Referenz: Machine Learning-Algorithmen für Adaptive Planning

Adaptive Planning bietet mehrere Algorithmen für das prädiktive Prognosetool und einen für die Anomalieerkennung. Alle Algorithmen liefern ausreichende Ergebnisse. Wir empfehlen dennoch, einen Trial-and-Error-Prozess durchzuführen, um den besten Algorithmus für Ihre Daten zu finden.

Die Tabelle enthält einige allgemeine Richtlinien und Funktionen, die Ihnen bei Ihrer Auswahl helfen sollen. Prüfen Sie Ihre prognostizierten Daten stets auf Genauigkeit.

Algorithmusvergleich

Zusätzlich zum Verhältnis von 3:2 zwischen Referenz- und prognostizierten Datenpunkten müssen auch die minimalen Datenpunkte in der Tabelle für jeden Algorithmus aufgelistet sein.

Algorithmus	Details	Anforderungen und Funktionen
N-BEATS	Meta-Deep-Learning-Modell mit öffentlichen Datasets. Erstellt ein neurales Netzwerk, das allgemeine Kenntnisse über die historische Zeitreihe hat. Training mit mehr als 60.000 Zeitreihen, die auch im öffentlichen Bereich verwendet werden. Schnell, da für jede Zeitreihe ein einziges Modell verwendet wird.	Saisonalität : Berücksichtigt automatisch saisonale Auswirkungen ohne benutzerdefinierte Spezifikationen. Minimale Datenpunkte in Referenz : 2 Hebel : Nein
Croston	Exponentielles Glättungsmodell.	Saisonalität : Nein Minimale Datenpunkte in Referenz : 2 Hebel : Nein Anmerkungen : Ideal für spärliche Daten mit unterbrochenem Bedarf. Die Ergebnisse stellen die Durchschnittsprognose für die Periode dar. Beispiel: Sie erhalten den Durchschnitt (derselbe Wert) für die Zeitperiode.
LightGBM	Modell für überwachtes Learning Verwendet Verzögerungen und deren Auswirkungen auf die Prognose.	Saisonalität : Nein Minimale Datenpunkte in Referenz : 12 Hebel : Ja Anmerkungen : Ideal für Szenarien der Nachfrageprognose.
Kalman-Filter	Zustandsraummodell. Schätzt zukünftige Werte basierend auf den bekannten historischen Werten in einer Zeitreihe. Schätzt rekursiv die Durchschnittswerte der Prognosen unter Berücksichtigung der Summenkomponenten in jedem Schritt und der im vorherigen Schritt erhaltenen Schätzungen.	Saisonalität : Option, bei der Sie angeben können, ob Sie die Saisonalität berücksichtigen möchten oder nicht. Minimale Datenpunkte in Referenz : 2 Hebel : Nein Anmerkungen : Ideal für zufällige Schwankungen und ohne sichtbare Muster. Berechnung effizient.
Holt-Winters	Additives oder multiplikatives Saisonalitätsmodell. Exponentielle Glättung.	Saisonalität : Jährlich, Halbjährlich und Vierteljährlich mit der Option Multiplikativ. Minimale Datenpunkte in Referenz : 9 Hebel : Nein Anmerkungen : Ideal für Daten, bei denen die neuesten Daten mehr Gewichtung erfordern. Beispiel: Während derpandemie zeigten Einkäufe ungewöhnliche Muster. In den letzten Jahren haben sich die Einkaufsmuster normalisiert. Berechnung effizient.
Orbit DLT	Additives und träges Trendmodell	Saisonalität : jährlich, halbjährlich und vierteljährlich Minimale Datenpunkte in Referenz : 2 Hebel : Nein Anmerkungen : Ideal für Daten mit: Löschen von Trends Konsistente Saisonalität. Wenig bis keine Ausreißer.
Prophet	Ein additives Modell mit nicht linearen Trends Workday definiert den Prognoseprozess als Problem der Anpassung an eine Belastung und berücksichtigt Saisonalitäten und externe Hebel.	Saisonalität : Jährlich, Halbjährlich und Vierteljährlich mit der Option Wöchentlich und Multiplikativ. Minimale Datenpunkte in Referenz : 2 Hebel : Ja Anmerkungen : Ideal für Daten mit: Verschiebungen bei Trends. Ausreißer
AutoFit	Klassifizierungsmodell	Saisonalität : Jährlich, Halbjährlich und Vierteljährlich mit der Option Wöchentlich und Multiplikativ. Minimale Datenpunkte in Referenz : 15 Hebel : Ja Anmerkungen : Ideal für Daten, auf die Folgendes zutrifft: Komplex und erfordert möglicherweise unterschiedliche Algorithmen pro Datenreihe. Schwer für Sie zu verstehen. AutoAnpassen kann Algorithmen anwenden, die bestimmte Funktionen nicht unterstützen. Beispiel: Wenn AutoAnpassen „Croton“ anwendet, werden keine Saisonalität oder Hebel verwendet.