|
Содержание работы или список заданий
|
ЛАБОРАТОРНАЯ РАБОТА №8А
(краска)
Тема: Прогнозирование продаж.
Задание 1. Изучить обработчики для прогнозирование продаж.
Для решения задач регрессии, одной из которых является задача прогнозирования, в Deductor используются различные обработчики [2].
Обработчик «Автокорреляция». Целью автокорреляционного анализа является выяснение степени статистической зависимости между различными значениями (отсчетами) случайной последовательности, которую образует поле выборки данных. В процессе автокорреляционного анализа рассчитываются коэффициенты корреляции (мера взаимной зависимости) для двух значений выборки, отстоящих друг от друга на определенное количество отсчетов, называемые также лагом.
Применительно к анализу временных рядов автокорреляция позволяет выделить месячную и годовую сезонность в данных (рис.1). Видно, что пик зависимости на данных приходится на 12 месяц, что свидетельствует о годовой сезонности. Поэтому величину продаж годовой давности необходимо обязательно учитывать при построении модели (если используется нейронная сеть – то подавать на вход).
Рис. 1. Автокорреляция.
Обработчик «Парциальная предобработка». Данный обработчик позволяет удалить аномалии и шумы в исходных данных. Шумы в данных (в данном случае временной ряд истории продаж) не только скрывают общую тенденцию, но и проявляют себя при построении модели прогноза. Из-за них модель может получиться плохого качества. Аналогичная ситуация с аномалиями, т.е. резкими отклонениями величины от ее ожидаемого значения.
Однако следует понимать, что решение о сглаживании, удалении шумов и аномалий целиком зависит от специфики решаемой задачи, бизнес-правил предметной области и т.д. Аномалии, или случайные всплески в отгрузке товаров могут быть вызваны такими факторами, как задержка транспорта в пути и другими форс-мажорами. В любом случае, необходимо строить несколько моделей.
В обработчике «Парциальная обработка» предусмотрен выбор степени подавления аномалий и вычитания шумов: малая, средняя, большая. Кроме того, в обработчике предусмотрена возможность заполнения пропусков, а также сглаживание данных, в том числе вейвлет-преобразованием. Выбор того или иного алгоритма определяется спецификой конкретной задачи.
На рис.2. приведен пример временного ряда после удаления аномалий и шумов.
Рис. 2. Исходные и сглаженные данные.
Обработчик «Скользящее окно». При прогнозировании временных рядов при помощи обучающихся алгоритмов (в том числе искусственной нейронной сети), требуется подавать на вход анализатора значения нескольких, смежных, отсчетов из исходного набора данных. Например, в том случае, когда необходимо подавать на вход значения сумм продаж за последние 3 месяца и сумму продаж год назад. При этом эффективность реализации заметно повышается, если не выбирать данные каждый раз из нескольких последовательных записей, а последовательно расположить данные, относящиеся к конкретной позиции окна, в одной записи.
Значения в одном из полей записи будут относиться к текущему отсчету, а в других – смещены от текущего отсчета «в будущее» или «в прошлое». Следовательно, преобразование скользящего окна имеет два параметра: «глубина погружения» - количество «прошлых» отсчетов (включая текущий отсчет), попадающих в окно, и «горизонт прогнозирования» – количество «будущих» отсчетов. Такой метод отбора данных называется скользящим окном (поскольку это окно «перемещается» по всему набору).
Обработчик «Нейросеть». Обработчик предназначен для решения задач регрессии и прогнозирования. В данном случае нейросеть строится для прогнозирования будущих значений временного ряда. Для проверки обобщающей способности нейросети рекомендуется разбить имеющееся множество данных на две части: обучающее и тестовое. Как правило, при прогнозировании временных рядов, доля тестового множества составляет не более 10-20%.
С помощью визуализатора «Диаграмма» оценивается способность построенной нейросетевой модели к обобщению. Для этого в одном окне выводятся графики исходного и спрогнозированного временных рядов. На рис.3 изображен пример таких графиков. Видно, что построенная модель обеспечивает приемлемую точность.
Рис. 3. Оценка качества построенной модели.
