อัลกอริทึมใดที่สามารถใช้ในการทำนายการใช้วัสดุสิ้นเปลืองที่ได้รับข้อมูลจากการซื้อในอดีต

คิดเกี่ยวกับปัญหาที่เรียบง่าย แต่น่าสนใจฉันต้องการเขียนโค้ดบางอย่างเพื่อคาดการณ์วัสดุสิ้นเปลืองฉันจะต้องใช้ในอนาคตอันใกล้นี้เนื่องจากมีประวัติการซื้อที่ผ่านมาอย่างสมบูรณ์ ฉันแน่ใจว่าปัญหาประเภทนี้มีคำจำกัดความทั่วไปและศึกษาดีกว่า (มีคนแนะนำว่านี่เกี่ยวข้องกับแนวคิดบางอย่างในระบบ ERP และอื่น ๆ )

ข้อมูลที่ฉันมีคือประวัติการซื้อที่ผ่านมาอย่างสมบูรณ์ สมมติว่าฉันกำลังดูวัสดุกระดาษข้อมูลของฉันดูเหมือน (วันที่แผ่น):

2007-05-10   500
2007-11-11  1000
2007-12-18  1000
2008-03-25   500
2008-05-28  2000
2008-10-31  1500
2009-03-20  1500
2009-06-30  1000
2009-09-29   500
2009-12-16  1500
2010-05-31   500
2010-06-30   500
2010-09-30  1500
2011-05-31  1000

มันไม่ 'สุ่มตัวอย่าง' ในช่วงเวลาปกติดังนั้นฉันคิดว่ามันไม่มีคุณสมบัติเป็นข้อมูลอนุกรมเวลา

ฉันไม่มีข้อมูลเกี่ยวกับระดับหุ้นจริงทุกครั้ง ฉันต้องการใช้ข้อมูลที่เรียบง่ายและ จำกัด นี้เพื่อคาดการณ์จำนวนกระดาษที่ฉันต้องการใน (ตัวอย่าง) 3,6,12 เดือน

จนถึงตอนนี้ฉันก็รู้ว่าสิ่งที่ฉันกำลังมองหาเรียกว่าการคาดการณ์และไม่มาก :)

อัลกอริทึมใดที่สามารถใช้ได้ในสถานการณ์เช่นนี้?

และอัลกอริทึมใดถ้าแตกต่างจากก่อนหน้านี้ก็สามารถใช้ประโยชน์จากจุดข้อมูลเพิ่มเติมที่ให้ระดับอุปทานในปัจจุบัน (เช่นถ้าฉันรู้ว่าในวันที่ XI มีกระดาษเหลือ Y แผ่น)

โปรดแก้ไขคำถามชื่อและแท็กหากคุณรู้คำศัพท์ที่ดีกว่านี้

แก้ไข: สำหรับสิ่งที่คุ้มค่าฉันจะพยายามรหัสนี้ในหลาม ฉันรู้ว่ามีห้องสมุดจำนวนมากที่ใช้อัลกอริทึมใด ๆ มากขึ้นหรือน้อยลง ในคำถามนี้ฉันต้องการสำรวจแนวคิดและเทคนิคที่สามารถนำมาใช้ได้โดยการนำการปฏิบัติจริงไปใช้เป็นแบบฝึกหัดให้กับผู้อ่าน

คำถามเกี่ยวกับอัตราการบริโภคเมื่อเทียบกับเวลา สิ่งนี้เรียกร้องให้การถดถอยของอัตราเทียบกับเวลา ( ไม่ใช่การถดถอยของการซื้อทั้งหมดกับเวลา) การคาดการณ์สามารถทำได้โดยการสร้างขีด จำกัด การทำนายสำหรับการซื้อในอนาคต

มีหลายรุ่นที่เป็นไปได้ เมื่อย้ายไปยังสำนักงานไร้กระดาษ (ซึ่งดำเนินมาอย่างต่อเนื่องเป็นเวลาประมาณ 25 ปี :-) เราอาจใช้รูปแบบเลขชี้กำลัง (ลดลง) ผลที่ได้จะแสดงให้เห็นจากการกระจายของการบริโภคต่อไปนี้ซึ่งวาดเส้นโค้งแบบเอ็กซ์โปเนนเชียล (ติดตั้งผ่านช่องสี่เหลี่ยมน้อยที่สุดไปยังลอการิทึมของการบริโภค) และขีด จำกัด การทำนาย 95% ค่าคาดการณ์ที่คาดว่าจะอยู่ใกล้เส้นและระหว่างข้อ จำกัด การทำนายด้วยความมั่นใจ 95%

