DeepAR, uz dziļām mācībām balstīts prognozēšanas algoritms, piedāvā vairākas priekšrocības reāllaika prognozēšanai:
1. Varbūtības prognozēšana:
- Nenoteiktības kvantitatīva noteikšana: DeepAR nodrošina varbūtības sadalījumu pa nākotnes vērtībām, ļaujot lēmumu pieņēmējiem novērtēt iespējamo rezultātu diapazonu un pieņemt pārdomātākus lēmumus[1][2][3].
2. Sarežģītu atkarību apstrāde:
- Autoregresīvā arhitektūra: DeepAR izmanto autoregresīvu neironu tīkla arhitektūru, kas tver sarežģītas atkarības laikrindu datos, padarot to lietpratīgu, lai apstrādātu sarežģītus modeļus un tendences[2][3].
3. Kategorisku pazīmju iekļaušana:
- Iegulšanas: DeepAR var nemanāmi iekļaut informāciju no kategoriskām iezīmēm, kas saistītas ar laikrindu datiem, izmantojot iegulšanas, uzlabojot modeļa spēju saskatīt modeļus un attiecības datos[2].
4. Pagaidu uzmanības mehānisms:
- Dinamiski svari: laika uzmanības mehānisms ļauj modelim dinamiski izsvērt dažādu laika punktu nozīmi vēsturiskajos datos, pielāgojot uzmanību, pamatojoties uz datos esošajiem modeļiem[2].
5. Apmācība ar kvantitatīvo zaudējumu:
- Prognozēšanas intervāli: DeepAR tiek apmācīts, izmantojot varbūtības pieeju, kas samazina kvantilu zudumu, ģenerējot prognozēšanas intervālus, kas atspoguļo iespējamo nākotnes vērtību diapazonu ar saistītajiem ticamības līmeņiem[2].
6. Vairāku laika sēriju apstrāde:
- Mērogojamība: DeepAR ir īpaši labi piemērots scenārijiem, kuros vienlaikus ir jāprognozē vairākas saistītas laikrindas, padarot to par vērtīgu rīku dažādās jomās, piemēram, finansēs, e-komercijā un piegādes ķēdes pārvaldībā[2][3 ].
7. Integrācija ar mākoņa platformām:
- Vienkārša lietošana: DeepAR ir integrēts tādās lielākajās mākoņu platformās kā AWS, Google Cloud un Azure, padarot to viegli pieejamu un lietojamu datu zinātniekiem un ML praktiķiem[3].
8. Uzlabota modeļa interpretācija:
- Izpratne par modeli: lai gan DeepAR “melnās kastes” būtība var radīt bažas, centieni palielināt modeļa interpretējamību palielinātu uzticēšanos un lietojamību, jo īpaši tādās svarīgās lietojumprogrammās kā veselības aprūpe un finanses[3].
9. Pielāgošanās strauji mainīgiem apstākļiem:
- Dinamiskā datu apstrāde: DeepAR modeļiem var būt grūti ātri pielāgoties pēkšņām, neparedzētām datu modeļu izmaiņām, kas ir bieži sastopams izaicinājums reālos scenārijos. Turpmākās attīstības mērķis ir novērst šo ierobežojumu[3].
10. Uzlabota datu efektivitāte:
- Prognožu optimizēšana: metožu izstrāde prognožu optimizēšanai ar ierobežotiem datiem vai datu papildināšanas metožu uzlabošana varētu ievērojami uzlabot DeepAR modeļu efektivitāti[3].
Šīs priekšrocības padara DeepAR par jaudīgu reāllaika prognozēšanas rīku, jo īpaši scenārijos, kad ir jāprognozē vairākas laikrindas vienlaikus un kur nenoteiktības kvantitatīva noteikšana ir ļoti svarīga.
Citāts:[1] https://blog.dataiku.com/deep-learning-time-series-forecasting
[2] https://www.geeksforgeeks.org/deepar-forecasting-algorithm/
[3] https://ml4.me/unveiling-the-potential-of-deepar-forecasting-in-machine-learning/
[4] https://towardsdatascience.com/deepar-mastering-time-series-forecasting-with-deep-learning-bc717771ce85
[5] https://www.sciencedirect.com/science/article/pii/S0169207019301888