តើ AI ទស្សន៍ទាយនិន្នាការយ៉ាងដូចម្តេច?

AI អាច​មើល​ឃើញ​គំរូ​ដែល​ភ្នែក​ទទេ​ខក​បាត់​ដោយ​បង្ហាញ​សញ្ញា​ដែល​មើល​ទៅ​ដូច​ជា​សំឡេង​រំខាន​នៅ​ពេល​ដំបូង។ ធ្វើត្រូវ វាប្រែក្លាយអាកប្បកិរិយារញ៉េរញ៉ៃទៅជាការមើលឃើញដែលមានប្រយោជន៍ - ការលក់នៅខែក្រោយ ចរាចរណ៍ថ្ងៃស្អែក កូរនៅចុងត្រីមាសនេះ។ ធ្វើខុស វាជាការគ្រោតគ្រាតដោយទំនុកចិត្ត។ នៅក្នុងការណែនាំនេះ យើងនឹងដើរតាមមេកានិកពិតប្រាកដនៃរបៀបដែល AI Predict Trends ថាតើការឈ្នះមកពីណា និងរបៀបជៀសវាងការបោកបញ្ឆោតដោយតារាងស្អាត។ ខ្ញុំនឹងរក្សាវាឱ្យមានប្រយោជន៍ ជាមួយនឹងការនិយាយពិតមួយចំនួន និងការលើកចិញ្ចើមម្តងម្កាល🙃។

អត្ថបទដែលអ្នកប្រហែលជាចង់អានបន្ទាប់ពីអត្ថបទនេះ៖

🔗 របៀបវាស់ស្ទង់សមត្ថភាព AI
សូចនាករសំខាន់ៗសម្រាប់វាយតម្លៃភាពត្រឹមត្រូវ ប្រសិទ្ធភាព និងភាពជឿជាក់នៃប្រព័ន្ធ AI ។

🔗 របៀបនិយាយជាមួយ AI
គន្លឹះជាក់ស្តែងសម្រាប់ការទំនាក់ទំនងជាមួយ AI ដើម្បីបង្កើនគុណភាពឆ្លើយតប។

🔗 អ្វី​ទៅ​ជា​ការ​ជំរុញ AI
ការពន្យល់ច្បាស់លាស់អំពីរបៀបដែលជម្រុញឱ្យមានឥទ្ធិពលលើឥរិយាបថ និងលទ្ធផលរបស់ AI ។

🔗 អ្វី​ទៅ​ជា​ការ​ដាក់​ស្លាក​ទិន្នន័យ AI
ការណែនាំអំពីការដាក់ស្លាកទិន្នន័យប្រកបដោយប្រសិទ្ធភាពសម្រាប់ការបណ្តុះបណ្តាលគំរូរៀនម៉ាស៊ីន។

អ្វីដែលធ្វើឱ្យការទស្សន៍ទាយនិន្នាការ AI ល្អ ✅

នៅពេលដែលមនុស្សសួរពីរបៀបដែល AI Predict Trends ជាធម្មតាពួកគេមានន័យថា៖ តើវាព្យាករណ៍ដោយរបៀបណានូវអ្វីដែលមិនច្បាស់លាស់ដែលកើតឡើងម្តងទៀត។ ការទស្សន៍ទាយនិន្នាការល្អមានធាតុផ្សំគួរឱ្យធុញ ប៉ុន្តែស្រស់ស្អាតមួយចំនួន៖

• ទិន្នន័យដែលមានសញ្ញា - អ្នកមិនអាចច្របាច់ទឹកក្រូចពីថ្មបានទេ។ អ្នកត្រូវការតម្លៃ និងបរិបទពីមុន។

• លក្ខណៈពិសេសដែលឆ្លុះបញ្ចាំងពីការពិត - រដូវកាល ថ្ងៃឈប់សម្រាក ការផ្សព្វផ្សាយ បរិបទម៉ាក្រូ សូម្បីតែអាកាសធាតុ។ មិនមែនទាំងអស់នោះទេ គ្រាន់តែជាឧបករណ៍ដែលផ្លាស់ទីម្ជុលរបស់អ្នក។

• ម៉ូដែលដែលសមនឹងនាឡិកា - វិធីសាស្រ្តដឹងពីពេលវេលាដែលគោរពតាមលំដាប់លំដោយ គម្លាត និងរសាត់។

