DeepAR, giliu mokymusi pagrįstas prognozavimo algoritmas, siūlo keletą pranašumų prognozuojant realiuoju laiku:
1. Tikimybinis prognozavimas:
- Neapibrėžtumo kiekybinis įvertinimas: DeepAR pateikia tikimybių pasiskirstymą pagal būsimas vertes, leidžiančius sprendimus priimantiems asmenims įvertinti galimų rezultatų spektrą ir priimti labiau pagrįstus sprendimus[1][2][3].
2. Sudėtingų priklausomybių tvarkymas:
- Autoregresyvi architektūra: DeepAR naudoja autoregresyvią neuroninio tinklo architektūrą, kuri užfiksuoja sudėtingas priklausomybes laiko eilučių duomenims, todėl puikiai valdo sudėtingus modelius ir tendencijas[2][3].
3. Kategorinių savybių įtraukimas:
- Įterpimai: DeepAR gali sklandžiai įtraukti informaciją iš kategorinių ypatybių, susijusių su laiko eilučių duomenimis, naudojant įterpimus, pagerinant modelio gebėjimą atskirti duomenų šablonus ir ryšius[2].
4. Laikinojo dėmesio mechanizmas:
- Dinaminiai svoriai: laikino dėmesio mechanizmas leidžia modeliui dinamiškai pasverti skirtingų istorinių duomenų laiko momentų svarbą, pritaikant dėmesį pagal duomenų šablonus[2].
5. Mokymas su kvantiniu praradimu:
- Numatymo intervalai: DeepAR mokomas naudojant tikimybinį metodą, kuris sumažina kvantinį nuostolį, generuojant numatymo intervalus, atspindinčius galimų ateities verčių diapazoną su susijusiais pasikliovimo lygiais[2].
6. Kelių laiko eilučių tvarkymas:
- Mastelio keitimas: DeepAR ypač tinka scenarijuose, kai vienu metu reikia prognozuoti kelias susijusias laiko eilutes, todėl tai yra vertinga priemonė įvairiose srityse, pvz., finansų, el. prekybos ir tiekimo grandinės valdymo[2][3 ].
7. Integravimas su debesų platformomis:
– Paprastas naudojimas: „DeepAR“ yra integruotas į pagrindines debesų platformas, tokias kaip AWS, „Google Cloud“ ir „Azure“, todėl duomenų mokslininkai ir ML praktikai ją lengvai pasiekia ir gali naudoti[3].
8. Patobulintas modelio aiškinimas:
- Modelio supratimas: nors DeepAR „juodosios dėžės“ pobūdis gali kelti susirūpinimą, pastangos padidinti modelio aiškinamumą padidintų pasitikėjimą ir padidintų patogumą naudoti, ypač svarbiose programose, pvz., sveikatos priežiūros ir finansų srityse[3].
9. Prisitaikymas prie greitai kintančių sąlygų:
- Dinaminis duomenų tvarkymas: DeepAR modeliams gali būti sunku greitai prisitaikyti prie staigių, nenumatytų duomenų šablonų pokyčių, o tai yra įprastas iššūkis realaus pasaulio scenarijuose. Ateities pokyčiais siekiama pašalinti šį apribojimą[3].
10. Padidintas duomenų efektyvumas:
- Prognozių optimizavimas: Kuriant metodus, skirtus optimizuoti prognozes naudojant ribotus duomenis arba tobulinant duomenų papildymo metodus, būtų galima žymiai pagerinti DeepAR modelių efektyvumą[3].
Dėl šių pranašumų „DeepAR“ yra galinga priemonė prognozuoti realiuoju laiku, ypač tais atvejais, kai vienu metu reikia prognozuoti kelias laiko eilutes ir kai neapibrėžtumo kiekybinis įvertinimas yra labai svarbus.
Citatos:[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