Lieblingsprognosemodelle
Welche Art von Prognosemodellen verwenden Sie intern? Diese Frage wird uns von Kunden und Partnern von Lokad häufig gestellt.
Die Beantwortung dieser Frage ist für uns schwierig aus zwei Gründen:
- Unsere Technologie ist ein Kernbestandteil. Daher haben wir keine Pläne, alle Details offenzulegen (obwohl wir auch nicht völlig geheimnisvoll sind).
- Unsere Technologie ist komplex. Wir verwenden viele Modelle, und ein Eckpfeiler ist genau die Modellauswahl.
Daher werde ich anstelle der genauen Auflistung der von Lokad verwendeten Modelle meine persönliche Liste der Lieblingsmodelle auflisten. Ich behaupte nicht, dass diese Modelle die vollständige Liste der bei Lokad verwendeten Modelle darstellen oder dass alle diese Modelle tatsächlich in der Produktion bei Lokad verwendet werden. Dennoch sollten sie Ihnen einige Einblicke geben, was wir bei Lokad tun.
Zunächst gibt es die guten alten Klassiker: autoregressiv, gleitender Durchschnitt, (doppelte, dreifache) exponentielle Glättung, Box-Jenkins, Holt-Winters, ARMA, ARIMA … Diese Modelle behandeln in der Regel weder Mehrfachreihen noch Tags oder Ereignisse. Doch Einfachheit ist in vielen Situationen König. Verwerfen Sie den gleitenden Durchschnitt nicht einfach, weil er zu einfach aussieht, um gut zu sein.
Für fortgeschrittenere Modelle würde ich eher von Ansätzen als von Modellen sprechen. Je komplexer das Modell ist, desto mehr Spielraum hat der Mathematiker, um das Verhalten des Prognosemodells auf subtile Weise anzupassen.
Der Bayes’sche Ansatz: Die Erstellung von Beziehungsgraphen ist besonders nützlich im Kontext von Lokad, wo wir Korrelationen zwischen Zeitreihen nutzen. Er ist auch nützlich, um mit Tags und Ereignissen umzugehen.
Der weite Marge-Ansatz: Support Vector Machines (SVM) sind in diesen Tagen unglaublich beliebt geworden. Was Zeitreihen betrifft, ist jedoch eher Support Vector Regression (SVR) für uns am nützlichsten. Als kleiner Nachteil sind SVM und SVR in der Regel ziemlich teuer in Bezug auf die Rohrechenleistung.
Der Mischungs-/Boosting-Ansatz: Das Mischen vieler einfacher Vorhersagemodelle zur Verbesserung der Gesamtprognose funktioniert gut. Die Kombination einer großen Anzahl einfacher Vorhersagemodelle kann wirklich komplexe Verhaltensweisen widerspiegeln.
Der metaheuristische Ansatz: genetische Algorithmen, neuronale Netze, genetische Programmierung und andere evolutionäre/adaptive Ansätze. Diese Ansätze sind leistungsstark, aber auch berüchtigt für ihre inhärente Empfindlichkeit gegenüber vielen Abstimmungsparametern.
Abschließend sei gesagt, dass unsere Technologie sich weiterhin in einem raschen Wandel befindet. Neue Modelle werden etwa jeden Monat in die Produktion übernommen. Diese Liste ist nicht endgültig, und Cloud Computing eröffnet uns tatsächlich viele Möglichkeiten, Modelle einzuführen, die in der Vergangenheit einfach zu teuer waren.