• ការវាយតម្លៃដែលឆ្លុះបញ្ចាំងពីការដាក់ពង្រាយ - backtests ដែលក្លែងធ្វើពីរបៀបដែលអ្នកពិតជានឹងទស្សន៍ទាយ។ គ្មានការមើល [2] ។

• ការត្រួតពិនិត្យការផ្លាស់ប្តូរ - ការផ្លាស់ប្តូរពិភពលោក; គំរូរបស់អ្នកក៏គួរតែ [5] ។

នោះហើយជាគ្រោងឆ្អឹង។ នៅសល់គឺសាច់ដុំ សរសៃពួរ និងជាតិកាហ្វេអ៊ីនតិចតួច។

បំពង់ស្នូល៖ របៀបដែល AI ទស្សន៍ទាយនិន្នាការពីទិន្នន័យឆៅដើម្បីព្យាករណ៍🧪

1. ប្រមូល និងតម្រឹមទិន្នន័យ
   ប្រមូលផ្តុំស៊េរីគោលដៅ បូកនឹងសញ្ញាខាងក្រៅ។ ប្រភពធម្មតា៖ កាតាឡុកផលិតផល ការចំណាយលើការផ្សាយពាណិជ្ជកម្ម តម្លៃ សន្ទស្សន៍ម៉ាក្រូ និងព្រឹត្តិការណ៍។ តម្រឹមត្រាពេលវេលា ដោះស្រាយតម្លៃដែលបាត់ ធ្វើស្តង់ដារឯកតា។ វា​ជា​រឿង​មិន​ល្អ​ប៉ុន្តែ​រិះគន់។

2. លក្ខណៈពិសេសវិស្វករ
   បង្កើតភាពយឺតយ៉ាវ មធ្យោបាយរំកិល ការផ្លាស់ប្តូរបរិមាណ ទង់ថ្ងៃនៃសប្តាហ៍ និងសូចនាករដែនជាក់លាក់។ សម្រាប់ការកែតម្រូវតាមរដូវ អ្នកអនុវត្តជាច្រើនបំបែកស៊េរីទៅជានិន្នាការ រដូវកាល និងសមាសធាតុដែលនៅសល់មុនពេលធ្វើគំរូ។ កម្មវិធី X-13 របស់ការិយាល័យជំរឿនសហរដ្ឋអាមេរិក គឺជាឯកសារយោងសម្រាប់របៀប និងមូលហេតុដែលវាដំណើរការ [1] ។

3. ជ្រើសរើសគ្រួសារគំរូ
   អ្នកមានធុងធំបី៖

• ស្ថិតិបុរាណ ៖ ARIMA, ETS, state-space/Kalman។ អាចបកស្រាយបាន និងរហ័ស។

• ការរៀនម៉ាស៊ីន ៖ ការបង្កើនកម្រិតជម្រាល ព្រៃចៃដន្យជាមួយនឹងលក្ខណៈពិសេសដែលដឹងពីពេលវេលា។ អាចបត់បែនបានតាមស៊េរីជាច្រើន។

• ការរៀនស៊ីជម្រៅ ៖ LSTM, Temporal CNNs, Transformers ។ មានប្រយោជន៍នៅពេលអ្នកមានទិន្នន័យច្រើន និងរចនាសម្ព័ន្ធស្មុគស្មាញ។

4. Backtest ត្រឹមត្រូវ
   ស៊េរីពេលវេលាឆ្លងកាត់សុពលភាពប្រើប្រភពដើមវិល ដូច្នេះអ្នកមិនដែលហ្វឹកហាត់នៅថ្ងៃអនាគត ខណៈពេលដែលសាកល្បងអតីតកាល។ វាជាភាពខុសគ្នារវាងភាពត្រឹមត្រូវស្មោះត្រង់ និងការគិតដោយប្រាថ្នា [2]។

5. ការព្យាករណ៍ កំណត់បរិមាណភាពមិនប្រាកដប្រជា និងដឹកជញ្ជូន
   ការព្យាករណ៍ត្រលប់មកវិញជាមួយនឹងចន្លោះពេល តាមដានកំហុស និងការហ្វឹកហាត់ឡើងវិញនៅពេលដែលពិភពលោករសាត់។ សេវាកម្មដែលគ្រប់គ្រងជាទូទៅ មាត្រដ្ឋានភាពត្រឹមត្រូវលើផ្ទៃ (ឧ. MAPE, WAPE, MASE) និងវិនដូតេស្តខាងក្រោយចេញពីប្រអប់ ដែលធ្វើឲ្យការគ្រប់គ្រង និងផ្ទាំងគ្រប់គ្រងកាន់តែងាយស្រួល [3]។

