காலத் தொடர் பகுப்பாய்வு: முன்னறிவிப்பு முறைகள் - ஒரு விரிவான வழிகாட்டி

காலத் தொடர் பகுப்பாய்வு என்பது காலப்போக்கில் சேகரிக்கப்பட்ட தரவுப் புள்ளிகளைப் புரிந்துகொள்வதற்கும் கணிப்பதற்கும் பயன்படுத்தப்படும் ஒரு சக்திவாய்ந்த புள்ளிவிவர நுட்பமாகும். இந்த வழிகாட்டி காலத் தொடர் பகுப்பாய்வு மற்றும் முன்னறிவிப்பில் அதன் பயன்பாடு பற்றிய ஒரு விரிவான கண்ணோட்டத்தை வழங்குகிறது. அடிப்படைகளைப் புரிந்துகொள்வது முதல் மேம்பட்ட வழிமுறைகளை ஆராய்வது வரை, இந்த ஆதாரம் உலகெங்கிலும் உள்ள தொடக்கநிலையாளர்கள் மற்றும் அனுபவம் வாய்ந்த நிபுணர்களுக்காக வடிவமைக்கப்பட்டுள்ளது.

காலத் தொடர் தரவைப் புரிந்துகொள்ளுதல்

காலத் தொடர் தரவு என்பது கால வரிசையில் அட்டவணைப்படுத்தப்பட்ட தரவுப் புள்ளிகளின் வரிசையைக் கொண்டுள்ளது. அத்தகைய தரவைப் பகுப்பாய்வு செய்வது, வடிவங்கள், போக்குகள் மற்றும் பருவகாலத்தை அடையாளம் காண உதவுகிறது, பின்னர் எதிர்கால மதிப்புகளைப் பற்றி கணிப்புகளைச் செய்யப் பயன்படுத்தலாம். உலகெங்கிலும் உள்ள பல்வேறு தொழில்களில் காலத் தொடர் தரவுகளின் எடுத்துக்காட்டுகள் ஏராளமாக உள்ளன, அவற்றுள்:

• நிதி: பங்கு விலைகள், நாணய மாற்று விகிதங்கள் மற்றும் பொருளாதார குறிகாட்டிகள்.
• சில்லறை வணிகம்: விற்பனை புள்ளிவிவரங்கள், சரக்கு நிலைகள் மற்றும் இணையதள போக்குவரத்து. (எ.கா., அமேசானின் உலகளாவிய விற்பனைத் தரவு)
• சுகாதாரம்: நோயாளியின் முக்கிய அறிகுறிகள், நோய்ப் பரவல் மற்றும் மருத்துவமனை அனுமதிகள்.
• சுற்றுச்சூழல் அறிவியல்: வெப்பநிலை அளவீடுகள், மழையளவு அளவீடுகள் மற்றும் மாசு நிலைகள்.
• உற்பத்தி: உற்பத்தி வெளியீடு, இயந்திர செயல்திறன் மற்றும் விநியோகச் சங்கிலி அளவீடுகள்.

ஒரு காலத் தொடரின் முக்கிய கூறுகள்

முன்னறிவிப்பு முறைகளுக்குள் நுழைவதற்கு முன்பு, ஒரு காலத் தொடரை உருவாக்கும் அடிப்படைக் கூறுகளைப் புரிந்துகொள்வது முக்கியம்:

• போக்கு (Trend): தரவின் நீண்ட கால திசை, காலப்போக்கில் அதிகரிப்பு, குறைவு அல்லது நிலைத்தன்மையைக் குறிக்கிறது.
• பருவகாலம் (Seasonality): ஒரு குறிப்பிட்ட காலத்திற்குள் மீண்டும் மீண்டும் வரும் வடிவங்கள், அதாவது தினசரி, வாராந்திர அல்லது வருடாந்திர சுழற்சிகள். (எ.கா., உலகளவில் கிறிஸ்துமஸ் பருவத்தில் சில்லறை விற்பனை அதிகரித்தல்)
• சுழற்சி (Cyclicality): ஒரு குறிப்பிட்ட காலத்திற்குள் இல்லாத நீண்ட கால ஏற்ற இறக்கங்கள். அவை பொருளாதார சுழற்சிகளுடன் தொடர்புடையதாக இருக்கலாம்.
• ஒழுங்கற்ற தன்மை (Irregularity or Residual): மற்ற கூறுகளால் விளக்க முடியாத சீரற்ற ஏற்ற இறக்கங்கள் அல்லது இரைச்சல்.

