Referentie: machine learning-algoritmen voor Adaptive Planning

Adaptive Planning biedt verschillende algoritmen voor Predictive Forecaster en één voor afwijkingsdetectie. Alle algoritmen bieden voldoende resultaten. We raden u echter aan een proces met vallen en opstaan uit te voeren om het beste algoritme voor uw gegevens te vinden.

De tabel bevat enkele algemene richtlijnen en mogelijkheden om u te helpen bij het maken van uw selecties. Controleer uw geprognosticeerde gegevens altijd op juistheid.

Algoritmevergelijking

Naast de 3:2-verhouding tussen referentie- en geprognosticeerde gegevenspunten, moeten voor elk algoritme ook de minimumgegevenspunten in de tabel worden vermeld.

Algoritme	Details	Vereisten en mogelijkheden
AutoFit	Model classificatie	Seizoensgebondenheid : jaarlijks, halfjaarlijks en driemaandelijks met een optie Wekelijks en Vermenigvuldigen. Minimum aantal gegevenspunten in referentie : 15 Hefbomen : Ja Opmerkingen : ideaal voor gegevens die: Complex en vereist mogelijk verschillende algoritmen per gegevensreeks. Moeilijk voor u om te begrijpen. Met AutoAanpassen kunnen algoritmen worden toegepast die bepaalde mogelijkheden niet ondersteunen. Voorbeeld: wanneer AutoAanpassen Croton toepast, worden er geen seizoensinvloeden of hefbomen gebruikt.
ARIMA	Model met automatische regressie en voortschrijdend gemiddelde.	Seizoensgebondenheid: houdt automatisch rekening met seizoensgebonden gevolgen zonder door de gebruiker gedefinieerde specificaties. Minimum aantal gegevenspunten in referentie : 10 Hefbomen: Ja Opmerkingen: Ideaal voor prognoses op korte termijn, niet ideaal voor prognoses op langere termijn. Goed in het voorspellen van volatiele metriekwaarden.
Croston	Model voor exponentiële afvlakking.	Seizoensgebondenheid : Nee Minimum aantal gegevenspunten in referentie : 2 Hefbomen : Nee Opmerkingen : Ideaal voor schaarse gegevens met intermitterende vraag. De resultaten zijn de gemiddelde prognose voor de periode. Voorbeeld: u krijgt het gemiddelde (dezelfde waarde) over de periode.
Holt-Winters	Additief of multiplicatief seizoensgebondenheidsmodel. Exponentiële afvlakking.	Seizoensgebondenheid : jaarlijks, halfjaarlijks en driemaandelijks met een optie voor vermenigvuldiging. Minimum aantal gegevenspunten in referentie : 9 Hefbomen : Nee Opmerkingen : Ideaal voor gegevens waarvoor de meest recente gegevens meer gewicht vereisen. Voorbeeld: tijdens de pandemie hadden inkopen ongebruikelijke patronen. In de afgelopen jaren zijn inkooppatronen genormaliseerd. Berekeningstechnisch efficiënt.
Kalman-filter	Een model voor een statusruimte. Hiermee maakt u een schatting van toekomstige waarden op basis van de bekende historische waarden in een tijdreeks. Hiermee worden de gemiddelde waarden van de prognoses recursief geschat, rekening houdend met de ruiscomponenten bij elke stap en de schattingen die in de vorige stap zijn verkregen.	Seizoensgebondenheid : optie waarmee u kunt aangeven of u wel of geen rekening wilt houden met seizoensgebondenheid. Minimum aantal gegevenspunten in referentie : 2 Hefbomen : Nee Opmerkingen : Ideaal voor willekeurige schommelingen en geen duidelijke patronen. Berekeningstechnisch efficiënt.
LightGBM	Leermodel onder supervisie. Gebruikt vertragingen en hun invloed op de prognose.	Seizoensgebondenheid : Nee Minimum aantal gegevenspunten in referentie : 12 Hefbomen : Ja Opmerkingen : ideaal voor scenario's voor vraagprognose.
N-BEATS	Metadeep-learningmodel is opgestart met openbare gegevenssets. Hiermee maakt u een neuraal netwerk met algemene kennis over de historische tijdreeksen. Getraind in meer dan 60.000 tijdreeksen die ook in het publieke domein worden gebruikt. Snel omdat voor elke tijdreeks één model wordt gebruikt.	Seizoensgebondenheid : houdt automatisch rekening met seizoensgebonden effecten zonder door de gebruiker gedefinieerde specificaties. Minimum aantal gegevenspunten in referentie : 2 Hefbomen : Nee
Orbit DLT	Model met additieve en gedempte trends	Seizoensgebondenheid : jaarlijks, halfjaarlijks en driemaandelijks. Minimum aantal gegevenspunten in referentie : 2 Hefbomen : Nee Opmerkingen : ideaal voor gegevens met: Trends wissen. Consistente seizoensgebondenheid. Weinig tot geen uitschieters.
Prophet	Een additief model met niet-lineaire trends Kadert het prognoseproces als een probleem met het aanpassen van de curve en houdt rekening met seizoensinvloeden en externe hefbomen.	Seizoensgebondenheid : jaarlijks, halfjaarlijks en driemaandelijks met een optie Wekelijks en Vermenigvuldigen. Minimum aantal gegevenspunten in referentie : 2 Hefbomen : Ja Opmerkingen : ideaal voor gegevens met: Verschuivingen in trends. Uitschieters.