រឿងសង្រ្គាមរហ័ស៖ នៅក្នុងការបើកដំណើរការមួយ យើងបានចំណាយពេលមួយថ្ងៃបន្ថែមលើមុខងារប្រតិទិន (ថ្ងៃឈប់សម្រាកក្នុងតំបន់ + ទង់ផ្សព្វផ្សាយ) ហើយកាត់បន្ថយកំហុសឆ្គងដែលគួរឱ្យកត់សម្គាល់ជាងការផ្លាស់ប្តូរម៉ូដែល។ គុណភាព​លក្ខណៈ​ពិសេស​វាយ​តម្លៃ​គំរូ​ភាព​ថ្មីថ្មោង​ដែល​អ្នក​នឹង​ឃើញ​ម្ដង​ទៀត។

តារាងប្រៀបធៀប៖ ឧបករណ៍ដែលជួយ AI ទស្សន៍ទាយនិន្នាការ🧰

មិនល្អឥតខ្ចោះតាមគោលបំណង - តុពិតប្រាកដមួយដែលមានលក្ខណៈពិសេសរបស់មនុស្សមួយចំនួន។

បាទ ឃ្លាគឺមិនស្មើគ្នា។ នោះជាជីវិតពិត។

វិស្វកម្មលក្ខណៈពិសេសដែលពិតជាផ្លាស់ទីម្ជុល🧩

ចម្លើយដ៏សាមញ្ញបំផុតចំពោះរបៀបដែល AI Predict Trends គឺនេះ៖ យើងបង្វែរស៊េរីទៅជាតារាងសិក្សាដែលមានការគ្រប់គ្រងដែលចងចាំពេលវេលា។ ចលនាឆ្ពោះទៅកាន់មួយចំនួន៖

• ភាពយឺតយ៉ាវ និងបង្អួច ៖ រួមបញ្ចូល y[t-1], y[t-7], y[t-28], បូកនឹងមធ្យោបាយរំកិល និង std dev ។ វាចាប់យកសន្ទុះ និងនិចលភាព។

• សញ្ញានៃរដូវកាល ៖ ខែ សប្តាហ៍ ថ្ងៃនៃសប្តាហ៍ ម៉ោងនៃថ្ងៃ។ ពាក្យ Fourier ផ្តល់នូវខ្សែកោងតាមរដូវកាលដោយរលូន។

• ប្រតិទិន និងព្រឹត្តិការណ៍ ៖ ថ្ងៃឈប់សម្រាក ការចេញលក់ផលិតផល ការផ្លាស់ប្តូរតម្លៃ ការផ្សព្វផ្សាយ។ ផល​ប៉ះពាល់​ថ្ងៃ​ឈប់​សម្រាក​បែប​ព្យាការី​គឺ​គ្រាន់​តែ​ជា​លក្ខណៈ​ពិសេស​ជាមួយ​នឹង​មុន​ប៉ុណ្ណោះ។

• ការរលួយ ៖ ដកសមាសធាតុតាមរដូវ ហើយយកគំរូដែលនៅសល់នៅពេលដែលលំនាំរឹងមាំ។ X-13 គឺជាមូលដ្ឋានដែលបានសាកល្បងយ៉ាងល្អសម្រាប់រឿងនេះ។

• អ្នកតំរែតំរង់ខាងក្រៅ ៖ អាកាសធាតុ សន្ទស្សន៍ម៉ាក្រូ ការមើលទំព័រ ចំណាប់អារម្មណ៍ស្វែងរក។

• ការណែនាំអំពីអន្តរកម្ម ៖ ឈើឆ្កាងសាមញ្ញដូចជា promo_flag × day_of_week ។ វា​ជា​ការ​ខ្ជះខ្ជាយ​ប៉ុន្តែ​ជា​ញឹកញាប់​បាន​ធ្វើ​ការ​។

ប្រសិនបើអ្នកមានស៊េរីដែលទាក់ទងច្រើន-និយាយថា SKUs រាប់ពាន់- អ្នកអាចបញ្ចូលព័ត៌មានឆ្លងកាត់ពួកវាជាមួយគំរូតាមឋានានុក្រម ឬសកល។ នៅក្នុងការអនុវត្ត គំរូដែលជំរុញកម្រិតជម្រាលជាសកលជាមួយនឹងលក្ខណៈពិសេសដែលដឹងពីពេលវេលា តែងតែវាយលើសទម្ងន់របស់វា។

