자동 최적 방법 예측 방법

자동 최적 방법 예측 방법 인력 관리에서 제공되는 가장 정교한 방법론입니다. 여기에는 다음이 포함됩니다.

• 기록 데이터 정리를 위한 내장형 자동화 기능
• 이상치 및 달력 효과 식별
• 계절성 및 추세를 포함한 패턴 감지
• ARIMA, WM, Decomp를 포함한 20개 이상의 방법론 중에서 선택할 수 있는 최상의 모델링

이 AI 기반 예측 방법은 다음을 사용하여 가능한 가장 낮은 오류로 개별 예측을 생성합니다. 

• 모범 사례
• 이상치 탐지
• 누락된 데이터에 대한 수학적 수정
• 고급 시계열 예측 기술

앙상블 예측

동일한 가중치를 갖는 여러 방법론을 기반으로 하는 사용자 지정 모델이 단일 모델보다 더 나은 결과를 생성하는 경우 예측은 앙상블로 분류됩니다. 앙상블 예측은 여러 예측 모델을 평가하고 이를 결합하여 하나의 예측을 생성하는 후처리 활동입니다. 앙상블 모델은 ARIMA, Holt Winters, Random Walk 및 Moving Average와 같은 다양한 예측 모델의 조합으로 구성됩니다. 다양한 모델을 결합하면 예측의 전반적인 정확도가 향상되고 특정 모델의 최고점이나 최저점을 과대평가하는 것을 방지할 수 있습니다.

현재 구현에서 앙상블 예측의 기본 모델은 예측마다 다를 수 있습니다. 이 분산은 앙상블이 여러 모델을 하나로 혼합하는 방식 때문에 발생합니다.

Ensemble은 데이터 세트에 가장 적합한 모델을 선택하고 결합합니다. 즉, 앙상블을 사용하여 두 개의 다른 데이터 세트를 예측할 수 있습니다. 그러나 각 앙상블 예측의 기본 모델은 서로 다를 수 있습니다. 예를 들어, 첫 번째 데이터 세트는 Holt Arima와 Walking Average를 혼합하여 사용할 수 있습니다. 두 번째 데이터 세트는 Theta와 Point Estimate Weighted Average를 혼합하여 사용할 수 있습니다.

현재 앙상블의 모든 기본 모델은 동일한 가중치를 가져야 합니다. 예를 들어 앙상블이 두 모델을 사용하는 경우 각 모델에는 50%의 가중치가 부여됩니다. 앙상블이 4개의 모델을 사용하는 경우 각 모델에 25%의 가중치가 부여됩니다. 향후 업데이트에서 앙상블 예측이 사용한 기본 모델과 가중치를 표시할 것입니다.