Обработчик «Прогнозирование» и визуализатор «Диаграмма прогноза». Прогнозирование позволяет получать предсказание значений временного ряда на число отсчетов, соответствующее заданному горизонту прогнозирования. Алгоритм прогнозирования работает следующим образом. Пусть в результате преобразования методом скользящего окна была получена последовательность временных отсчетов:
X(-n),...,X(-2),X-(-1),X0,X(+1)
где X+1 прогнозируемое значение, полученное с помощью предыдущего этапа обработки (например нейронной сети) на основе n предыдущих значений. Тогда, чтобы построить прогноз для значения X(+2) нужно сдвинуть всю последовательность на один отсчет влево, чтобы ранее сделанный прогноз X(+1) тоже вошел в число исходных значений. Затем снова будет запущен алгоритм расчета прогнозируемого значения - X(+2) будет рассчитан с учетом X(+1) и так далее в соответствии с заданным горизонтом прогноза.
Диаграмма прогноза становится доступной в списке способов представления только для тех ветвей сценария, которые содержат прогноз временного ряда. Основное отличие диаграммы прогноза от обычной диаграммы в том, что на ней, кроме исходных данных отображаются результаты прогноза, при этом исходные данные и прогноз отличаются по цвету (рис. 4).
Рис. 4 Диаграмма прогноза.
Обработчик «Разгруппировка». Применительно к задаче прогнозирования объема продаж разгруппировка позволяет распределить прогнозные значения, рассчитанные моделью (например, нейросетью) для определенной группы товара, по каждой товарной позиции в данной группе. Основой для такого попозиционного распределения служит гипотеза о том, что каждый товар в группе
Просмотр результатов попозиционного прогноза удобно реализовать в многомерном виде, особенно если прогноз осуществляется более чем на один период (рис.5)
Рис. 5. Прогноз по каждой товарной позиции после разгруппировки.
Таким образом, типичный сценарий построения модели, описывающей объема продаж, в Deductor выглядит следующим образом (рис.6):
Рис.6. Сценарий для прогнозирования объема продаж.
Задание 2. Создание сценария прогнозирования объема продаж.
В папке Дедактор Лаб8 ( https://cloud.mail.ru/public/258V/76i7K85ij ) расположен файл sales_kraska1.txt (данные, содержащие историю продаж за некоторый период), имеющий следующую структуру:
Требуется на основе исторических данных построить прогноз количества и сумм продаж на будущие два периода (период - месяц) по каждой товарной позиции. Сравнить полученный прогноз с фактическим результатом.
Сценарий представлен на рис.6. Именно его необходимо создать.
Откройте программу Deductor Studio, используя ярлык на рабочем столе или через кнопку Пуск.
Импорт данных. В панели сценарии выберите «Мастер импорта», а в нем выбрать text (Текстовый файл Direct). Укажите путь к файлу «sales.txt» и импортируйте данные из файла.
На шаге 9 в поле «Метка» введите заголовок - Импорт данных (Продажи товаров).
Фильтр по товарной группе. Выбрать Импорт данных (Продажи товаров) и в «Мастер обработки» нажать «Фильтрация». Настроить условие фильтрации:
Введите заголовок для окна - Фильтр по товарной группе.
Преобразование даты. Выбрать Фильтр по товарной группе и в «Мастер обработки» нажать «Дата и время». Data – используемое, остальные – непригодные. В столбце «Дата» поставить галочку напротив «Год + Месяц». Заголовок для окна - Преобразование даты (DATA: Год + Месяц).
Группировка. Выбрать - Преобразование даты (DATA: Год + Месяц) и в «Мастер обработки» нажать «Группировка».
Неиспользуемые поля : Data, Gruppa, Tovar.
Факты: Kol, Summa.
Измерение: Data (Год+Месяц).
Способ отображения данных выбрать «Таблица и Диаграмма». Настройте столбцы диаграммы:
Автокорреляция столбцов. Выбрать - Группировка и в «Мастер обработки» нажать «Автокорреляция».
Параметры «Автокорреляции»:
Способ отображения «Таблица и Диаграмма».
