- كيفية اختيار نموذج توقع السلاسل الزمنية
- عندما تكون البيانات ثابتة
- عندما تكون البيانات مع الاتجاهات
- عندما تكون البيانات موسمية
- عندما تكون بيانات السلاسل الدورية
- الملخص
التنبؤ بالسلاسل الزمنية Time Series Forecasting هو عملية تحليل ونمذجة بيانات السلاسل الزمنية. يساعد في التنبؤ بالسلوك المستقبلي للسوق، وهو أمر مفيد في صنع القرار لكل عمل تجاري. بعض تطبيقات التنبؤ بالسلاسل الزمنية هي التنبؤ بالطقس والمناخ، والتنبؤ بالمبيعات، والتنبؤ بالأعمال التجارية، والتنبؤ بسوق الأوراق المالية، وما إلى ذلك. أثناء العمل على مشكلة التنبؤ بالسلسلة الزمنية، يجب أن تعرف كيفية اختيار نموذج التنبؤ forecasting model. لذلك، إذا كنت لا تعرف كيفية اختيار نموذج التنبؤ، فهذه المقالة مناسبة لك. في هذه المقالة، سوف آخذك في جولة حول كيفية اختيار نموذج تنبؤ السلاسل الزمنية.
كيفية اختيار نموذج توقع السلاسل الزمنية
يعتمد اختيار نموذج التنبؤ بالسلاسل الزمنية على نوع بيانات السلاسل الزمنية التي تعمل بها. هناك أربعة أنواع من بيانات السلاسل الزمنية:
- البيانات الثابتة Stationary data.
- البيانات مع الاتجاهات Data with trends.
- البيانات الموسمية Seasonal data.
- بيانات السلاسل الدورية Cyclical series data.
لنستعرض كل هذه الأنواع من بيانات السلاسل الزمنية ونفهم كيفية اختيار نموذج التنبؤ بالسلاسل الزمنية لكل نوع من أنواع البيانات.
عندما تكون البيانات ثابتة
البيانات الثابتة Stationary data هي البيانات التي لا تتغير قيمتها المتوسطة على المدى الطويل. لنفترض المبيعات الشهرية للحليب في المدينة. سيشتري مستهلكو الحليب الحليب يوميًا، كما سيشتري الباعة الحليب وفقًا للطلب على الحليب في منطقتهم. إنه مثال على البيانات الثابتة حيث لا تتغير القيمة المتوسطة مع التغيير في الوقت.
يعد نموذج Autoregressive Movie Average (ARMA) أحد أفضل النماذج التي يجب عليك اختيارها أثناء العمل على البيانات الثابتة.
عندما تكون البيانات مع الاتجاهات
توجد الاتجاهات في البيانات عندما تكون هناك زيادة طويلة الأجل أو نقصان في مجموعة البيانات. يمكن أن تكون الزيادة أو النقصان خطية أو غير خطية. بكلمات بسيطة، التغييرات في الأنماط ليست ثابتة مع التغيير في الوقت المناسب. على سبيل المثال، الطلب على الكهرباء في منطقة معينة، وتكلفة إنتاج منتج أثناء التغيرات الاقتصادية، وما إلى ذلك.
يعد Autoregressive Integrated Moving Average model (ARIMA) أحد أفضل نماذج التنبؤ بالسلاسل الزمنية التي يجب عليك اختيارها أثناء العمل على البيانات ذات الاتجاهات.
عندما تكون البيانات موسمية
البيانات الموسمية Seasonal data هي البيانات التي تتأثر بالعوامل الموسمية. يمكن أن تكون العوامل الموسمية شهرًا معينًا من العام أو أسبوعًا من الشهر أو يومًا من أيام الأسبوع. بكلمات بسيطة، عندما تتكرر أنماط البيانات بعد وقت معين، تكون البيانات موسمية. على سبيل المثال، الحصول على وصول أعلى في Instagram كل يوم أحد، ومبيعات عالية خلال موسم الأعياد، وما إلى ذلك.
يعد Seasonal Autoregressive Integrated Moving Average model (SARIMA) أحد أفضل نماذج التنبؤ بالسلاسل الزمنية التي يجب عليك اختيارها أثناء العمل على البيانات الموسمية.
عندما تكون بيانات السلاسل الدورية
بيانات السلاسل الدورية cyclical series data هي البيانات التي تحتوي على اتجاهات الزيادة والنقصان بدون تكرار ثابت. هذه الأنماط ترجع إلى سلوك السوق وبيئة الأعمال. بكلمات بسيطة، إذا كانت البيانات بها تقلبات بدون تكرار ثابت، فهي دورية. على سبيل المثال، سوق المنافسة المثالية، والتغيرات في الموضة، والكوارث الطبيعية، إلخ.
يصعب التنبؤ بالسلسلة الدورية لأن الأنماط غير مستقرة. يتطلب التنبؤ ببيانات السلاسل الزمنية بسلسلة دورية إيجاد المؤشرات الاقتصادية الرائدة.
الملخص
يعتمد اختيار نموذج توقع السلاسل الزمنية على نوع بيانات السلاسل الزمنية التي تعمل بها. لذلك عندما تكون البيانات ثابتة، اختر نموذج ARMA. عندما تحتوي البيانات على اتجاهات، اختر نموذج ARIMA. عندما يكون موسميًا، اختر طراز SARIMA. وإذا كانت مجموعة البيانات تحتوي على سلسلة دورية، فأنت بحاجة إلى العثور على المؤشرات الاقتصادية الرائدة. آمل أن تكون قد أحببت هذه المقالة حول اختيار نموذج تنبؤ السلاسل الزمنية.