แกนแนวตั้งแสดงหน้าต่อวันในระดับเชิงเส้น เส้นทึบสีน้ำเงินเข้มนั้นพอดี: มันเป็นเลขชี้กำลังอย่างแท้จริง แต่ใกล้เคียงกับเส้นตรงมาก ผลของการยกกำลังแบบเอ็กซ์โพเนนเชียลจะปรากฏในแถบคาดคะเนซึ่งในสเกลเชิงเส้นนี้จะถูกวางแบบไม่สมมาตรรอบตัว ในระดับบันทึกพวกเขาจะสมมาตร

แบบจำลองที่แม่นยำยิ่งขึ้นนั้นจะคำนึงถึงความจริงที่ว่าข้อมูลการบริโภคมีความไม่แน่นอนมากขึ้นในช่วงเวลาสั้น ๆ เมื่อพิจารณาความแปรปรวนของข้อมูลเหล่านี้และขนาดที่เท่ากันของการซื้อทั้งหมดมันไม่คุ้มค่ากับความพยายามพิเศษ

วิธีนี้รองรับข้อมูลสินค้าคงคลังระดับกลางซึ่งสามารถใช้เพื่อแก้ไขอัตราการบริโภคในช่วงเวลากลาง ในกรณีเช่นนี้เนื่องจากปริมาณการบริโภคระดับกลางอาจแตกต่างกันมากแนะนำให้ใช้วิธีกำลังสองน้อยที่สุดแบบถ่วงน้ำหนัก

น้ำหนักอะไรที่จะใช้? เราอาจพิจารณาปริมาณการใช้กระดาษซึ่งจำเป็นต้องเกิดขึ้นในกระดาษจำนวนหนึ่งซึ่งนับเป็นจำนวนที่แตกต่างกันไปในแต่ละวัน ในช่วงเวลาสั้น ๆ ความแปรปรวนของการนับจะเป็นสัดส่วนกับความยาวของช่วงเวลา ความแปรปรวนของการนับต่อวันนั้นจะแปรผกผันกับความยาวของช่วงเวลา ดังนั้นน้ำหนักควรเป็นสัดส่วนโดยตรงกับช่วงเวลาที่ผ่านไประหว่างสินค้าคงเหลือ ตัวอย่างเช่นการบริโภค 1,000 แผ่นระหว่าง 2007-05-10 และ 2007-11-11 (ประมาณ 180 วัน) จะมีน้ำหนักเกือบห้าเท่าของการบริโภค 1,000 แผ่นระหว่าง 2007-11-11 และ 2007-12- 18 ระยะเวลาเพียง 37 วัน

การให้น้ำหนักแบบเดียวกันสามารถทำได้ในช่วงการทำนาย สิ่งนี้จะส่งผลให้มีการคาดการณ์การบริโภคในช่วงเวลาหนึ่งวันที่ค่อนข้างกว้างเมื่อเทียบกับการทำนายการบริโภคมากกว่าสามเดือน

โปรดทราบว่าคำแนะนำเหล่านี้มุ่งเน้นไปที่โมเดลที่เรียบง่ายและการคาดการณ์ที่ง่ายเหมาะสำหรับแอปพลิเคชันที่ต้องการและความแปรปรวนอย่างมากของข้อมูล หากการคาดการณ์นั้นเกี่ยวข้องกับการป้องกันการใช้จ่ายสำหรับประเทศขนาดใหญ่เราต้องการที่จะรองรับตัวแปรอธิบายเพิ่มเติมอีกมากมายบัญชีสำหรับความสัมพันธ์ทางโลกและให้ข้อมูลรายละเอียดเพิ่มเติมในแบบจำลอง

นี่เป็นปัญหาการเรียนรู้ของเครื่อง (ฉันอัปเดตแท็กในโพสต์ของคุณ) ส่วนใหญ่อาจนี้เป็นถดถอยเชิงเส้น ในระยะสั้นการถดถอยเชิงเส้นพยายามที่จะกู้คืนความสัมพันธ์ระหว่าง 1 ขึ้นอยู่กับ 1 หรือมากกว่าหนึ่งตัวแปรอิสระ ขึ้นอยู่กับตัวแปรที่นี่คือการใช้วัสดุสิ้นเปลือง สำหรับตัวแปรอิสระฉันแนะนำช่วงเวลาระหว่างการซื้อ นอกจากนี้คุณยังสามารถเพิ่มตัวแปรอิสระได้มากขึ้นเช่นจำนวนคนที่ใช้วัสดุสิ้นเปลืองในแต่ละช่วงเวลาหรือสิ่งอื่น ๆ ที่มีผลต่อปริมาณการซื้อ คุณสามารถหาคำอธิบายที่ดีของการถดถอยเชิงเส้นเข้าด้วยกันกับการดำเนินการในหลามที่นี่