தரவு முன்செயலாக்கம்: உங்கள் தரவைத் தயாரித்தல்

எந்தவொரு முன்னறிவிப்பு முறையையும் பயன்படுத்துவதற்கு முன்பு, காலத் தொடர் தரவை முன்செயலாக்கம் செய்வது அவசியம். இது பல முக்கிய படிகளை உள்ளடக்கியது:

• சுத்தம் செய்தல்: தரவில் விடுபட்ட மதிப்புகள், வெளிப்பாடுகள் மற்றும் பிழைகளைக் கையாளுதல். எடுத்துக்காட்டாக, நேரியல் இடைக்கணிப்பு போன்ற நுட்பங்களைப் பயன்படுத்தி விடுபட்ட மதிப்புகளை உள்ளிடுதல்.
• மாற்றுதல் (Transformation): மாறுபாட்டை நிலைப்படுத்த அல்லது தரவை மாதிரியாக்கத்திற்கு மிகவும் பொருத்தமானதாக மாற்ற உருமாற்றங்களைப் பயன்படுத்துதல். பொதுவான உருமாற்றங்கள் பின்வருமாறு:
  • மடக்கை உருமாற்றம் (Logarithmic Transformation): அதிவேக வளர்ச்சியுடன் கூடிய தரவுகளுக்குப் பயனுள்ளது.
  • பாக்ஸ்-காக்ஸ் உருமாற்றம் (Box-Cox Transformation): மாறுபாட்டை நிலைப்படுத்த வடிவமைக்கப்பட்ட சக்தி உருமாற்றங்களின் ஒரு குடும்பம்.
• பிரித்தல் (Decomposition): காலத் தொடரை அதன் போக்கு, பருவகால மற்றும் மீதமுள்ள கூறுகளாகப் பிரித்தல். இதை காலத் தொடரின் பருவகாலப் பிரிப்பு (STL) போன்ற நுட்பங்களைப் பயன்படுத்தி அடையலாம்.
• நிலைத்தன்மை சோதனை (Stationarity Testing): காலத் தொடர் காலப்போக்கில் நிலையான சராசரி மற்றும் மாறுபாட்டைக் கொண்டுள்ளதா என்பதைச் சரிபார்த்தல். பல முன்னறிவிப்பு மாதிரிகளுக்கு நிலைத்தன்மை தேவை. பொதுவான சோதனைகளில் ஆக்மென்டட் டிக்கி-ஃபுல்லர் (ADF) சோதனை அடங்கும். நிலைத்தன்மை இல்லை என்றால், வேறுபடுத்துதல் (differencing) போன்ற நுட்பங்களைப் பயன்படுத்தலாம்.

முன்னறிவிப்பு முறைகள்: ஒரு ஆழமான பார்வை

பல முன்னறிவிப்பு முறைகள் உள்ளன, ஒவ்வொன்றும் அதன் பலம் மற்றும் பலவீனங்களைக் கொண்டுள்ளன. முறையின் தேர்வு தரவின் பண்புகள் மற்றும் முன்னறிவிப்பு நோக்கத்தைப் பொறுத்தது. இங்கே சில பிரபலமான முறைகள் உள்ளன:

1. ந naive முன்னறிவிப்பு (Naive Forecasting)

மிகவும் எளிமையான முன்னறிவிப்பு முறை. அடுத்த மதிப்பு கடைசியாகக் கவனிக்கப்பட்ட மதிப்பு போலவே இருக்கும் என்று இது கருதுகிறது. ஒப்பீட்டிற்கான ஒரு அடிப்படையாகப் பயனுள்ளது. இந்த முறை பெரும்பாலும் "மிகச் சமீபத்திய அவதானிப்பு" முன்னறிவிப்பு என்று குறிப்பிடப்படுகிறது.

