自動最適方法予測方法

自動ベストメソッド予測法最も洗練された方法論である人材管理。含まれるもの:

• 履歴データのクリーンアップのための組み込みの自動化された機能
• 外れ値とカレンダー効果の識別
• 季節性と傾向を含むパターン検出
• ARIMA、WM、Decompを含む20以上の方法論から選択するための最良のモデリング

このAIを活用した予測方法では、次の方法を使用して、エラーを最小限に抑えた個別の予測を作成します。 

• ベストプラクティス
• 外れ値の検出
• 欠測データの数学的修正
• 高度な時系列予測手法

アンサンブル予測

均等に重み付けされた複数の方法論に基づくカスタムモデルが単一のモデルよりも優れた結果を生成する場合、予測はアンサンブルとして分類されます。 アンサンブル予測は、複数の予測モデルを評価し、それらを組み合わせて1つの予測を作成する後処理アクティビティです。 アンサンブルモデルは、ARIMA、Holt Winters、ランダムウォーク、移動平均などのさまざまな予測モデルの組み合わせで構成されています。 さまざまなモデルを組み合わせると、予測の全体的な精度が向上し、特定のモデルの山や谷を過大評価することを回避できます。

現在の実装では、アンサンブル予測の基礎となるモデルは、予測ごとに異なる可能性があります。 この差異は、アンサンブルが複数のモデルを1つにブレンドする方法が原因で発生します。

Ensembleは、データセットに最適なモデルを選択して組み合わせます。つまり、アンサンブルを使用して2つの異なるデータセットを予測できます。 ただし、各アンサンブル予測の基礎となるモデルは互いに異なる場合があります。 たとえば、最初のデータセットでは、HoltArimaとWalkingAverageのブレンドを使用できます。 2番目のデータセットは、シータと点推定加重平均のブレンドを使用できます。

現在、アンサンブルの基礎となるすべてのモデルは同じ重みを持っている必要があります。 たとえば、アンサンブルが2つのモデルを使用している場合、それぞれに50パーセントの重みが付けられます。 アンサンブルが4つのモデルを使用している場合、それぞれに25パーセントの重みが付けられます。 将来のアップデートでは、アンサンブル予測が使用した基礎となるモデルと重みを表示します。