„Deepar“ („Deep Autoregressive“) yra moderniausias tikimybinis prognozavimo algoritmas, skirtas laiko eilučių duomenims, sukurtas „Amazon“ ir plačiai naudojamas realiojo laiko prognozavimo programoms. „Deepar“ pranašumai realiojo laiko prognozavimui yra grindžiami giluminio mokymosi architektūra, tikimybiniu išvestimi, mastelio keitimu ir gebėjimu panaudoti informaciją per kelias laiko eilutes. Žemiau yra platus „Deepar“ pagrindinių privalumų pateikimas realiojo laiko prognozavimui:
„Deepar“ pateikia tikimybinę prognozavimo sistemą, kai prognozės pateikiamos kaip visas tikimybės pasiskirstymas, palyginti su būsimomis vertėmis, o ne vieno taško įvertinimais. Tai leidžia sprendimus priimantiems asmenims įvertinti galimų rezultatų diapazoną, atsižvelgiant į susijusius pasitikėjimo intervalus, palaikant geresnį rizikos valdymą ir labiau pagrįstus sprendimus. Pvz., Mažmenininkai gali optimizuoti atsargų lygius, supratę paklausos netikrumą, o finansų analitikai gali geriau įvertinti portfelio riziką, remdamiesi prognozių paskirstymais, o ne vien tik taškais.
Pagrindinis „Deepar“ pranašumas yra jo autoregresyvi neuroninio tinklo architektūra, kur kiekvieno laiko žingsnio prognozė priklauso nuo istorinių stebėjimų ir iš savo ankstesnių prognozių. Tai leidžia modeliui užfiksuoti sudėtingas ir netiesines laiko priklausomybes per laiko eilutes, leidžiančias jam prisitaikyti prie sudėtingų modelių, tokių kaip sezoniškumas, tendencijos ir staigūs pokyčiai. Skirtingai nuo klasikinių modelių, tokių kaip „Arima“, kurie prisiima tiesinius ryšius ir dažnai reikalauja atskirų kiekvienos serijos modelių, „Deepar“ sužino globalų modelį, taikomą daugelyje susijusių laiko eilučių.
„Deepar“ vienu metu mokosi mokytis iš kelių susijusių laiko eilučių. Užuot pritaikęs atskirus modelius prie kiekvienos serijos, jis moko vieną modelį kartu su šimtais ar tūkstančiais susijusių sekų. Šis bendras mokymosi metodas leidžia „Deepar“ užfiksuoti bendrą pagrindinę serijos dinamiką, pagerinant prognozės tikslumą, ypač serijoms, turinčioms ribotus istorinius duomenis. Ši galimybė taip pat išsprendžia šalto starto problemą, leidžiančią prognozuoti naujas ar nedaug serijas, perduodant išmoktas žinias iš panašių serijų.
Modelis taip pat iš tikrųjų apima išorinius kovariacinius ir kategorines savybes, turinčias įtakos laiko eilučių elgsenai. Įterpdamas kategorinius kintamuosius į nuolatines vektorines erdves ir naudojant dinaminius nuo laiko priklausomus kovariatorius, „Deepar“ gali atsižvelgti į papildomą informaciją, tokią kaip reklaminiai įvykiai, produktų kategorijos, oro sąlygos ar atostogos. Tai padidina jo sugebėjimą modeliuoti duomenų kontekstą ir pagerina prognozuojamą tikslumą realiojo laiko programose, kur keičiasi pagrindinės sąlygos.
„Deepar“ naudoja laiko dėmesio mechanizmą, kuris dinamiškai sveria skirtingų laiko taškų svarbą praeityje, kai prognozuodamas. Šis selektyvus dėmesys atitinkamiems istoriniams duomenų taškams padeda užfiksuoti tolimojo nuotolio priklausomybes ir skirtingus modelius, nesijaudindami dėl triukšmo ar nesvarbių duomenų. Tai prisideda prie modelio sugebėjimo greitai prisitaikyti prie naujos informacijos realiojo laiko prognozavimo scenarijais.
Kitas svarbus pranašumas yra Monte Karlo mėginių ėmimo metodų naudojimas išvadų metu, kurie sukuria kelis mėginių kelius iš išmokto tikimybės pasiskirstymo. Tai suteikia turtingą prognozės netikrumo supratimą ir leidžia vartotojams įvertinti įvairius kvantus, pagerinant sprendimų priėmimo galimybes teikiant ne tik vidutines prognozes, bet ir prognozavimo intervalus bei uodegos riziką.
„Deepar“ mastelio keitimas ir automatizavimas daro jį labai praktišką programoms realiuoju laiku. Jis gali efektyviai tvarkyti didelio masto duomenų rinkinius su tūkstančiais laiko eilučių, automatizuodamas funkcijų pasirinkimą ir modelio mokymo procesą be didelio rankinio derinimo. Tai sumažina pastangas ir laiką, reikalingą modelio plėtrai ir priežiūrai prognozuoti, todėl tai yra tinkama dinaminei aplinkai, tokiai kaip mažmeninė prekyba, finansai ar IoT, kur prognozės realiuoju laiku yra kritiškos.
Algoritmas yra skirtas tvirtai valdyti įvairius laiko eilučių ilgį ir trūkstamus duomenis, pritaikant realaus pasaulio duomenų rinkinius, kurie dažnai būna netaisyklingi ar neišsamūs. Atsitiktinai atrinkus kontekstą ir numatant langus mokymo metu ir automatiškai įtraukiant atsilikusias vertes, jis fiksuoja sezoniškumą ir priklausomybes, net kai duomenų kokybė skiriasi, o tai būdinga realaus laiko srautams.
„Deepar“ lenkia klasikinius prognozavimo metodus, tokius kaip arima ir eksponentinis išlyginimas atliekant įvairias lyginamuosius tyrimus įvairiose pramonės šakose. Pasinaudojęs pasikartojančių nervinių tinklų (RNN) ir giluminio mokymosi galia, prognozavimo klaidų procentas sumažėja iki 50%, palyginti su bazinėmis linijomis, užtikrinant aukštesnį prognozės tikslumą ir patikimumą realiojo laiko programoms.
Apibendrinant galima pasakyti, kad realiojo laiko prognozavimo pranašumai:
- Tikimybinė produkcija su prognozavimo intervalais, siekiant geresnio rizikos įvertinimo ir sprendimų priėmimo.
- autoregresyvi RNN architektūra, fiksuojanti sudėtingus laiko modelius ir netiesinę dinamiką.
- Mokymasis įvairiose susijusiose serijose, gerinant tikslumą ir sprendžiant šalto starto problemas.
- Išorinių kovariatorių integracija ir kategoriniai įterpimai kontekstualizuotoms prognozėms.
- Laiko dėmesio naudojimas adaptaciniam sutelkimui į svarbius istorinius duomenis.
- Monte Karlo mėginių ėmimas dėl turtingo neapibrėžtumo kiekybinio įvertinimo.
-Labai keičiamas ir automatizuotas, tinkamas didelio masto ir greitai keičiančiam duomenų rinkiniams.
- Tvirtas trūkstamų duomenų ir kintamo ilgio serijos tvarkymas.
- Parodytas pranašesnis tikslumas, palyginti su klasikiniu prognozavimo metodais.