Référence : algorithmes de machine learning pour Adaptive Planning
Adaptive Planning propose plusieurs algorithmes pour les prévisions prédictives et un pour la détection des anomalies. Tous les algorithmes fournissent des résultats suffisants. Néanmoins, nous vous recommandons de procéder à un processus d'essai et d'erreur pour trouver le meilleur algorithme pour vos données.
Le tableau ci-dessous fournit des recommandations générales et des fonctionnalités pour vous aider à effectuer vos sélections. Vérifiez toujours que vos données prévisionnelles sont exactes.
Comparaison des algorithmes
En plus du ratio 3:2 entre les points de données de référence et les points de données prévisionnels, vous devez également disposer des points de données minimum répertoriés dans le tableau pour chaque algorithme.
Algorithme | Informations | Configuration requise et fonctionnalités |
|---|---|---|
AutoFit | Modèle de classeur | Saisonnalité : Annuelle, Bisannuelle et Trimestrielle avec une option Hebdomadaire et Multiplicative.Points de données minimum en référence : 15 Leviers : oui Remarques : il est recommandé pour les données :
AutoFit peut appliquer des algorithmes qui ne prennent pas en charge certaines fonctionnalités. Exemple : lorsque AutoFit applique Croton, il n'utilise pas la saisonnalité ou les leviers. |
ARIMA | Modèle d'auto-régressif et de moyenne mobile. | Saisonnalité : prend automatiquement en compte les impacts de la saisonnalité sans spécifications définies par l'utilisateur.
Points de données minimum en référence : 10Leviers : ouiRemarques :
|
Croston | Modèle lissé exposant. | Saisonnalité : nonPoints de données minimum en référence : 2Leviers : non Remarques :
|
Holt-Winters | Modèle de saisonnalité additif ou multiplicateur.
Lissée exposant. | Saisonnalité : Annuelle, Biannuelle et Trimestrielle avec une option Multiplicative. Points de données minimum en référence : 9 Leviers : non Remarques :
|
Filtre de Kalman | Un modèle d'espace d'état.
Évalue les valeurs futures en fonction des valeurs historiques connues dans une série chronologique. Évalue de manière récurrente les valeurs moyennes des prévisions en tenant compte des composantes de Bruit à chaque étape et des estimations obtenues à l'étape précédente. | Saisonnalité : option qui vous permet d'indiquer si vous souhaitez ou non prendre en compte la saisonnalité. Points de données minimum en référence : 2 Leviers : non Remarques :
|
LightGBM | Modèle de formation supervisé.
Utilise les retards et leur impact sur la prévision. | Saisonnalité : nonPoints de données minimum en référence : 12 Leviers : oui Remarques : adapté aux scénarios de prévision exigeants. |
N-BEATS | Modèle de formation Peut être démarré avec des jeux de données publics.
Crée un réseau de la famille avec des connaissances générales sur la série chronologique historique. Entraîné sur plus de 60 000 de séries chronologiques que le domaine public utilise également. Vitesse, car elle utilise un seul modèle pour chaque série chronologique. | Saisonnalité : considère automatiquement les impacts de la saisonnalité sans spécifications définies par l'utilisateur.Points de données minimum en référence : 2Leviers : non |
Orbit DLT | Modèle de tendance additif et amorti | Saisonnalité : annuelle, biannuelle et trimestrielle. Points de données minimum en référence : 2Leviers : non Remarques : recommandé pour les données avec :
|
Prophet | Un modèle additif avec des tendances non linéaires
Définit le processus de prévision comme un problème d'ajustement de la courbe et tient compte des saisonnalités et des leviers externes. | Saisonnalité : Annuelle, Bisannuelle et Trimestrielle avec une option Hebdomadaire et Multiplicative.Points de données minimum en référence : 2 Leviers : oui Remarques : recommandé pour les données avec :
|