Avalados por :
Previsão de Vendas Multivariadas com VectorARIMA e SAP HANA PAL: Guia de Implementação
- Creado 01/03/2024
- Modificado 01/03/2024
- 2 Vistas
Imagina isto: és o gerente de um supermercado e gostarias de prever as vendas nas próximas semanas. Foram-te fornecidos os dados históricos de vendas diárias de centenas de produtos. Que tipo de problema classificarias isto? Naturalmente, a modelagem de séries temporais, como ARIMA e suavização exponencial, pode vir à tua mente. Com essas ferramentas, poderias considerar as vendas de cada produto como séries temporais separadas e prever as suas vendas futuras com base nos seus valores históricos.
Depois de um minuto, percebes que as vendas desses produtos não são independentes e há uma certa dependência entre eles. Por exemplo, durante festivais, a promoção da carne para churrasco também impulsionará as vendas de ketchup e outras especiarias. Se uma marca de pasta de dentes estiver em promoção, a procura por outras marcas poderia diminuir. Exemplos como estes são inúmeros. Quando há múltiplas variáveis em jogo, precisamos encontrar uma ferramenta adequada para lidar com tais Séries Temporais Multivariadas (MTS), que possa lidar com a dependência entre variáveis.
Na Biblioteca de Análise Preditiva SAP HANA (PAL) , e envolvido no Cliente de Aprendizado de Máquina Python para SAP HANA (hana-ml) , fornecemos um dos métodos mais comumente usados e poderosos para a previsão de MTS: VectorARIMA que inclui uma série de algoritmos: VAR, VARX, VMA, VARMA, VARMAX, sVARMAX, sVARMAX.
Neste post do blog, aprenderás:
- Introdução de MTS e VectorARIMA.
- Um estudo de caso que contém os passos para a implementação de VectorARIMA para solidificar a tua compreensão do algoritmo.
Este post do blog pressupõe que já tens alguma familiaridade com séries temporais univariadas e modelagem ARIMA (AR, MA, ARIMAX, sARIMA, ...). No hana-ml, também fornecemos estas ferramentas - ARIMA e AutoARIMA e podes consultar a documentação para obteres mais informações.
1. Introdução de MTS e VectorARIMA
Uma Série Temporal Multivariada consiste em mais de uma variável dependente do tempo e cada variável depende não apenas dos seus valores passados, mas também tem uma certa dependência com outras variáveis.
Para lidar com MTS, um dos métodos mais populares é o modelo de Média Móvel Autorregressiva Vetorial (VARMA), que é uma forma vetorial de média móvel autorregressiva integrada (ARIMA) que pode ser usada para examinar as relações entre várias variáveis na análise de séries temporais multivariadas.
No hana-ml, a função VARMA é chamada VectorARIMA que suporta uma série de modelos, por exemplo, VAR puro, VMA puro, VARX (VAR com variáveis exógenas), sVARMA (VARMA sazonal), VARMAX. Assim como ARIMA, construir um VectorARIMA também requer selecionar a ordem adequada de Autorregressivo (AR) p , ordem de Média Móvel (MA) q , grau de diferenciação d . Se houver sazonalidade na série temporal, também devem ser decididos os parâmetros relacionados com a sazonalidade, ou seja, período sazonal s , Ordem de AR sazonal vetorial P , ordem de MA sazonal vetorial Q, Grau de diferenciação sazonal D .
No VectorARIMA, as ordens dos modelos VAR/VMA/VARMA podem ser especificadas automaticamente. Lembra-te de que o grau de diferenciação deve ser fornecido pelo usuário e pode ser alcançado tornando todas as séries temporais estacionárias.
Sin respuestas
No hay respuestas para mostrar
Se el primero en responder
contacto@primeinstitute.com
(+51) 1641 9379
(+57) 1489 6964
© 2024 Copyright. Todos los derechos reservados.
Desarrollado por Prime Institute