சூத்திரம்: `Y(t+1) = Y(t)` (இங்கு Y(t+1) என்பது அடுத்த நேரப் படிநிலைக்கான கணிக்கப்பட்ட மதிப்பு, மற்றும் Y(t) என்பது தற்போதைய நேரப் படிநிலை.)

எடுத்துக்காட்டு: நேற்றைய விற்பனை $10,000 ஆக இருந்தால், இன்றைய விற்பனைக்கான ந naive முன்னறிவிப்பும் $10,000 ஆகும்.

2. எளிய சராசரி (Simple Average)

அடுத்த மதிப்பைக் கணிக்க அனைத்து கடந்த கால மதிப்புகளின் சராசரியைக் கணக்கிடுகிறது. தெளிவான போக்கு அல்லது பருவகாலம் இல்லாத தரவுகளுக்கு ஏற்றது.

சூத்திரம்: `Y(t+1) = (1/n) * Σ Y(i)` (இங்கு n என்பது கடந்த கால அவதானிப்புகளின் எண்ணிக்கை, மற்றும் Σ Y(i) என்பது கடந்த கால அவதானிப்புகளின் கூட்டுத்தொகை.)

எடுத்துக்காட்டு: கடந்த மூன்று நாட்களுக்கான விற்பனை $10,000, $12,000, மற்றும் $11,000 ஆக இருந்தால், முன்னறிவிப்பு ($10,000 + $12,000 + $11,000) / 3 = $11,000 ஆகும்.

3. நகரும் சராசரி (Moving Average - MA)

ஒரு குறிப்பிட்ட எண்ணிக்கையிலான சமீபத்திய அவதானிப்புகளின் சராசரியைக் கணக்கிடுகிறது. இது தரவை மென்மையாக்குகிறது மற்றும் குறுகிய கால ஏற்ற இறக்கங்களை அகற்றப் பயனுள்ளதாக இருக்கும். சாளர அளவு (window size) மென்மையாக்கும் அளவை தீர்மானிக்கிறது.

சூத்திரம்: `Y(t+1) = (1/k) * Σ Y(t-i)` (இங்கு k என்பது சாளர அளவு, மற்றும் i 0 முதல் k-1 வரை இருக்கும்.)

எடுத்துக்காட்டு: 3-நாள் நகரும் சராசரி அடுத்த நாள் விற்பனையைக் கணிக்க கடந்த மூன்று நாட்களின் விற்பனையை சராசரியாகக் கொள்ளும். இந்த முறை உலகளவில் சந்தைத் தரவை மென்மையாக்கப் பயன்படுத்தப்படுகிறது.

4. எக்ஸ்போனென்ஷியல் ஸ்மூத்திங் (Exponential Smoothing)

கடந்த கால அவதானிப்புகளுக்கு அதிவேகமாகக் குறையும் எடைகளை வழங்கும் முன்னறிவிப்பு முறைகளின் ஒரு குடும்பம். மிகச் சமீபத்திய அவதானிப்புகள் அதிக எடையைக் கொண்டுள்ளன. பல மாறுபாடுகள் உள்ளன:

