참조: Adaptive Planning을 위한 머신러닝 알고리즘

Adaptive Planning은 예측 예측기를 위한 여러 알고리즘과 이상값 감지를 위한 알고리즘을 제공합니다. 모든 알고리즘이 충분한 결과를 제공합니다. 그러나 데이터에 가장 적합한 알고리즘을 찾기 위해 시행착오 프로세스를 수행하는 것이 좋습니다.

다음 표에는 선택하는 데 도움이 되는 몇 가지 일반적인 가이드라인과 기능이 나와 있습니다. 항상 예측 데이터의 정확성을 확인합니다.

알고리즘 비교

참조 데이터 요소와 예측 데이터 요소 간의 비율이 3:2일 뿐만 아니라 각 알고리즘에 대한 최소 데이터 요소가 테이블에 나열되어 있어야 합니다.

알고리즘	세부내용	요구사항 및 기능
AutoFit	분류 기준 모델	계절적 변동 : 매년, 2년마다, 분기별로(매주 및 승법 옵션 사용) 참조의 최소 데이터 요소 수 : 15 레버 : 예 참고 : 다음과 같은 데이터에 적합합니다. 복잡하고 데이터 계열별로 다른 알고리즘이 필요할 수 있습니다. 이해하기 어렵습니다. 자동 맞춤은 특정 기능을 지원하지 않는 알고리즘을 적용할 수 있습니다. 예를 들어 자동 맞춤에서 크로톤을 적용할 때 계절성 또는 레버를 사용하지 않습니다.
ARIMA	자동회귀 및 이동 평균 모델	계절적 변동: 사용자 정의 사양 없이 계절적 영향을 자동으로 고려합니다. 참조의 최소 데이터 요소 수 : 10 레버: 예 참고: 단기 예측에는 적합하지만 장기 예측에는 적합하지 않습니다. 변동성이 큰 메트릭을 예측하는 데 능숙합니다.
Croston	지수 평활 모델	계절성 : 아니요 참조의 최소 데이터 요소 수 : 2 레버 : 아니요 메모 : 수요가 간헐적인 희소 데이터에 적합합니다. 결과는 해당 기간의 평균 예측입니다. 예를 들어 전체 기간의 평균(동일한 값)을 구합니다.
Holt-Winters	가산 또는 승법 계절성 모델 지수평활	계절적 변동 : 승법 옵션을 사용하여 매년, 2년마다, 분기별로 참조의 최소 데이터 요소 수 : 9 레버 : 아니요 메모 : 최신 데이터에 더 많은 가중치가 필요한 데이터에 적합합니다. 예: 대유행 기간 동안 구매에 비정상적인 패턴이 있었습니다. 최근 몇 년 동안 구매 패턴이 정규화되었습니다. 계산상 효율적입니다.
칼만 필터	상태 공간 모델 시계열의 알려진 과거 값을 기준으로 미래 값을 추정합니다. 각 단계의 노이즈 구성요소와 이전 단계에서 얻은 추정치를 고려하여 예측값의 평균 값을 재귀적으로 추정합니다.	계절적 변동 : 계절적 변동을 고려할지 여부를 나타낼 수 있는 옵션입니다. 참조의 최소 데이터 요소 수 : 2 레버 : 아니요 메모 : 임의 변동이 있고 뚜렷한 패턴이 없는 경우에 적합합니다. 계산상 효율적입니다.
LightGBM	지도 학습 모델 시차 및 시차를 사용하여 예측에 미치는 영향	계절성 : 아니요 참조의 최소 데이터 요소 수 : 12 레버 : 예 참고 : 수요 예측 시나리오에 적합합니다.
N-BEATS	공개 데이터세트로 부트스트랩된 메타딥 학습 모델 과거 시계열에 대한 일반 지식이 있는 신경망을 생성합니다. 공개 도메인에서도 사용하는 60,000개가 넘는 시계열에 대해 학습했습니다. 모든 시계열에 대해 단일 모델을 사용하므로 빠릅니다.	계절적 변동 : 사용자 정의 사양 없이 계절적 영향을 자동으로 고려합니다. 참조의 최소 데이터 요소 수 : 2 레버 : 아니요
Orbit DLT	가산 및 완충 추이 모델	계절적 변동 : 매년, 반기 및 분기별 참조의 최소 데이터 요소 수 : 2 레버 : 아니요 참고 : 다음과 같은 데이터에 적합합니다. 트렌드 지우기 일관된 계절성 이상치가 거의 또는 전혀 없습니다.
Prophet	비선형 추이가 있는 가법 모델 예측 프로세스를 곡선 맞춤 문제로 구성하고 계절적 변동 및 외부 레버를 수용합니다.	계절적 변동 : 매년, 2년마다, 분기별로(매주 및 승법 옵션 사용) 참조의 최소 데이터 요소 수 : 2 레버 : 예 참고 : 다음과 같은 데이터에 적합합니다. 추이 변동 이상치