Riferimenti: Algoritmi di machine learning per Adaptive Planning
Adaptive Planning offre diversi algoritmi per Predictive Forecaster e uno per Anomaly Detection. Tutti gli algoritmi forniscono risultati sufficienti. Tuttavia, è consigliabile eseguire un processo di prova ed errore per trovare l'algoritmo migliore per i dati.
La tabella fornisce alcune linee guida generali e alcune funzionalità utili per effettuare le selezioni. Verificare sempre la precisione dei dati previsti.
Confronto algoritmi
Oltre al rapporto di 3:2 tra i punti dati di riferimento e quelli previsti, è necessario che nella tabella siano elencati anche i punti dati minimi per ogni algoritmo.
Algoritmo | Dettagli | Requisiti e funzionalità |
|---|---|---|
AutoFit | Modello classificatore | Stagionalità : Annuale, Semestrale e Trimestrale con un'opzione Settimanale e un'opzione Moltiplicativa.Punti dati minimi di riferimento : 15 Leve : Sì Note : ideale per i dati:
Adattamento automatico può applicare algoritmi che non supportano determinate funzionalità. Esempio: quando Adattamento automatico applica Croton, non utilizza la stagionalità o le leve. |
ARIMA | Modello auto-regressivo e a media mobile | Stagionalità: considera automaticamente gli impatti stagionali senza specifiche definite dall'utente.
Punti dati minimi di riferimento : 10Leve: SìNote:
|
Croston | Modello di smoothing esponenziale | Stagionalità : NoPunti dati minimi di riferimento : 2Leve : No Note :
|
Holt-Winters | Modello di stagionalità additivo o moltiplicativo
Livellamento esponenziale | Stagionalità : Annuale, Semestrale e Trimestrale con un'opzione Moltiplicativa. Punti dati minimi di riferimento : 9 Leve : No Note :
|
Filtro di Kalman | Un modello dello spazio degli stati
Stima i valori futuri in base ai valori storici noti in una serie storica. Stima in modo ricorsivo i valori medi delle previsioni considerando le componenti del rumore in ogni step e le stime ottenute nello step precedente. | Stagionalità : opzione in cui è possibile indicare se si desidera o meno tenere conto della stagionalità. Punti dati minimi di riferimento : 2 Leve : No Note :
|
LightGBM | Modello di formazione con supervisione
Utilizza i ritardi e il loro impatto sulla previsione. | Stagionalità : NoPunti dati minimi di riferimento : 12 Leve : Sì Note : ideale per gli scenari di previsione della domanda. |
N-BEATS | Avvio del modello di metadeep learning con set di dati pubblici.
Crea una rete neurale con conoscenze generali sulle serie storiche. Formato su oltre 60.000 serie temporali utilizzate anche dal pubblico dominio. Veloce perché utilizza un unico modello per ogni serie storica. | Stagionalità : considera automaticamente gli impatti stagionali senza specifiche definite dall'utente.Punti dati minimi di riferimento : 2Leve : No |
Orbit DLT | Modello di trend additivo e smorzato | Stagionalità : Annuale, Semestrale e Trimestrale. Punti dati minimi di riferimento : 2Leve : No Note : ideale per i dati con:
|
Prophet | Un modello additivo con tendenze non lineari
Inquadra il processo di previsione come un problema di adattamento della curva e tiene conto delle stagionalità e delle leve esterne. | Stagionalità : Annuale, Semestrale e Trimestrale con un'opzione Settimanale e un'opzione Moltiplicativa.Punti dati minimi di riferimento : 2 Leve : Sì Note : ideale per i dati con:
|