ការជ្រើសរើសគ្រួសារគំរូ៖ ជម្លោះមិត្តភាព 🤼‍♀️

• ARIMA/ETS
  Pros៖ អាចបកស្រាយបាន រហ័ស និងមូលដ្ឋានរឹងមាំ។ គុណវិបត្តិ៖ ការលៃតម្រូវតាមស៊េរីអាចទទួលបានយ៉ាងរលូនតាមមាត្រដ្ឋាន។ ការជាប់ទាក់ទងគ្នាដោយផ្នែកអាចជួយបង្ហាញការបញ្ជាទិញ ប៉ុន្តែកុំរំពឹងថានឹងមានអព្ភូតហេតុ។

• នៃការជំរុញកម្រិតជម្រាល
  ៖ គ្រប់គ្រងលក្ខណៈពិសេសតារាង រឹងមាំដល់សញ្ញាចម្រុះ អស្ចារ្យជាមួយស៊េរីពាក់ព័ន្ធជាច្រើន។ គុណវិបត្តិ៖ អ្នកត្រូវតែវិស្វករលក្ខណៈពិសេសពេលវេលាឱ្យបានល្អ និងគោរពបុព្វហេតុ។

• នៃការរៀនសូត្រជ្រៅ
  ៖ ចាប់យកលំនាំមិនត្រង់បន្ទាត់ និងឆ្លងស៊េរី។ គុណវិបត្តិ៖ ទិន្នន័យស្រេកឃ្លាន ពិបាកដោះស្រាយ។ នៅពេលអ្នកទទួលបានបរិបទដ៏សម្បូរបែប ឬប្រវត្តិដ៏វែង វាអាចភ្លឺ។ បើមិនដូច្នេះទេ វាជារថយន្តស្ព័រដែលមានចរាចរណ៍ច្រើនម៉ោង។

• Hybrid & ensembles
  ចូរនិយាយដោយស្មោះត្រង់ ការដាក់កម្រិតមូលដ្ឋានតាមរដូវកាលជាមួយនឹងឧបករណ៍ជំរុញកម្រិតពណ៌ និងការបញ្ចូលគ្នាជាមួយ LSTM ទម្ងន់ស្រាលគឺជាការរីករាយដែលមានកំហុសមិនធម្មតានោះទេ។ ខ្ញុំបានដើរថយក្រោយលើ "ភាពបរិសុទ្ធនៃគំរូតែមួយ" ច្រើនជាងខ្ញុំទទួលស្គាល់។

បុព្វហេតុទល់នឹងការជាប់ទាក់ទងគ្នា៖ ដោះស្រាយដោយយកចិត្តទុកដាក់ 🧭

ដោយ​សារ​តែ​ខ្សែ​ពីរ​បត់​ចូល​គ្នា​មិន​មាន​ន័យ​ថា​មួយ​ជំរុញ​មួយ​ទៀត​។ បុព្វហេតុ Granger ថាតើការបន្ថែមអ្នកបើកបរបេក្ខជនធ្វើអោយប្រសើរឡើងនូវការទស្សន៍ទាយសម្រាប់គោលដៅដែលបានផ្តល់ឱ្យប្រវត្តិផ្ទាល់ខ្លួនរបស់វា។ វានិយាយអំពីអត្ថប្រយោជន៍នៃការទស្សន៍ទាយនៅក្រោមការសន្មត់ autoregressive លីនេអ៊ែរ មិនមែនជាបុព្វហេតុទស្សនវិជ្ជាទេ - ភាពខុសគ្នាដ៏ទន់ភ្លន់ប៉ុន្តែសំខាន់ [4] ។

នៅក្នុងការផលិត អ្នកនៅតែពិនិត្យអនាម័យជាមួយនឹងចំណេះដឹងអំពីដែន។ ឧទាហរណ៍៖ ផលប៉ះពាល់ថ្ងៃធ្វើការគឺសំខាន់សម្រាប់ការលក់រាយ ប៉ុន្តែការបន្ថែមការចុចផ្សាយពាណិជ្ជកម្មកាលពីសប្តាហ៍មុនអាចនឹងលែងមាន ប្រសិនបើការចំណាយមាននៅក្នុងគំរូរួចហើយ។