• எளிய எக்ஸ்போனென்ஷியல் ஸ்மூத்திங்: போக்கு அல்லது பருவகாலம் இல்லாத தரவுகளுக்கு.
• இரட்டை எக்ஸ்போனென்ஷியல் ஸ்மூத்திங் (ஹோல்ட்டின் நேரியல் போக்கு): போக்குடன் கூடிய தரவுகளுக்கு.
• மும்மடங்கு எக்ஸ்போனென்ஷியல் ஸ்மூத்திங் (ஹோல்ட்-விண்டர்ஸ்): போக்கு மற்றும் பருவகாலத்துடன் கூடிய தரவுகளுக்கு. இந்த முறை சரக்குகளை மேம்படுத்தவும் செலவுகளைக் குறைக்கவும், உதாரணமாக ஆசியா-பசிபிக் பிராந்தியம், வட அமெரிக்கா மற்றும் ஐரோப்பா போன்ற வெவ்வேறு பிராந்தியங்களில் தயாரிப்புத் தேவையைக் கணிக்க உலகெங்கிலும் உள்ள விநியோகச் சங்கிலி நிர்வாகத்தில் அடிக்கடி பயன்படுத்தப்படுகிறது.

சூத்திரங்கள் (எளிய எக்ஸ்போனென்ஷியல் ஸ்மூத்திங்கிற்கு எளிமைப்படுத்தப்பட்டது): * `Level(t) = α * Y(t) + (1 - α) * Level(t-1)` * `Forecast(t+1) = Level(t)` இங்கு: `Level(t)` என்பது நேரம் t-இல் மென்மையாக்கப்பட்ட நிலை, `Y(t)` என்பது நேரம் t-இல் கவனிக்கப்பட்ட மதிப்பு, `α` என்பது மென்மையாக்கும் காரணி (0 < α < 1), மற்றும் `Forecast(t+1)` என்பது அடுத்த காலகட்டத்திற்கான முன்னறிவிப்பு.

5. ARIMA (தானியங்கு தொடர்பு ஒருங்கிணைந்த நகரும் சராசரி) மாதிரிகள்

தானியங்கு தொடர்பு, வேறுபடுத்துதல் மற்றும் நகரும் சராசரி கூறுகளை இணைக்கும் ஒரு சக்திவாய்ந்த மாதிரி வகுப்பு. ARIMA மாதிரிகள் மூன்று அளவுருக்களால் வரையறுக்கப்படுகின்றன: (p, d, q):

• p (தானியங்கு தொடர்பு - Autoregressive): தானியங்கு தொடர்பு கூறுகளின் வரிசை (மாதிரியில் பயன்படுத்தப்படும் தாமதமான அவதானிப்புகளின் எண்ணிக்கை).
• d (ஒருங்கிணைந்த - Integrated): வேறுபடுத்துதலின் அளவு (தரவை நிலைப்படுத்த எத்தனை முறை வேறுபடுத்தப்பட்டது).
• q (நகரும் சராசரி - Moving Average): நகரும் சராசரி கூறுகளின் வரிசை (மாதிரியில் பயன்படுத்தப்படும் தாமதமான முன்னறிவிப்பு பிழைகளின் எண்ணிக்கை).

ஒரு ARIMA மாதிரியை உருவாக்குவதற்கான படிகள்: 1. நிலைத்தன்மை சரிபார்ப்பு: ADF சோதனையைச் சரிபார்த்து, தேவைப்பட்டால் வேறுபடுத்துதலைப் பயன்படுத்துவதன் மூலம் தரவு நிலைத்தன்மையாக இருப்பதை உறுதி செய்தல். 2. p, d, q-ஐ அடையாளம் காணுதல்: ACF (தானியங்கு தொடர்புச் சார்பு) மற்றும் PACF (பகுதித் தானியங்கு தொடர்புச் சார்பு) வரைபடங்களைப் பயன்படுத்துதல். 3. மாதிரி மதிப்பீடு: மாதிரி அளவுருக்களை மதிப்பிடுதல். 4. மாதிரி மதிப்பீடு: AIC (அகாய்கே தகவல் அளவுகோல்) அல்லது BIC (பேய்சியன் தகவல் அளவுகோல்) போன்ற அளவீடுகளைப் பயன்படுத்தி மாதிரியை மதிப்பீடு செய்தல் மற்றும் மீதமுள்ளவைகளைச் சரிபார்த்தல். 5. முன்னறிவிப்பு: பொருத்தப்பட்ட மாதிரியைப் பயன்படுத்தி முன்னறிவிப்புகளை உருவாக்குதல்.

