Referencia: algoritmos de aprendizaje automático para Adaptive Planning
Adaptive Planning ofrece varios algoritmos para Predictive Forecaster y uno para Detección de anomalías. Todos los algoritmos proporcionan resultados suficientes. Aún así, le recomendamos que realice un proceso de prueba y error para encontrar el mejor algoritmo para sus datos.
La tabla proporciona algunas pautas y funciones generales para ayudarle a realizar sus selecciones. Compruebe siempre la precisión de los datos previstos.
Comparación de algoritmos
Además de la relación 3:2 entre los puntos de datos de referencia y los previstos, también debe tener los puntos de datos mínimos enumerados en la tabla para cada algoritmo.
Algoritmo | Detalles | Requisitos y capacidades |
|---|---|---|
AutoFit | Modelo de clasificador | Estacionalidad : anual, semestral y trimestral con las opciones Semanal y Multiplicativo.Mínimo de puntos de datos en referencia : 15 Palancas : Sí Notas : ideal para datos que:
Autoajustar puede aplicar algoritmos que no admiten determinadas funciones. Ejemplo: cuando Autoajustar aplica Croton, no utiliza estacionalidad ni palancas. |
ARIMA | Modelo de media móvil y autorregresivo | Estacionalidad: tiene en cuenta automáticamente los efectos estacionales sin especificaciones definidas por el usuario.
Mínimo de puntos de datos en referencia : 10Palancas: SíNotas:
|
Croston | Modelo de suavizado exponencial. | Estacionalidad : noMínimo de puntos de datos en referencia : 2Palancas : No Notas :
|
Holt-Winters | Modelo de estacionalidad aditivo o multiplicativo.
Suavizado exponencial | Estacionalidad : anual, semestral y trimestral con la opción Multiplicativo. Mínimo de puntos de datos en referencia : 9 Palancas : No Notas :
|
Filtro Kalman | Un modelo de espacio de estados
Estima los valores futuros en función de los valores históricos conocidos de una serie temporal. Estima recursivamente los valores medios de las previsiones teniendo en cuenta los componentes de ruido en cada paso y las estimaciones obtenidas en el paso anterior. | Estacionalidad : opción en la que puede indicar si desea o no tener en cuenta la estacionalidad. Mínimo de puntos de datos en referencia : 2 Palancas : No Notas :
|
LightGBM | Modelo de aprendizaje supervisado
Utiliza los retrasos y su impacto en la previsión. | Estacionalidad : noMínimo de puntos de datos en referencia : 12 Palancas : Sí Notas : ideal para situaciones hipotéticas de previsión de demanda. |
N-BEATS | Metamodelo de aprendizaje profundo arrancado con conjuntos de datos públicos.
Crea una red neuronal que tiene conocimientos generales sobre la serie temporal histórica. Formación en más de 60 000 series temporales que también utiliza el dominio público. Rápido porque utiliza un solo modelo para cada serie temporal. | Estacionalidad : tiene en cuenta automáticamente los efectos estacionales sin especificaciones definidas por el usuario.Mínimo de puntos de datos en referencia : 2Palancas : No |
DLT de Orbit | Modelo de tendencia aditivo y amortiguado | Estacionalidad : anual, semestral y trimestral. Mínimo de puntos de datos en referencia : 2Palancas : No Notas : ideal para datos con:
|
Prophet | Un modelo aditivo con tendencias no lineales
Enmarca el proceso de previsión como un problema de ajuste de curva y tiene en cuenta las estacionalidades y los factores externos. | Estacionalidad : anual, semestral y trimestral con las opciones Semanal y Multiplicativo.Mínimo de puntos de datos en referencia : 2 Palancas : Sí Notas : ideal para datos con:
|