অসমাপ্ত ব্যবধানে সময় সিরিজ মডেলিং


12

আমার একটানা পরিবর্তনশীল, অনিয়মিত বিরতিতে এক বছরের জন্য নমুনাযুক্ত। কিছু দিনের প্রতি ঘন্টায় একাধিক পর্যবেক্ষণ থাকে, অন্য সময়কালে কয়েক দিনের জন্য কিছুই থাকে না। এটি সময় সিরিজের নিদর্শনগুলি সনাক্ত করা বিশেষত কঠিন করে তোলে, কারণ কিছু মাস (উদাহরণস্বরূপ অক্টোবর) অত্যন্ত নমুনাযুক্ত হয়, অন্যগুলি হয় না।

এখানে চিত্র বর্ণনা লিখুন

আমার প্রশ্ন হল এই সময়ের সিরিজের মডেলটির সেরা পদ্ধতির কী হবে?

  • আমি বিশ্বাস করি বেশিরভাগ সময়ের সিরিজ বিশ্লেষণ কৌশলগুলির (এআরএমএর মতো) একটি নির্দিষ্ট ফ্রিকোয়েন্সি দরকার। আমি ধ্রুবক নমুনা পেতে বা খুব বিশদযুক্ত ডেটার একটি উপ-সেট বাছাই করতে আমি ডেটা একত্রিত করতে পারি। উভয় বিকল্পের সাহায্যে আমি মূল ডেটাসেট থেকে কিছু তথ্য অনুপস্থিত করব যা পৃথক নিদর্শন উন্মোচন করতে পারে।
  • চক্রগুলিতে সিরিজটি দ্রবীভূত করার পরিবর্তে আমি পুরো ডেটাসেটের সাহায্যে মডেলটিকে খাওয়াতে পারি এবং এটি নিদর্শনগুলি বেছে নেওয়ার আশা করতে পারি। উদাহরণস্বরূপ, আমি ঘন্টা, সপ্তাহের দিন এবং মাসকে শ্রেণিবদ্ধ ভেরিয়েবলগুলিতে রূপান্তরিত করেছি এবং ভাল ফলাফলের সাথে একাধিক রিগ্রেশন চেষ্টা করেছি (R2 = 0.71)

আমার ধারণা আছে যে এএনএন এর মতো মেশিন লার্নিংয়ের কৌশলগুলিও অসম সময় সিরিজ থেকে এই নিদর্শনগুলি বেছে নিতে পারে, তবে আমি ভাবছিলাম যে কেউ যদি এটি চেষ্টা করে থাকে, এবং আমাকে নিউরাল নেটওয়ার্কে টাইম প্যাটার্ন উপস্থাপনের সেরা উপায় সম্পর্কে কিছু পরামর্শ দিতে পারে।

উত্তর:


4

আরিমা, এক্সফোনেনশিয়াল স্মুথিং এবং অন্যান্যদের অবশ্যই সমান দুরত্বের নমুনা পয়েন্টের প্রয়োজন হয়। আপনি লিখতে হিসাবে, আপনি আপনার ডেটা bucketize করতে পারে (দিনের মধ্যে বলুন), কিন্তু আপনি লিখতে হিসাবে, আপনি তথ্য হারাতে হবে। তদতিরিক্ত, আপনার অনুপস্থিত মানগুলি শেষ হতে পারে, সুতরাং আপনাকে গুনতে হবে, যেহেতু আরিমা অনুপস্থিত মানগুলি পরিচালনা করতে খুব ভাল নয়।

একটি বিকল্প, যেমন আপনি আবার লিখেছেন, হ'ল সময় ডামিগুলিকে রিগ্রেশন ফ্রেমওয়ার্কে খাওয়ানো। আমি ব্যক্তিগতভাবে শ্রেণীবদ্ধ ডামি পছন্দ করি না, কারণ এটি প্রতিবেশী বিভাগগুলির মধ্যে একটি তাত্পর্যপূর্ণ কাট অফকে বোঝায়। এটি সাধারণত খুব স্বাভাবিক হয় না। সুতরাং আমি বরং বিভিন্ন সময়সীমার সাথে পর্যায়ক্রমিক স্প্লাইজগুলিতে দেখতে চাই। এই পদ্ধতির আপনার অসম নমুনা এবং হারিয়ে যাওয়া মানগুলি নিয়ে কাজ করার সুবিধা রয়েছে।