Backtesting & Metrics៖ កន្លែងដែលកំហុសភាគច្រើនលាក់🔍

ដើម្បីវាយតម្លៃពីរបៀបដែល AI ទស្សន៍ទាយនិន្នាការជាក់ស្តែង ធ្វើត្រាប់តាមរបៀបដែលអ្នកនឹងព្យាករណ៍នៅក្នុងធម្មជាតិ៖

• Rolling-origin cross-validation : ហ្វឹកហាត់ម្តងហើយម្តងទៀតលើទិន្នន័យមុន ហើយព្យាករណ៍ពីកំណាត់បន្ទាប់។ វាគោរពតាមលំដាប់ពេលវេលា និងការពារការលេចធ្លាយនាពេលអនាគត [2] ។

• មាត្រដ្ឋានកំហុស ៖ ជ្រើសរើសអ្វីដែលសមនឹងការសម្រេចចិត្តរបស់អ្នក។ រង្វាស់ភាគរយដូចជា MAPE គឺពេញនិយម ប៉ុន្តែការវាស់វែងទម្ងន់ (WAPE) ឬម៉ែត្រគ្មានមាត្រដ្ឋាន (MASE) ជាញឹកញាប់មានឥរិយាបទប្រសើរជាងសម្រាប់ផលប័ត្រ និងសរុប [3]។

• ចន្លោះពេលទស្សន៍ទាយ ៖ កុំគ្រាន់តែផ្តល់ពិន្ទុ។ ទំនាក់ទំនងភាពមិនច្បាស់លាស់។ នាយកប្រតិបត្តិកម្រស្រឡាញ់ជួរ ប៉ុន្តែពួកគេចូលចិត្តការភ្ញាក់ផ្អើលតិចជាង។

gotcha ដ៏តូចមួយ៖ នៅពេលដែលធាតុអាចជាសូន្យ ការវាស់វែងភាគរយមានភាពចំលែក។ ចូលចិត្តកំហុសដាច់ខាត ឬមាត្រដ្ឋាន ឬបន្ថែមអុហ្វសិតតូច - គ្រាន់តែត្រូវគ្នាប៉ុណ្ណោះ។

ការរសាត់កើតឡើង៖ ការរកឃើញ និងការសម្របខ្លួនទៅនឹងការផ្លាស់ប្តូរ🌊

ការផ្លាស់ប្តូរទីផ្សារ ចំណូលចិត្តរសាត់ អាយុកាលឧបករណ៍ចាប់សញ្ញា។ ការរសាត់នៃគំនិត គឺជាការចាប់បានទាំងអស់ នៅពេលដែលទំនាក់ទំនងរវាងធាតុចូល និងគោលដៅវិវឌ្ឍ។ អ្នក​អាច​ត្រួត​ពិនិត្យ​មើល​ការ​រសាត់​ដោយ​ការ​ធ្វើ​តេស្ដ​ស្ថិតិ កំហុស​បង្អួច​រអិល ឬ​ការត្រួតពិនិត្យ​ការ​ចែកចាយ​ទិន្នន័យ។ បន្ទាប់មកជ្រើសរើសយុទ្ធសាស្ត្រ៖ បង្អួចបណ្តុះបណ្តាលខ្លីជាង ការបណ្តុះបណ្តាលតាមកាលកំណត់ ឬគំរូសម្របខ្លួនដែលធ្វើបច្ចុប្បន្នភាពលើអ៊ីនធឺណិត។ ការស្ទង់មតិលើវាលបង្ហាញពីប្រភេទរសាត់ច្រើន និងគោលការណ៍បន្សាំ។ គ្មានគោលការណ៍តែមួយសមនឹងទាំងអស់ [5] ។

សៀវភៅលេងដែលមានប្រយោជន៍៖ កំណត់កម្រិតនៃការជូនដំណឹងអំពីកំហុសនៃការព្យាករណ៍ផ្ទាល់ ហ្វឹកហាត់ឡើងវិញតាមកាលវិភាគ និងរក្សាការគ្រោងទុកជាមូលដ្ឋាន។ មិនរលោង - មានប្រសិទ្ធភាពណាស់។

