जैसा कि बेन ने उल्लेख किया है, कई समय श्रृंखला के लिए पाठ्य पुस्तक के तरीके VAR और VARIMA मॉडल हैं। अभ्यास में, हालांकि, मैंने उन्हें मांग के पूर्वानुमान के संदर्भ में अक्सर इस्तेमाल नहीं किया है।
बहुत अधिक सामान्य, जिसमें मेरी टीम वर्तमान में उपयोग करती है, पदानुक्रमित पूर्वानुमान है ( यहां भी देखें )। जब भी हमारे पास समान समय श्रृंखला के समूह होते हैं तो पदानुक्रमित पूर्वानुमान का उपयोग किया जाता है: समान या संबंधित उत्पादों के समूहों के लिए बिक्री इतिहास, भौगोलिक क्षेत्र के अनुसार शहरों के लिए पर्यटक डेटा, आदि ...
यह विचार आपके विभिन्न उत्पादों की एक श्रेणीबद्ध सूची है और फिर दोनों आधार स्तर (अर्थात प्रत्येक व्यक्तिगत श्रृंखला के लिए) और आपके उत्पाद पदानुक्रम द्वारा परिभाषित कुल स्तरों पर पूर्वानुमान लगाते हैं (संलग्न ग्राफिक देखें)। फिर आप व्यापार के उद्देश्यों और वांछित पूर्वानुमान लक्ष्यों के आधार पर विभिन्न स्तरों पर पूर्वानुमानों को समेटते हैं (टॉप डाउन, बॉटन अप, ऑप्टीमल रिक्लेमेशन, आदि ...) का उपयोग करते हैं। ध्यान दें कि आप इस मामले में एक बड़े बहुभिन्नरूपी मॉडल को फिट नहीं कर रहे हैं, लेकिन आपके पदानुक्रम में विभिन्न नोड्स पर कई मॉडल हैं, जो तब आपके चुने हुए सामंजस्य विधि का उपयोग करके मेल खाते हैं।
इस दृष्टिकोण का लाभ यह है कि आप समान समय श्रृंखलाओं को एक साथ जोड़कर, उन दोनों के बीच के प्रतिरूपों और समानताओं का लाभ उठा सकते हैं ताकि पैटर्न (ऐसी मौसमी विविधताएं) मिलें जो एक ही समय श्रृंखला के साथ हाजिर करना मुश्किल हो। चूंकि आप बड़ी संख्या में पूर्वानुमान उत्पन्न कर रहे होंगे जो मैन्युअल रूप से ट्यून करना असंभव है, आपको अपनी समय श्रृंखला पूर्वानुमान प्रक्रिया को स्वचालित करने की आवश्यकता होगी, लेकिन यह बहुत मुश्किल नहीं है - विवरण के लिए यहां देखें ।
अधिक उन्नत, लेकिन आत्मा में समान, दृष्टिकोण का उपयोग अमेज़ॅन और उबेर द्वारा किया जाता है, जहां एक बड़ी आरएनएन / एलएसटीएम न्यूरल नेटवर्क को एक समय में सभी श्रृंखलाओं में प्रशिक्षित किया जाता है। यह पदानुक्रमित पूर्वानुमान के समान है क्योंकि यह संबंधित समय श्रृंखला के बीच समानता और सहसंबंधों से पैटर्न सीखने की भी कोशिश करता है। यह पदानुक्रमित पूर्वानुमान से अलग है क्योंकि यह समय श्रृंखला के बीच संबंधों को स्वयं सीखने की कोशिश करता है, क्योंकि इस संबंध को पूर्वनिर्धारित करने और पूर्वानुमान करने से पहले तय किया गया है। इस मामले में, आपको अब स्वचालित पूर्वानुमान उत्पन्न करने से नहीं जूझना होगा, क्योंकि आप केवल एक मॉडल को ट्यूनिंग कर रहे हैं, लेकिन चूंकि मॉडल एक बहुत जटिल है, इसलिए ट्यूनिंग प्रक्रिया एक सरल एआईसी / बीआईसी न्यूनतमकरण कार्य नहीं है, और आपको इसकी आवश्यकता है अधिक उन्नत हाइपर-पैरामीटर ट्यूनिंग प्रक्रियाओं को देखने के लिए,
देखें यह प्रतिक्रिया (और टिप्पणियों) अतिरिक्त जानकारी के लिए।
पायथन पैकेज के लिए, PyAF उपलब्ध है लेकिन न ही बहुत लोकप्रिय है। अधिकांश लोग R में HTS पैकेज का उपयोग करते हैं , जिसके लिए बहुत अधिक सामुदायिक समर्थन है। LSTM आधारित दृष्टिकोणों के लिए, अमेज़ॅन का दीपर और MQRNN मॉडल हैं जो एक सेवा का हिस्सा हैं जिसके लिए आपको भुगतान करना होगा। कई लोगों ने केरस का उपयोग करने की मांग के लिए एलएसटीएम को भी लागू किया है, आप उन लोगों को देख सकते हैं।
bigtimeकि आर में है। शायद आप पायथन से आर को कॉल कर सकते हैं इसका उपयोग करने में सक्षम होने के लिए।