ในทางทฤษฎีมันเป็นไปได้ที่ไม่เพียง แต่ช่วงเวลาระหว่างการซื้อเท่านั้น ตัวอย่างเช่นด้วยเหตุผลบางอย่างในเดือนมกราคมผู้คนอาจต้องการกระดาษมากกว่าพูดในเดือนเมษายน ในกรณีนี้คุณไม่สามารถใช้จำนวนเดือนเป็นตัวแปรอิสระตัวเองเนื่องจากลักษณะของการถดถอยเชิงเส้นเอง (จำนวนเดือนเป็นเพียงฉลาก แต่จะใช้เป็นจำนวน) ดังนั้นคุณมี 2 วิธีในการเอาชนะปัญหานี้

ก่อนอื่นคุณสามารถเพิ่มตัวแปรเพิ่มเติมได้ 12 ตัวหนึ่งตัวสำหรับแต่ละเดือนและตั้งค่าตัวแปรแต่ละตัวเป็น 1 ถ้ามันหมายถึงเดือนที่ซื้อและเป็น 0 หากไม่มี จากนั้นใช้การถดถอยเชิงเส้นเดียวกัน

ประการที่สองคุณสามารถใช้ขั้นตอนวิธีการใช้งานที่มีความซับซ้อนมากขึ้นเช่นM5'ซึ่งเป็นส่วนผสมของการถดถอยเชิงเส้นและการตัดสินใจต้นไม้ (คุณสามารถหาคำอธิบายรายละเอียดของขั้นตอนวิธีนี้ในการทำเหมืองข้อมูล: การปฏิบัติเครื่องมือเครื่องเรียนรู้และเทคนิค )

มันไม่ 'สุ่มตัวอย่าง' ในช่วงเวลาปกติดังนั้นฉันคิดว่ามันไม่มีคุณสมบัติเป็นข้อมูลอนุกรมเวลา

นี่คือความคิดเกี่ยวกับวิธีการที่จะคาดการณ์การซื้อสินค้านี้: พิจารณาข้อมูลเป็นชุดความต้องการต่อเนื่อง นั่นคือคุณมีช่วงเวลาที่สุ่มตัวอย่างตามช่วงเวลาปกติ แต่ค่าบวกจะเว้นระยะอย่างเห็นได้ชัดไม่สม่ำเสมอ Rob Hyndman มีกระดาษที่ดีเกี่ยวกับการใช้วิธีการของ Croston สำหรับการพยากรณ์ความต้องการชุดต่อเนื่อง ในขณะที่ผมยังโปรแกรมจำนวนมากในหลามคุณจะประหยัดเวลาการสำรวจโดยใช้วิธีคราส์ตันเช่นเดียวกับวิธีการพยากรณ์อนุกรมเวลาอื่น ๆ ที่พร้อมใช้งานในแพคเกจ R ที่ยอดเยี่ยมของร็อบคาดการณ์

ฉันค่อนข้างแน่ใจว่าคุณกำลังพยายามทำการวิเคราะห์การถดถอยเพื่อให้สอดคล้องกับจุดข้อมูลของคุณ มีเครื่องมือมากมายที่จะช่วยคุณ - MS Excelเป็นเครื่องมือที่เข้าถึงได้ง่ายที่สุด หากคุณต้องการนำเสนอโซลูชันของคุณเองควรใช้สถิติของคุณให้ดีที่สุด ( ที่นี่และที่นี่ ) เมื่อคุณพอดีกับข้อมูลของคุณคุณสามารถคาดการณ์ในอนาคต

แก้ไข: นี่คือภาพหน้าจอของตัวอย่าง excel ที่ฉันพูดถึงในความคิดเห็นด้านล่าง วันที่ตัวหนาเป็นวันที่สุ่มในอนาคตที่ฉันพิมพ์ด้วยตัวเอง ค่าที่เป็นตัวหนาในคอลัมน์ B คือค่าที่คาดการณ์ซึ่งคำนวณโดย Excel ของการถดถอยเชิงเลขกำกับ

EDIT2: ตกลงดังนั้นเพื่อตอบคำถามว่า "ฉันสามารถใช้เทคนิคใดได้บ้าง?"

• การถดถอยแบบเลขชี้กำลัง (ดังที่กล่าวข้างต้น)
• วิธีการของโฮลท์
• วิธีการของฤดูหนาว
• ARIMA

โปรดดูหน้านี้สำหรับบทนำเล็กน้อยในแต่ละ: http://www.decisioncraft.com/dmdirect/forecastingtechnique.htm

เริ่มเป็นความคิดเห็นนานเกินไป ...