ការពន្យល់៖ បើកប្រអប់ខ្មៅដោយមិនបំបែកវា🔦

ភាគីពាក់ព័ន្ធសួរថាហេតុអ្វីបានជាការព្យាករណ៍កើនឡើង។ សមហេតុផល។ ឧបករណ៍មិនច្បាស់លាស់គំរូដូចជា SHAP សន្មតថាការព្យាករណ៍ចំពោះលក្ខណៈពិសេសនៅក្នុងវិធីដែលមានមូលដ្ឋានលើទ្រឹស្តី ដោយជួយអ្នកឱ្យមើលឃើញថាតើរដូវកាល តម្លៃ ឬស្ថានភាពផ្សព្វផ្សាយបានរុញលេខ។ វានឹងមិនបង្ហាញពីមូលហេតុនោះទេ ប៉ុន្តែវាធ្វើអោយប្រសើរឡើងនូវទំនុកចិត្ត និងការបំបាត់កំហុស។

នៅក្នុងការសាកល្បងផ្ទាល់របស់ខ្ញុំ និមិត្តសញ្ញាប្រចាំសប្តាហ៍ និងការផ្សព្វផ្សាយមាននិន្នាការគ្របដណ្តប់លើការព្យាករណ៍ការលក់រាយរយៈពេលខ្លី ខណៈដែលជើងមេឃដ៏វែងផ្លាស់ប្តូរឆ្ពោះទៅរកម៉ាក្រូប្រូកស៊ី។ ចម្ងាយរបស់អ្នកនឹងប្រែប្រួល - រីករាយ។

Cloud & MLOps៖ ការព្យាករណ៍ការដឹកជញ្ជូនដោយគ្មានខ្សែ 🚚

ប្រសិនបើអ្នកចូលចិត្តវេទិកាគ្រប់គ្រង៖

• Google Vertex AI Forecast ផ្តល់ឱ្យនូវដំណើរការការងារដែលបានណែនាំសម្រាប់ការបញ្ចូលស៊េរីពេលវេលា ដំណើរការការព្យាករណ៍ AutoML ការធ្វើតេស្តត្រឡប់មកវិញ និងការដាក់ពង្រាយចំណុចបញ្ចប់។ វាក៏លេងបានយ៉ាងល្អជាមួយនឹងជង់ទិន្នន័យទំនើបផងដែរ។

• Amazon Forecast ផ្តោតលើការដាក់ពង្រាយទ្រង់ទ្រាយធំ ជាមួយនឹងការធ្វើតេស្តត្រលប់ក្រោយស្តង់ដារ និងមាត្រដ្ឋានភាពត្រឹមត្រូវដែលអ្នកអាចទាញបានតាមរយៈ API ដែលជួយជាមួយនឹងការគ្រប់គ្រង និងផ្ទាំងគ្រប់គ្រង [3]។

ផ្លូវណាមួយកាត់បន្ថយបន្ទះកំដៅ។ គ្រាន់តែរក្សាភ្នែកមួយលើការចំណាយ និងមួយទៀតលើខ្សែទិន្នន័យ ភ្នែក​ពីរ​សរុប​មាន​ល្បិច ប៉ុន្តែ​អាច​ធ្វើ​បាន។

ការឆ្លងកាត់ករណីខ្នាតតូច៖ ពីការចុចឆៅទៅសញ្ញានិន្នាការ 🧭✨

ចូរស្រមៃថាអ្នកកំពុងព្យាករណ៍ការចុះឈ្មោះប្រចាំថ្ងៃសម្រាប់កម្មវិធី freemium៖

1. ទិន្នន័យ ៖ ទាញការចុះឈ្មោះប្រចាំថ្ងៃ ការចំណាយលើការផ្សាយពាណិជ្ជកម្មតាមប៉ុស្តិ៍ ការបិទគេហទំព័រ និងប្រតិទិនផ្សព្វផ្សាយសាមញ្ញ។

2. លក្ខណៈពិសេស : យឺត 1, 7, 14; មធ្យោបាយរំកិលរយៈពេល 7 ថ្ងៃ; ទង់ជាតិថ្ងៃនៃសប្តាហ៍; ទង់ផ្សព្វផ្សាយគោលពីរ; ពាក្យតាមរដូវ Fourier; និងនៅសល់តាមរដូវដែលខូច ដូច្នេះគំរូផ្តោតលើផ្នែកដែលមិនកើតឡើងម្តងទៀត។ ការខូចទ្រង់ទ្រាយតាមរដូវកាលគឺជាការផ្លាស់ប្តូរបុរាណនៅក្នុងស្ថិតិផ្លូវការឈ្មោះការងារដែលគួរឱ្យធុញ ប្រាក់ឈ្នួលធំ [1] ។

