Tiếp theoHướng dẫn tiếp theo
Mô hình hỗn hợp Gaussian
kỹ thuật
HƯỚNG DẪN KỸ THUẬT
Mô hình ARIMA
Các mô hình ARIMA dự báo một chuỗi thời gian bằng cách sử dụng các số hạng tự hồi quy, các số hạng sai phân và trung bình động, được tóm tắt theo các bậc p, d và q.
Trên trang nàyĐọc trong 3 phút
Tổng quan
ARIMA theo mùa bổ sung các đơn đặt hàng theo mùa cho các mẫu định kỳ, nhưng việc lựa chọn đơn hàng, kiểm tra tính dừng và chẩn đoán dư vẫn cần thiết cho các dự báo đáng tin cậy.
Lặn sâu
ARIMA là viết tắt của đường trung bình động tích hợp tự hồi quy. Thứ tự tự hồi quy p mô tả sự phụ thuộc vào các giá trị trước của chuỗi, thường là sau bất kỳ sai phân nào. Thứ tự tích hợp d là số lượng khác biệt được áp dụng để giải quyết hành vi ở cấp độ không cố định, chẳng hạn như xu hướng ngẫu nhiên. Thứ tự trung bình động q mô tả sự phụ thuộc vào các lỗi dự báo trước đó. Mô hình ARIMA(p,d,q) kết hợp các thuật ngữ này để biểu diễn cấu trúc thời gian. Đối với ARIMA(2,1,1), chuỗi được sai phân một lần và giá trị sai phân tại thời điểm t được mô hình hóa bằng hai giá trị sai phân trước đó cộng với một lỗi trễ. Thành phần trung bình động đề cập đến các lỗi từ mô hình, không chỉ đơn giản là giá trị trung bình cuộn của chuỗi được quan sát. Sự khác biệt có thể giúp ổn định xu hướng ngẫu nhiên nhưng không phải là cách chữa trị chung cho mọi mô hình thời gian. Quá nhiều sự khác biệt có thể loại bỏ tín hiệu và làm cho chuỗi nhiễu hơn. ARIMA theo mùa bổ sung (P,D,Q,s): thứ tự tự hồi quy theo mùa P, sai phân theo mùa D, thứ tự trung bình trượt theo mùa Q và khoảng thời gian theo mùa s. Đối với dữ liệu hàng tháng có độ lặp lại hàng năm, s là 12. Các thuật ngữ theo mùa mã hóa sự phụ thuộc lặp lại ở độ trễ theo mùa. Chúng nên được xem xét cùng với cốt truyện và sự hiểu biết về miền; mô hình theo mùa có thể thay đổi theo thời gian hoặc được giải thích bằng các biến số bên ngoài. ARIMA giả định một quy trình dư được mô hình hóa phù hợp sau khi lắp. Kiểm tra các ô dư và tự tương quan, đồng thời sử dụng xác thực nhận biết theo thời gian để duy trì trật tự. So sánh các mô hình ứng cử viên bằng cách sử dụng kết hợp các tiêu chí thông tin, lỗi dự báo và nhu cầu miền. Một mô hình có thể phù hợp tốt với dữ liệu lịch sử nhưng sẽ thất bại sau khi thay đổi cấu trúc. Các yếu tố hồi quy ngoại sinh, các biện pháp can thiệp và quan sát bị thiếu cần được quan tâm. ARIMA là một họ linh hoạt, không phải là một công thức dự báo tự động: p, d và q cần được lựa chọn, các dự báo có tính không chắc chắn và mô hình theo mùa sẽ phản ánh một khoảng thời gian định kỳ hợp lý.
Tác động chiến lược
Chi phí và ngân sách
Các quyết định về kiến trúc sẽ thúc đẩy hiệu suất và chi phí vận hành trong nhiều năm.
Quyết định rõ ràng hơn
Giáo dục kỹ thuật giúp các nhóm chọn nhóm phù hợp chứ không chỉ nhóm mới nhất.
Kiểm soát chất lượng
Lựa chọn kỹ thuật tốt hơn làm giảm sự cố về độ tin cậy trong sản xuất.