எடுத்துக்காட்டு: ARIMA(1,1,1) மாதிரியானது சார்ந்த மாறியின் ஒரு தாமதத்தை (தானியங்கு தொடர்பு கூறு) பயன்படுத்துகிறது, தரவை ஒருமுறை வேறுபடுத்துகிறது, மற்றும் ஒரு காலகட்டத்தில் மீதமுள்ள பிழைகளை சராசரியாகக் கொள்கிறது (நகரும் சராசரி).

6. பருவகால ARIMA (SARIMA) மாதிரிகள்

பருவகாலத்தைக் கையாள ARIMA மாதிரிகளின் ஒரு நீட்டிப்பு. இது (P, D, Q)m வடிவத்தில் பருவகாலக் கூறுகளை உள்ளடக்கியது, இங்கு P, D, மற்றும் Q முறையே பருவகாலத் தானியங்கு தொடர்பு, பருவகால வேறுபடுத்துதல், மற்றும் பருவகால நகரும் சராசரி வரிசைகளைக் குறிக்கின்றன, மற்றும் m என்பது பருவகாலக் காலம் (எ.கா., மாதாந்திர தரவுகளுக்கு 12, காலாண்டு தரவுகளுக்கு 4). இந்த முறை ஜப்பான், ஜெர்மனி மற்றும் பிரேசில் போன்ற நாடுகளில் வலுவான பருவகால வடிவங்களைக் கொண்ட பொருளாதாரத் தரவைப் பகுப்பாய்வு செய்ய அடிக்கடி பயன்படுத்தப்படுகிறது.

சூத்திரம் (விளக்கத்திற்கு - எளிமைப்படுத்தப்பட்டது): ARIMA(p, d, q)(P, D, Q)m

7. பிற காலத் தொடர் மாதிரிகள்

• Prophet: பேஸ்புக்கால் உருவாக்கப்பட்டது, வலுவான பருவகாலம் மற்றும் போக்குடன் கூடிய காலத் தொடர் தரவுகளுக்காக வடிவமைக்கப்பட்டது. இது விடுபட்ட தரவு மற்றும் வெளிப்பாடுகளை திறம்பட கையாள்கிறது. பொதுவாக இணையதள போக்குவரத்து, விற்பனை மற்றும் பிற வணிக அளவீடுகளைக் கணிக்கப் பயன்படுத்தப்படுகிறது.
• வெக்டர் ஆட்டோரெக்ரெஷன் (VAR): பல காலத் தொடர் மாறிகளை ஒரே நேரத்தில் கணிப்பதற்குப் பயன்படுத்தப்படுகிறது, அவற்றின் ஒன்றையொன்று சார்ந்திருப்பதை கணக்கில் எடுத்துக்கொள்கிறது. பணவீக்கம் மற்றும் வேலையின்மை போன்ற பெரிய பொருளாதார மாறிகளை மாதிரியாக்கப் பொருளாதாரத்தில் பயன்படுத்தப்படுகிறது.
• GARCH (பொதுவான தானியங்கு தொடர்பு நிபந்தனைக்குட்பட்ட பன்முகத்தன்மை) மாதிரிகள்: காலத் தொடர் தரவின், குறிப்பாக நிதி காலத் தொடர் தரவின், ஏற்ற இறக்கத்தை மாதிரியாக்கப் பயன்படுத்தப்படுகிறது. எடுத்துக்காட்டாக, ஷாங்காய் பங்குச் சந்தை அல்லது நியூயார்க் பங்குச் சந்தை போன்ற பங்குச் சந்தைகளின் ஏற்ற இறக்கத்தை மாதிரியாக்குவதில் இது பயனுள்ளதாக இருக்கும்.