3. គំរូ ៖ ចាប់ផ្តើមជាមួយឧបករណ៍តំរែតំរង់ដែលជំរុញដោយជម្រាលជាគំរូសកលនៅទូទាំងភូមិសាស្ត្រទាំងអស់។

4. Backtest : ប្រភពដើមនៃការវិលជាមួយនឹងផ្នត់ប្រចាំសប្តាហ៍។ បង្កើនប្រសិទ្ធភាព WAPE នៅលើផ្នែកអាជីវកម្មចម្បងរបស់អ្នក។ ការធ្វើតេស្តត្រឡប់មកវិញដោយគោរពពេលវេលាគឺមិនអាចចរចារបានសម្រាប់លទ្ធផលគួរឱ្យទុកចិត្ត [2] ។

5. ពន្យល់ ៖ ពិនិត្យមើលគុណលក្ខណៈលក្ខណៈពិសេសប្រចាំសប្តាហ៍ ដើម្បីមើលថាតើទង់ផ្សព្វផ្សាយកំពុងធ្វើអ្វីក្រៅពីមើលទៅឡូយនៅក្នុងស្លាយ។

6. ម៉ូនីទ័រ ៖ ប្រសិនបើផលប៉ះពាល់នៃការផ្សព្វផ្សាយថយចុះ ឬការផ្លាស់ប្តូរលំនាំថ្ងៃធ្វើការបន្ទាប់ពីការផ្លាស់ប្តូរផលិតផល សូមចាប់ផ្តើមការហ្វឹកហាត់ឡើងវិញ។ Drift មិនមែនជាកំហុសទេ - វាជាថ្ងៃពុធ [5] ។

លទ្ធផល៖ ការព្យាករណ៍ដែលអាចទុកចិត្តបានជាមួយនឹងខ្សែភាពជឿជាក់ បូកនឹងផ្ទាំងគ្រប់គ្រងដែលនិយាយថាអ្វីដែលបានផ្លាស់ប្តូរម្ជុល។ ការជជែកគ្នាតិច សកម្មភាពកាន់តែច្រើន។

រណ្តៅ & ទេវកថាដើម្បីដើរដោយស្ងៀមស្ងាត់🚧

• ទេវកថា៖ លក្ខណៈពិសេសកាន់តែច្រើនគឺតែងតែប្រសើរជាង។ ទេ មុខងារ​មិន​ពាក់ព័ន្ធ​ច្រើន​ពេក​នាំ​ឱ្យ​មាន​ភាព​សម​ល្មម។ រក្សាអ្វីដែលជួយ backtest និងតម្រឹមជាមួយនឹងន័យដែន។

• ទេវកថា៖ សំណាញ់ជ្រៅវាយអ្វីៗគ្រប់យ៉ាង។ ជួនកាល បាទ ច្រើនតែអត់។ ប្រសិនបើទិន្នន័យខ្លី ឬរំខាន វិធីសាស្ត្របុរាណឈ្នះលើស្ថិរភាព និងតម្លាភាព។

• រណ្តៅ: លេចធ្លាយ។ ការអនុញ្ញាតឱ្យព័ត៌មាននៅថ្ងៃស្អែកចូលទៅក្នុងវគ្គបណ្តុះបណ្តាលថ្ងៃនេះដោយចៃដន្យនឹងធ្វើឱ្យមាត្រដ្ឋានរបស់អ្នកប្រសើរឡើង និងដាក់ទណ្ឌកម្មលើផលិតកម្មរបស់អ្នក [2] ។

• Pitfall: ដេញតាមទសភាគចុងក្រោយ។ ប្រសិនបើខ្សែសង្វាក់ផ្គត់ផ្គង់របស់អ្នកមានភាពច្របូកច្របល់ ការជជែកវែកញែករវាង 7.3 និង 7.4 ភាគរយកំហុសគឺជាល្ខោន។ ផ្តោតលើកម្រិតនៃការសម្រេចចិត្ត។

• ទេវកថា៖ បុព្វហេតុពីការជាប់ទាក់ទងគ្នា។ ការធ្វើតេស្តហ្គ្រេនហ្គឺរពិនិត្យមើលភាពមានប្រយោជន៍ក្នុងការទស្សន៍ទាយ មិនមែនជាការពិតបែបទស្សនវិជ្ជាទេ ប្រើពួកវាជារបាំងការពារ មិនមែនជាដំណឹងល្អ [4]។