Настройка столбцов диаграммы:
Заголовок для окна - Автокорреляция столбцов KOL, SUMMA.
Парциальная предобработка. Выбрать - Группировка и в «Мастер обработки» нажать «Парциальная обработка». Восстановление пропущенных данных оставить без изменения. Редактирование аномальных значений: поставить галочку в KOL и в SUMMA. Степень подавления – Малая.
Спектральная обработка: поставить в KOL и в SUMMA вычитание шума, степень подавления малая. Затем «Далее», «Пуск». Способ отображения Таблица и Диаграмма.
Настройка столбцов диаграммы:
Заголовок для окна - Парциальная предобработка (Аномалии, Фильтрация).
На этом этапы подготовки набора данных для прогнозирования выполнены.
Задание 3. Прогнозирование суммы продаж. Используйте Скользящее окно. Выбрать - Парциальная предобработка (Аномалии, Фильтрация) и в «Мастер обработки» нажать «Скользящее окно».
Информационные: Data (Год+Месяц), KOL.
Используемое: SUMMA, глубина погружения – 12, горизонт прогнозирования – 0.
Заголовок для окна - Скользящее окно (SUMMA [-12:0]).
Нейросеть. Выбрать - Скользящее окно (SUMMA [-12:0]) и в «Мастер обработки» нажать «Нейросеть».
Входные: SUMMA -1, SUMMA -2, SUMMA -3, SUMMA -12.
Выходное: SUMMA
Остальные: неиспользуемые.
Далее установите (проверьте) следующие параметры:
Шаг 4:
Шаг 5:
Шаг 6:
Шаг 8:
Поставить галочки: Граф нейросети, Обучающий набор, Таблица, Диаграмма.
Шаг 9:
Заголовок для окна - Нейросеть [4x2x1] (Прогнозирование суммы продаж).
Прогноз. Выбрать - Нейросеть [4x2x1] (Прогнозирование суммы продаж) и в «Мастер обработки» нажать «Прогнозирование». В шаге 2 данные остаются без изменения. Горизонт прогноза: 2
Установить галочки: Добавлять горизонт прогноза и Исходные данные. Способ отображения данных: Диаграмма прогноза и Таблица.
Поставить галочку SUMMA, с остальных полей убрать. Установить Тип – Линии.
Заголовок для окна - Прогноз (горизонт: 2).
4. Прогнозирование количества проданного товара.
Скользящее окно. Выбрать – «Парциальная предобработка (Аномалии, Фильтрация)» и в «Мастер обработки» нажать «Скользящее окно».
Информационные: Data_YM (Год+Месяц), SUMMA.
Используемое: KOL, глубина погружения – 12, горизонт прогнозирования – 0.
Заголовок для окна - Скользящее окно (KOL [-12:0]).
Нейросеть. Выбрать - Скользящее окно (KOL [-12:0]) и в «Мастер обработки» нажать «Нейросеть».
Входные: KOL - 1, KOL - 2, KOL - 3, KOL - 12.
Выходное: KOL
Остальные – неиспользуемые.
Шаг 4:
Шаг 5:
Шаг 6:
Шаг 8: Поставить галочки: Граф нейросети, Диаграмма рассеяния, Таблица, Диаграмма.
Шаг 9:
Заголовок для окна - Нейросеть [4x2x1] (Прогнозирование количества).
Прогноз. Выбрать - Нейросеть [4x2x1] (Прогнозирование суммы продаж) и в «Мастер обработки» нажать «Прогнозирование».
В шаге 2 данные остаются без изменения. Горизонт прогноза: 2
Установить галочки: Добавлять горизонт прогноза и Исходные данные.
Способ отображения данных: Диаграмма прогноза и Таблица.
Поставить галочку KOL, с остальных полей убрать. Установить Тип – Линии.
Заголовок для окна - Прогноз (горизонт: 2).
Сравните полученный прогноз с фактическим результатом, который находится в файле fact_kraska.txt. Проанализируйте полученные прогнозы и сформулируйте рекомендации по ним.
Результат: таблица и анализ ассоциативных правил (в рабочей тетради), графики прогнозных значений.
|