முன்னறிவிப்பு செயல்திறனை மதிப்பிடுதல்

முன்னறிவிப்புகளின் துல்லியத்தை மதிப்பிடுவது முக்கியம். இதற்காக பல அளவீடுகள் பயன்படுத்தப்படுகின்றன:

• சராசரி முழுமையான பிழை (MAE): உண்மையான மற்றும் கணிக்கப்பட்ட மதிப்புகளுக்கு இடையிலான முழுமையான வேறுபாடுகளின் சராசரி. விளக்குவதற்கு எளிதானது.
• சராசரி வர்க்கப் பிழை (MSE): உண்மையான மற்றும் கணிக்கப்பட்ட மதிப்புகளுக்கு இடையிலான வர்க்க வேறுபாடுகளின் சராசரி. வெளிப்பாடுகளுக்கு உணர்திறன் கொண்டது.
• மூல சராசரி வர்க்கப் பிழை (RMSE): MSE-இன் வர்க்கமூலம். தரவின் அதே அலகுகளில் பிழையை வழங்குகிறது.
• சராசரி முழுமையான சதவீதப் பிழை (MAPE): உண்மையான மற்றும் கணிக்கப்பட்ட மதிப்புகளுக்கு இடையிலான முழுமையான சதவீத வேறுபாடுகளின் சராசரி. பிழையை ஒரு சதவீதமாக வெளிப்படுத்துகிறது, இது வெவ்வேறு அளவீடுகளில் முன்னறிவிப்புகளை ஒப்பிடுவதை எளிதாக்குகிறது. இருப்பினும், உண்மையான மதிப்புகள் பூஜ்ஜியத்திற்கு அருகில் இருக்கும்போது இது நம்பகத்தன்மையற்றதாக இருக்கலாம்.
• R-ஸ்கொயர் (நிர்ணயக் குணகம்): சார்ந்த மாறியில் உள்ள மாறுபாட்டின் விகிதத்தை அளவிடுகிறது, இது சாராத மாறிகளிலிருந்து கணிக்கப்படலாம்.

காலத் தொடர் முன்னறிவிப்பை செயல்படுத்துதல்

காலத் தொடர் முன்னறிவிப்பை செயல்படுத்துவது பல நடைமுறைப் படிகளை உள்ளடக்கியது:

1. தரவு சேகரிப்பு: தொடர்புடைய காலத் தொடர் தரவைச் சேகரித்தல்.
2. தரவு ஆய்வு: தரவைக் காட்சிப்படுத்துதல், வடிவங்களை அடையாளம் காணுதல் மற்றும் காலத் தொடரின் பண்புகளைப் புரிந்துகொள்ளுதல்.
3. தரவு முன்செயலாக்கம்: மேலே விவரிக்கப்பட்டபடி, மாதிரியாக்கத்திற்குத் தரவைச் சுத்தம் செய்தல், மாற்றுதல் மற்றும் தயாரித்தல்.
4. மாதிரித் தேர்வு: தரவின் பண்புகள் மற்றும் முன்னறிவிப்பு நோக்கத்தின் அடிப்படையில் பொருத்தமான முன்னறிவிப்பு முறையைத் தேர்ந்தெடுத்தல். போக்கு, பருவகாலம் மற்றும் வெளிப்பாடுகளைக் கையாள வேண்டியதன் அவசியத்தைக் கருத்தில் கொள்ளுதல்.
5. மாதிரிப் பயிற்சி: தேர்ந்தெடுக்கப்பட்ட மாதிரியை வரலாற்றுத் தரவுகளில் பயிற்சி அளித்தல்.
6. மாதிரி மதிப்பீடு: பொருத்தமான மதிப்பீட்டு அளவீடுகளைப் பயன்படுத்தி மாதிரியின் செயல்திறனை மதிப்பீடு செய்தல்.
7. மாதிரி சரிசெய்தல்: அதன் துல்லியத்தை மேம்படுத்த மாதிரி அளவுருக்களை மேம்படுத்துதல்.
8. முன்னறிவிப்பு: விரும்பிய எதிர்கால காலங்களுக்கு முன்னறிவிப்புகளை உருவாக்குதல்.
9. கண்காணிப்பு மற்றும் பராமரிப்பு: மாதிரியின் செயல்திறனைத் தொடர்ந்து கண்காணித்து, துல்லியத்தைப் பராமரிக்க புதிய தரவுகளுடன் அவ்வப்போது மீண்டும் பயிற்சி அளித்தல்.