มันไม่ 'สุ่มตัวอย่าง' ในช่วงเวลาปกติดังนั้นฉันคิดว่ามันไม่มีคุณสมบัติเป็นข้อมูลอนุกรมเวลา

นี่คือข้อสรุปที่ผิดพลาด - เป็นอนุกรมเวลาแน่นอน อนุกรมเวลาอาจมีการสุ่มตัวอย่างผิดปกติเพียงแค่มีแนวโน้มที่จะต้องแตกต่างจากวิธีปกติเมื่อเป็น

ปัญหานี้ดูเหมือนจะเกี่ยวข้องกับปัญหา stochastic เช่นระดับเขื่อน (โดยทั่วไปจะใช้น้ำในอัตราที่ค่อนข้างคงที่ตลอดเวลาบางครั้งการเพิ่มหรือลดลงอย่างรวดเร็วมากขึ้นหรือน้อยลงในขณะที่บางครั้งมันค่อนข้างคงที่) ในขณะที่ระดับเขื่อนมีแนวโน้มเพิ่มขึ้นเท่านั้น อย่างรวดเร็ว (กระโดดเป็นหลัก) เมื่อปริมาณน้ำฝนเกิดขึ้น รูปแบบการใช้กระดาษและการเติมเต็มอาจจะค่อนข้างคล้ายกัน (แม้ว่าจำนวนที่สั่งอาจมีแนวโน้มที่จะมีเสถียรภาพมากขึ้นและในจำนวนที่มากขึ้นกว่าปริมาณน้ำฝนและจะเกิดขึ้นเมื่อใดก็ตามที่ระดับต่ำ)

นอกจากนี้ยังเกี่ยวข้องกับเงินทุนของ บริษัท ประกันภัย (แต่กลับรายการ) - นอกเหนือจากเงินทุนเริ่มต้นเงินจากเบี้ยประกัน (ต้นทุนการดำเนินงานสุทธิ) และการลงทุนมาค่อนข้างคงที่ (บางครั้งมากหรือน้อย) ในขณะที่การชำระเงินประกันมีแนวโน้มที่จะ จำนวน

ทั้งสองอย่างได้รับการจำลองและอาจให้ข้อมูลเชิงลึกเล็กน้อยเกี่ยวกับปัญหานี้

คุณควรดู WEKA เป็นเครื่องมือและ Java API พร้อมชุดอัลกอริทึมการเรียนรู้ของเครื่อง โดยเฉพาะอย่างยิ่งคุณควรมองหาอัลกอริทึมการจำแนกประเภท

โชคดี

ฉันจะใช้กำลังสองน้อยที่สุดเชิงเส้นเพื่อให้พอดีกับแบบจำลองกับปริมาณการใช้สะสม (เช่นการทำงานทั้งหมดของหน้าตามวันที่) ข้อสันนิษฐานเบื้องต้นจะใช้พหุนามระดับแรก อย่างไรก็ตามส่วนที่เหลือบ่งชี้ว่าระดับแรกกำลังขีดเส้นใต้ข้อมูลในตัวอย่างดังนั้นขั้นตอนตรรกะถัดไปจะเพิ่มขึ้นเป็นระดับที่สอง (เช่นกำลังสอง) พอดี สิ่งนี้จะลบความโค้งในส่วนที่เหลือและค่าสัมประสิทธิ์เชิงลบเล็กน้อยสำหรับคำกำลังสองหมายความว่าอัตราการบริโภคลดลงเมื่อเวลาผ่านไปซึ่งดูเหมือนว่าเป็นสัญชาตญาณเพราะคนส่วนใหญ่อาจใช้กระดาษน้อยลง สำหรับข้อมูลนี้ฉันไม่คิดว่าคุณจะต้องไปเกินกว่าระดับที่สองพอดีเนื่องจากคุณอาจเริ่มการฟิตเกินไปและการคาดการณ์ที่เกิดขึ้นอาจไม่สมเหตุสมผล

คุณสามารถดูพอดี (รวมถึงการคาดการณ์) และส่วนที่เหลือในแปลงด้านล่าง

หากคุณสามารถทำได้อาจเป็นการดีที่จะทำการบู๊ตเครื่องเพื่อรับข้อผิดพลาดในการคาดคะเนที่ดีขึ้น

ฉันคิดว่าคุณจะได้รับข้อมูลของคุณโดยใช้การวิจัยการดำเนินงาน

ทำไมคุณไม่ลองหาสมการบางอย่างที่ใช้เป็นตัวแปรจำนวนกระดาษที่ใช้ต่อรอบระยะเวลาผู้ใช้กระดาษเป็นต้น