បញ្ជីត្រួតពិនិត្យការអនុវត្ត អ្នកអាចចម្លង-បិទភ្ជាប់📋

• កំណត់ជើងមេឃ កម្រិតសរុប និងការសម្រេចចិត្តដែលអ្នកនឹងបើកបរ។

• បង្កើតលិបិក្រមពេលវេលាស្អាត បំពេញ ឬដាក់ទង់ និងតម្រឹមទិន្នន័យខាងក្រៅ។

• ភាពយឺតយ៉ាវនៃសិប្បកម្ម ស្ថិតិរំកិល ទង់តាមរដូវកាល និងលក្ខណៈពិសេសដែនមួយចំនួនដែលអ្នកទុកចិត្ត។

• ចាប់ផ្តើមជាមួយនឹងមូលដ្ឋានដ៏រឹងមាំ បន្ទាប់មកធ្វើម្តងទៀតទៅគំរូស្មុគស្មាញជាងប្រសិនបើចាំបាច់។

• ប្រើ​ការ​ធ្វើ​តេស្ត​ត្រឡប់​ដើម​វិញ​ជាមួយ​នឹង​ម៉ែត្រ​ដែល​ត្រូវ​នឹង​អាជីវកម្ម​របស់​អ្នក [2][3]។

• បន្ថែមចន្លោះពេលព្យាករណ៍ - មិនមែនជាជម្រើសទេ។

• នាវា ត្រួតពិនិត្យការរសាត់ និងហ្វឹកហាត់ឡើងវិញតាមកាលវិភាគ បូកនឹងការជូនដំណឹង [5] ។

យូរពេក អត់បានអានទេ - ចំណាំចុងក្រោយ💬

ការពិតសាមញ្ញអំពីរបៀបដែល AI ទស្សន៍ទាយនិន្នាការ៖ វាតិចជាងអំពីក្បួនដោះស្រាយវេទមន្ត និងច្រើនទៀតអំពីការរចនាដែលមានវិន័យ និងដឹងពីពេលវេលា។ ទទួលបានទិន្នន័យ និងលក្ខណៈពិសេសឱ្យបានត្រឹមត្រូវ វាយតម្លៃដោយស្មោះត្រង់ ពន្យល់យ៉ាងសាមញ្ញ និងសម្របតាមការផ្លាស់ប្តូរការពិត។ វា​ដូចជា​ការ​សម្រួល​វិទ្យុ​ដោយ​មាន​ប៊ូតុង​មាន​ជាតិ​ខាញ់​បន្តិច ពេលខ្លះ​ឋិតិវន្ត ប៉ុន្តែ​ពេល​ស្ថានីយ​ចូល​មក វា​ច្បាស់​គួរ​ឲ្យ​ភ្ញាក់ផ្អើល។

ប្រសិនបើអ្នកដករបស់មួយចេញ៖ គោរពពេលវេលា ធ្វើឱ្យមានសុពលភាពដូចមនុស្សសង្ស័យ ហើយបន្តតាមដាន។ នៅសល់គឺគ្រាន់តែជាឧបករណ៍និងរសជាតិ។

ឯកសារយោង

1. ការិយាល័យជំរឿនសហរដ្ឋអាមេរិក - កម្មវិធីកែតម្រូវតាមរដូវកាល X-13ARIMA-SEATS ។ តំណភ្ជាប់

2. Hyndman & Athanasopoulos - ការព្យាករណ៍៖ គោលការណ៍ និងការអនុវត្ត (FPP3), §5.10 ស៊េរីពេលវេលាឆ្លងកាត់សុពលភាព ។ តំណភ្ជាប់

3. សេវាកម្មគេហទំព័រ Amazon - ការវាយតម្លៃភាពត្រឹមត្រូវនៃការទស្សន៍ទាយ (ការព្យាករណ៍ Amazon) ។ តំណភ្ជាប់

4. សាកលវិទ្យាល័យហ៊ូស្តុន - Granger Causality (កំណត់ចំណាំការបង្រៀន) ។ តំណភ្ជាប់

5. ហ្គាម៉ា et al ។ - ការស្ទាបស្ទង់មតិលើការសម្របខ្លួនតាមបែប Drift (កំណែបើកចំហ) ។ តំណភ្ជាប់

ស្វែងរក AI ចុងក្រោយបំផុតនៅហាងជំនួយការ AI ផ្លូវការ

អំពីយើង