கருவிகள் மற்றும் நூலகங்கள்: காலத் தொடர் பகுப்பாய்வு மற்றும் முன்னறிவிப்பிற்காக பல கருவிகள் மற்றும் நிரலாக்க நூலகங்கள் உள்ளன, அவற்றுள்:

• Python: statsmodels, scikit-learn, Prophet (Facebook), மற்றும் pmdarima போன்ற நூலகங்கள் விரிவான திறன்களை வழங்குகின்றன.
• R: forecast, tseries, மற்றும் TSA போன்ற தொகுப்புகள் பரவலாகப் பயன்படுத்தப்படுகின்றன.
• விரிதாள் மென்பொருள் (எ.கா., Microsoft Excel, Google Sheets): அடிப்படை முன்னறிவிப்பு செயல்பாடுகளை வழங்குகின்றன.
• சிறப்பு புள்ளிவிவர மென்பொருள்: SAS, SPSS, மற்றும் MATLAB போன்றவை, மேம்பட்ட அம்சங்கள் மற்றும் பகுப்பாய்வு விருப்பங்களை வழங்குகின்றன.

நிஜ-உலகப் பயன்பாடுகள் மற்றும் உலகளாவிய எடுத்துக்காட்டுகள்

காலத் தொடர் பகுப்பாய்வு என்பது பல்வேறு தொழில்கள் மற்றும் பிராந்தியங்களில் பயன்பாடுகளைக் கொண்ட ஒரு பல்துறை கருவியாகும்:

• நிதி முன்னறிவிப்பு: பங்கு விலைகள், நாணய மாற்று விகிதங்கள் மற்றும் சந்தைப் போக்குகளைக் கணித்தல். உலகளவில் முதலீட்டு வங்கிகள் மற்றும் ஹெட்ஜ் நிதிகள் இந்த நுட்பங்களைப் பயன்படுத்துகின்றன.
• தேவை முன்னறிவிப்பு: தயாரிப்புத் தேவையைக் கணித்தல், சரக்கு நிலைகளை மேம்படுத்துதல் மற்றும் விநியோகச் சங்கிலிகளை நிர்வகித்தல். வால்மார்ட் (அமெரிக்கா) மற்றும் கேரிஃபோர் (பிரான்ஸ்) போன்ற சில்லறை நிறுவனங்கள் உலகளாவிய விநியோகச் சங்கிலிகளை நிர்வகிக்க இவற்றைப் பயன்படுத்துகின்றன.
• விற்பனை முன்னறிவிப்பு: எதிர்கால விற்பனையைக் கணித்தல், பருவகால வடிவங்களை அடையாளம் காணுதல் மற்றும் சந்தைப்படுத்தல் பிரச்சாரங்களைத் திட்டமிடுதல். அலிபாபா (சீனா) மற்றும் அமேசான் போன்ற உலகளாவிய இ-காமர்ஸ் தளங்களால் விரிவாகப் பயன்படுத்தப்படுகிறது.
• பொருளாதார முன்னறிவிப்பு: மொத்த உள்நாட்டு உற்பத்தி (GDP), பணவீக்கம் மற்றும் வேலையின்மை விகிதங்கள் போன்ற பொருளாதாரக் குறிகாட்டிகளைக் கணித்தல். ஃபெடரல் ரிசர்வ் (அமெரிக்கா), ஐரோப்பிய மத்திய வங்கி (யூரோ மண்டலம்), மற்றும் பாங்க் ஆஃப் இங்கிலாந்து (ஐக்கிய இராச்சியம்) போன்ற உலகெங்கிலும் உள்ள மத்திய வங்கிகள் கொள்கை முடிவுகளுக்கு காலத் தொடர் மாதிரிகளை நம்பியுள்ளன.
• சுகாதார முன்னறிவிப்பு: நோயாளிகளின் அனுமதிகள், நோய்ப் பரவல்கள் மற்றும் வள ஒதுக்கீட்டைக் கணித்தல். கனடா, ஆஸ்திரேலியா அல்லது இந்தியா போன்ற நாடுகளில் காய்ச்சல் பருவங்கள் அல்லது நோய்ப் பரவல்களுக்குத் தயாராவதற்கு மருத்துவமனைகள் மற்றும் பொது சுகாதார நிறுவனங்கள் இதைப் பயன்படுத்துகின்றன.
• ஆற்றல் முன்னறிவிப்பு: ஆற்றல் விநியோகத்தை மேம்படுத்தவும் செலவுகளைக் குறைக்கவும் ஆற்றல் நுகர்வு மற்றும் உற்பத்தியைக் கணித்தல். நார்வே மற்றும் சவுதி அரேபியா போன்ற நாடுகளில் உள்ள உலகளாவிய பயன்பாட்டு நிறுவனங்கள் இதைப் பயன்படுத்துகின்றன.
• போக்குவரத்து முன்னறிவிப்பு: போக்குவரத்து ஓட்டத்தைக் கணித்தல், பொதுப் போக்குவரத்தை மேம்படுத்துதல் மற்றும் உள்கட்டமைப்புத் திட்டங்களைத் திட்டமிடுதல். ஐரோப்பா (எ.கா., லண்டன் அல்லது பெர்லினில்) மற்றும் வட அமெரிக்காவில் (எ.கா., நியூயார்க் நகரம்) உள்ள பொதுப் போக்குவரத்து அதிகாரிகள் இதை அடிக்கடி பயன்படுத்துகின்றனர்.