Tương lai của các mô hình ARIMA
Dự báo của ARIMA có thể đáng tin cậy hơn khi các báo cáo ghi lại khoảng thời gian đào tạo, giai đoạn theo mùa, các lựa chọn khác nhau, đầu vào ngoại sinh và xác thực theo từng phạm vi cụ thể. Các nhóm nên so sánh hiệu suất với các đường cơ sở ban đầu và ban đầu theo mùa, sau đó theo dõi số dư khi có quan sát mới. Việc ước tính lại phải tuân theo bằng chứng về động lực đã thay đổi thay vì chỉ theo lịch. Đối với nhiều tính thời vụ hoặc mô hình phi tuyến tính, các phương pháp khác có thể phù hợp, nhưng ARIMA đơn giản hơn vẫn là một chuẩn mực hữu ích. Khoảng thời gian không chắc chắn rõ ràng và đánh giá theo ngày tháng giúp người đọc phân biệt phép ngoại suy hợp lý với giá trị được đảm bảo trong tương lai.
Triển khai trong thế giới thực
ARIMA(2,1,1) giả định sử dụng hai giá trị trễ của chuỗi sai phân, một sai số để giải quyết xu hướng ngẫu nhiên và một thuật ngữ lỗi dự báo có độ trễ.
Một nhà phân tích phân tích chuỗi hàng tháng một lần, sau đó kiểm tra xem chuỗi chuyển đổi có ổn định hơn hay không. Sự khác biệt quá mức có thể loại bỏ cấu trúc hữu ích và gây ra tiếng ồn không cần thiết.
Một nhà bán lẻ quan sát tính thời vụ hàng năm trong nhu cầu hàng tháng. ARIMA theo mùa bao gồm khoảng thời gian s=12 và các thuật ngữ theo mùa thay vì chỉ giả sử p, d và q thông thường nắm bắt được mô hình lặp lại.
Trình dự báo so sánh các đơn đặt hàng ứng viên bằng cách sử dụng xác thực theo thứ tự thời gian và kiểm tra hiện tượng tự tương quan dư. Tiêu chí thông tin trong mẫu thấp không đảm bảo dự báo chính xác trong tương lai.
Rủi ro & lan can
Tối ưu hóa một điểm chuẩn có thể che giấu những điểm yếu của hệ thống rộng hơn.
Chi phí cơ sở hạ tầng và bảo trì thường được đánh giá thấp.
Khoảng cách về bảo mật và khả năng quan sát có thể tăng lên khi hệ thống trở nên phức tạp hơn.
Lộ trình thực hiện
Xác định các mục tiêu về độ trễ, chất lượng và chi phí trước khi triển khai.
Điểm chuẩn trong điều kiện tải và dữ liệu thực tế.
Giám sát thiết bị về lỗi, độ lệch và tác động của người dùng.
Chuẩn bị đường dẫn khôi phục và ứng phó sự cố trước khi mở rộng quy mô.
Tiếp tục khám phá
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the ARIMA Models quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Câu hỏi thường gặp
Mô hình ARIMA là gì?
Các mô hình ARIMA dự báo một chuỗi thời gian bằng cách sử dụng các số hạng tự hồi quy, các số hạng sai phân và trung bình động, được tóm tắt theo các bậc p, d và q. ARIMA theo mùa bổ sung các đơn đặt hàng theo mùa cho các mẫu định kỳ, nhưng việc lựa chọn đơn hàng, kiểm tra tính dừng và chẩn đoán dư vẫn cần thiết cho các dự báo đáng tin cậy.
Trong ARIMA(p,d,q), p chỉ định điều gì?
p là thứ tự tự hồi quy, mô tả số lượng giá trị chuỗi bị trễ trong thành phần không theo mùa.
Trong ARIMA(p,d,q), d được tính là gì?
d là số khác biệt không theo mùa được áp dụng cho chuỗi.
q đại diện cho thứ tự không theo mùa nào?
q là thứ tự trung bình động của các lỗi mô hình trong quá khứ, không phải là giá trị trung bình luân phiên của các quan sát thô.
s=12 thường thể hiện điều gì trong ARIMA theo mùa hàng tháng?
Khoảng thời gian theo mùa s biểu thị số lượng quan sát tạo nên một chu kỳ, chẳng hạn như 12 tháng.
Thứ tự chênh lệch theo mùa D làm gì?
Sự khác biệt theo mùa so sánh các giá trị cách nhau một khoảng thời gian theo mùa, được kiểm soát bởi D và s.
Tiếp tục học hỏi
Hướng dẫn liên quan
Đã chọn thêm hướng dẫn cho chủ đề này