আর2

শেষ পর্যন্ত, মডেলিংকে অতিরিক্ত পরিমাণে ফেলবেন না। আপনার ডেটা চোখের সামনে থেকে, এটা স্পষ্ট যে জুনে কিছু হয়েছিল, আগস্টের একদিন এবং সেপ্টেম্বর / অক্টোবর মাসে happened আমি প্রথমে তোমাকে জানতে কি এই সুপারিশ কিছু ছিল এবং ব্যাখ্যামূলক ভেরিয়েবল (যা আপনি ARIMAX অন্তর্ভুক্ত পারেন যদি আপনি চান), আপনার মডেল, যেমন এই অন্তর্ভুক্ত। সেখানে যা ঘটেছিল তা স্পষ্টতই মৌসুমীতা নয়।


0

যেহেতু আপনার প্রশ্ন এবং @ স্টিফান কোলাসার চমৎকার উত্তরটি আরিমা এবং বিশেষত নিউরাল নেটওয়ার্কগুলি নিয়ে আলোচনা করেছে, তাই আমি উল্লেখ করতে চেয়েছিলাম যে আপনি যেতে যেতে forecastপ্যাকেজটি দিতে পারবেন R- এটির একটি nnetarফাংশন রয়েছে যা 1 টি লুকানো স্তর সহ একটি সাধারণ ফিড ফরোয়ার্ড নিউরাল নেটওয়ার্ককে প্রশিক্ষণ দেয় এবং পিছিয়ে ইনপুট

হয়ত আপনি এর লাইন ধরে কিছু চেষ্টা করতে পারেন:

  • আপনার প্রতিটি পর্যবেক্ষণের জন্য যেমন সপ্তাহের দিন, মাসের দিন, সপ্তাহের দিন / সপ্তাহান্তিক ইত্যাদির জন্য অনেকগুলি বৈশিষ্ট্য আহরণ করুন (কেবল তারিখের সময়টি আপনার প্রশ্নের সম্ভাব্য নির্ভরতা হিসাবে উল্লেখ করা হয় তাই আমি এটিকে অন্তর্ভুক্ত করেছি - তবে আপনি সমস্ত সম্ভাব্য জিনিসগুলি অন্তর্ভুক্ত করতে পারেন যা আপনি বিশ্বাস করুন আপনার আগ্রহের পরিবর্তনশীলকে প্রভাবিত করতে পারে)।
  • আপনার আগ্রহের পরিবর্তনশীল এবং তারিখের সময়কালের তথ্য (যেমন সপ্তাহের দিন ইত্যাদি) এর পিছনে থাকা মানগুলি আপনার ইনপুট হবে। আপনি xregউদাহরণস্বরূপ ডেটটাইম ভেরিয়েবলগুলি বহিরাগত রেজিস্ট্রার হিসাবে অন্তর্ভুক্ত করতে পারেন ( )।

এবং এই ইনপুটগুলির উপর ভিত্তি করে আপনার আগ্রহের বৈচিত্র্যের ভবিষ্যতের মানগুলির পূর্বাভাস দিন। অতিরিক্তভাবে, আপনি যে পূর্বাভাস দিতে চান তার প্রতিটি প্রদত্ত দিনে পর্যবেক্ষণকৃত গড় এবং তারতম্য / বিচ্যুতি অন্তর্ভুক্ত করার বিষয়টিও ভাবতে পারেন। এর অর্থ হ'ল আপনাকে প্রথমে আপনার প্রত্যাশিত গড় এবং বৈচিত্রের পূর্বাভাস দিতে হবে উদাহরণস্বরূপ আরিমা এর সাথে তারপরে উপরে বর্ণিত পদ্ধতির অতিরিক্ত ইনপুট হিসাবে যুক্ত করুন।

HTH।

আমাদের সাইট ব্যবহার করে, আপনি স্বীকার করেছেন যে আপনি আমাদের কুকি নীতি এবং গোপনীয়তা নীতিটি পড়েছেন এবং বুঝতে পেরেছেন ।
Licensed under cc by-sa 3.0 with attribution required.