Automatische Best-Methode Vorhersagemethode
Die Automatic Best Method Prognosemethode ist die ausgereifteste Methodik, die in Personaleinsatzplanung . Es beinhaltet:
- Integrierte, automatische Funktionen zur Bereinigung historischer Daten
- Identifizierung von Ausreißern und Kalendereffekten
- Erkennung von Mustern, einschließlich Saisonalität und Trends
- Best-of-best-Modellierung zur Auswahl aus über 20 Methoden, darunter ARIMA, WM, Decomp
Diese KI-gestützte Prognosemethode erstellt individuelle Prognosen mit dem geringstmöglichen Fehler:
- Best Practices
- Erkennung von Ausreißern
- Mathematische Korrekturen für fehlende Daten
- Fortgeschrittene Zeitreihenprognoseverfahren
Ensemble-Vorhersage
Und wenn ein benutzerdefiniertes Modell, das auf mehreren gleich gewichteten Methoden basiert, ein besseres Ergebnis als ein einzelnes Modell liefert, wird die Prognose als Ensemble eingestuft. Die Ensemble-Prognose ist eine Nachbearbeitung, bei der mehrere Prognosemodelle ausgewertet und zu einer Prognose kombiniert werden. Das Ensemble-Modell besteht aus einer Kombination verschiedener Prognosemodelle wie ARIMA, Holt Winters, Random Walk und Moving Average. Die Kombination der verschiedenen Modelle erhöht die Gesamtgenauigkeit der Vorhersage und vermeidet die Überbewertung von Spitzen oder Tälern eines bestimmten Modells.
Bei der derzeitigen Umsetzung können die einer Ensemble-Vorhersage zugrunde liegenden Modelle von Vorhersage zu Vorhersage variieren. Diese Abweichung ergibt sich aus der Art und Weise, wie das Ensemble mehrere Modelle zu einem einzigen zusammenfasst.
Das Ensemble wählt die besten Modelle für Ihren Datensatz aus und kombiniert sie, was bedeutet, dass zwei verschiedene Datensätze mithilfe des Ensembles vorhergesagt werden können. Die den einzelnen Ensemble-Prognosen zugrunde liegenden Modelle können sich jedoch voneinander unterscheiden. Der erste Datensatz könnte zum Beispiel eine Mischung aus Holt Arima und Walking Average verwenden. Der zweite Datensatz könnte eine Mischung aus Theta- und punktschätzungsgewichteten Durchschnittswerten verwenden.
Derzeit müssen alle zugrunde liegenden Modelle im Ensemble die gleiche Gewichtung haben. Wenn zum Beispiel ein Ensemble zwei Modelle verwendet, wird jedes zu 50 Prozent gewichtet. Wenn das Ensemble vier Modelle verwendet, wird jedes Modell mit 25 Prozent gewichtet. In einem zukünftigen Update werden wir die zugrundeliegenden Modelle und die Gewichtung, die eine Ensemble-Vorhersage verwendet, anzeigen.
