைவெளிகளைக் கொடுங்கள். மதிப்பீட்டை வரம்பாக வழங்கவும், ஒற்றை எண்ணாக அல்ல. இந்த வரம்பு மாதிரி நிச்சயமற்ற தன்மையை மட்டுமே உள்ளடக்கும், கட்டமைப்பு உடைப்பு/வெளிப்புற அதிர்ச்சியின் அபாயத்தை அல்ல என்பதை தெளிவுபடுத்தவும்.

4) பின் சோதனை வாசிப்பு:

இந்த பின்பரிசோதனை முடிவுகளை விளக்கவும் [அட்டவணை]. மாடல் உண்மையில் பெஞ்ச்மார்க்கை அடிக்கிறதா அல்லது வித்தியாசம் புள்ளிவிவர ரீதியாக முக்கியமற்றதா? உங்கள் மாதிரி எந்தக் காலகட்டங்களில் அதிக தவறுகளைச் செய்தது என்பதைக் குறிப்பிடவும் மற்றும் இதற்கான சாத்தியமான பொருளாதாரக் காரணத்தைக் கேள்வியெழுப்பவும் (நெருக்கடி, பருவகால மாற்றம்).

பலவீனமான வரியில் / வலுவான வரியில்

பலவீனமான உடனடி:

இந்தத் தொடரை யூகிக்கவும்.

செயற்கை நுண்ணறிவு ஒரு சீரற்ற மாதிரியை உருவாக்குகிறது, பின் சோதனை செய்யாது, ஒற்றைப்படை எண்ணைக் கொடுக்கிறது; அந்த மாதிரி வேலை செய்கிறதா இல்லையா என்பது உங்களுக்குத் தெரியாது.

சக்திவாய்ந்த தூண்டுதல்:

முதலில் தற்போதைய மாதாந்திர பணவீக்கத் தொடரை சிதைத்து, இடைவெளிகளை ஸ்கேன் செய்யவும். கடந்த 12 மாதங்களில் ETS மற்றும் SARIMA ஆகியவை பருவகால நேவ் பெஞ்ச்மார்க்கிற்கு எதிராக, MAE உடன் ஒப்பிடுக. பெஞ்ச்மார்க்கைத் தாக்கும் மாதிரியைத் தேர்வுசெய்து, 6 மாத முன்னறிவிப்பைக் கொடுத்து, 80% வரம்பை வைக்கவும். கட்டமைப்பு உடைப்பு அபாயத்தை தனி எச்சரிக்கையாக எழுதவும். நான் கைமுறையாகச் சரிபார்க்கக்கூடிய ஒவ்வொரு படி மற்றும் சுருக்க எண்களுக்கான குறியீட்டைக் காட்டு.

பொதுவான தவறுகள்

• வரையறைகளை அமைக்காமல் சிக்கலான மாதிரியில் குதித்தல். சிக்கலானது வெற்றிக்கு சமமாகாது.
• அது பயிற்சியளிக்கப்பட்ட தரவின் மாதிரியை மதிப்பீடு செய்தல். அதிகப்படியான இணக்கத்தை வெற்றிக்காக தவறாகப் புரிந்துகொள்வது.
• ஒற்றை புள்ளி மதிப்பீட்டை வழங்குதல். தவறான உறுதி; வரம்பு மற்றும் அனுமானம் தேவை.
• கட்டமைப்பு முறிவை புறக்கணித்தல். கடந்த கால இயக்கத்தை கண்மூடித்தனமாக எதிர்காலத்தில் கொண்டு செல்கிறது.
• நிலைப்படுத்தலைத் தவிர்க்கிறது. தவறான உறவுகள் மற்றும் தவறான கணிப்பு.
• முன்னறிவிப்பை ஒரு தீர்க்கதரிசனமாக முன்வைத்தல். நிச்சயமற்ற தன்மை மற்றும் பொறுப்பை மறைத்தல்.

சுருக்கமாக

நேரத் தொடர் முன்கணிப்பு, ஒரு தொடரை அதன் கூறுகளாகப் பிரித்து, அதை நிலையானதாக மாற்றுவதன் மூலம், ஒரு எளிய அளவுகோலை நிறுவுவதன் மூலம், மாதிரிகளை பின்பரிசோதனை செய்வதன் மூலம் ஒப்பிட்டு, நிச்சயமற்ற வரம்புடன் நேர்மையாக முடிவை வழங்குவதன் மூலம் செய்யப்படுகிறது. செயற்கை நுண்ணறிவு இந்த அனைத்து படிகளுக்கும் குறியீட்டை விரைவாக உருவாக்குகிறது; ஆனால் மாதிரி தேர்வு, கட்டமைப்பு முறிவு தீர்ப்பு மற்றும் முன்கணிப்பு ஆகியவற்றின் பொறுப்பு பொருளாதார நிபுணரிடம் உள்ளது. ஒரு கணிப்பு ஒரு தீர்க்கதரிசனம் அல்ல, ஆனால் ஒரு நிபந்தனை மற்றும் நிச்சயமற்ற கணிப்பு.

விண்ணப்ப பணி

மாதாந்திர பொருளாதாரத் தொடரைத் தேர்ந்தெடுக்கவும் (எ.கா. தொழில்துறை உற்பத்திக் குறியீடு). 1வது டெம்ப்ளேட்டுடன் பிரேக்அவுட்களை பிரித்து ஸ்கேன் செய்து, 2வது டெம்ப்ளேட்டுடன் பருவகால நேவ் பெஞ்ச்மார்க்கிற்கு எதிராக ETS/SARIMA ஐ பேக்டெஸ்ட் செய்து, 3வது டெம்ப்ளேட்டுடன் 6 மாத முன்னோக்கி வரம்பு முன்னறிவிப்பை உருவாக்கவும். உங்கள் மாடல் உண்மையில் பெஞ்ச்மார்க்கை முறியடிக்கிறதா என்பதைக் கவனியுங்கள் மற்றும் நீங்கள் பார்க்கும் எந்த கட்டமைப்பு முறிவுகளையும் கொடியிடவும்.

சரிபார்ப்பு பட்டியல்

• [ ] நான் தொடரை திட்டமிட்டு, போக்கு/பருவகாலம்/இடைவேளையின் அடிப்படையில் கண்டறிந்தேன்.
• [ ] தேவைப்பட்டால் நான் நிலைப்படுத்தலை (பதிவு/வேறுபாடு) பயன்படுத்தியுள்ளேன், அதற்கான காரணத்தை நான் அறிவேன்.
• [ ] நான் ஒரு எளிய அளவுகோலை அமைத்து, சிக்கலான மாதிரியை அதனுடன் ஒப்பிட்டேன்.
• [ ] பயிற்சியில் இல்லாத காலகட்டங்களில் மட்டுமே நான் மாதிரியை மதிப்பீடு செய்தேன் (பேக்டெஸ்ட்).
• [ ] நான் மதிப்பீட்டை ஒரு நிச்சயமற்ற வரம்புடன் வழங்கினேன், ஒரு எண் அல்ல.
• [ ] கட்டமைப்பு முறிவு/வெளிப்புற அதிர்ச்சி அபாயத்தை ஒரு தனி எச்சரிக்கையாகக் குறிப்பிட்டேன்.
• [ ] கணிப்பு மற்றும் இறுதித் தீர்ப்புக்கான பொறுப்பு என்னிடமே உள்ளது என்று நான் உறுதியாகக் கூறினேன்.