இவை உலகெங்கிலும் காலத் தொடர் பகுப்பாய்வைப் பயன்படுத்தக்கூடிய பல வழிகளில் சில எடுத்துக்காட்டுகள் மட்டுமே. பயன்படுத்தப்படும் குறிப்பிட்ட முறைகள் மற்றும் நுட்பங்கள் தொழில், தரவுப் பண்புகள் மற்றும் முன்னறிவிப்பு நோக்கங்களைப் பொறுத்து மாறுபடும்.

சிறந்த நடைமுறைகள் மற்றும் பரிசீலனைகள்

துல்லியமான மற்றும் நம்பகமான முன்னறிவிப்புகளை உறுதிசெய்ய, இந்த சிறந்த நடைமுறைகளைக் கருத்தில் கொள்ளுங்கள்:

• தரவுத் தரம்: தரவு துல்லியமானது, முழுமையானது மற்றும் பிழைகள் இல்லாதது என்பதை உறுதிப்படுத்தவும். பொருத்தமான தரவு சரிபார்ப்பு நுட்பங்களைப் பயன்படுத்தவும்.
• தரவைப் புரிந்துகொள்ளுதல்: போக்குகள், பருவகாலம் மற்றும் சுழற்சி உள்ளிட்ட தரவின் பண்புகளை முழுமையாகப் புரிந்துகொள்ளவும்.
• மாதிரித் தேர்வு: தரவு மற்றும் முன்னறிவிப்பு நோக்கத்தின் அடிப்படையில் மிகவும் பொருத்தமான முன்னறிவிப்பு முறையைத் தேர்வு செய்யவும்.
• மாதிரி சரிபார்ப்பு: பொருத்தமான மதிப்பீட்டு அளவீடுகளைப் பயன்படுத்தி மாதிரியின் செயல்திறனைச் சரிபார்க்கவும்.
• வழக்கமான மறுபயிற்சி: அதன் துல்லியத்தைப் பராமரிக்க புதிய தரவுகளுடன் மாதிரியைத் தவறாமல் மீண்டும் பயிற்சி செய்யவும்.
• அம்சப் பொறியியல் (Feature Engineering): முன்னறிவிப்புத் துல்லியத்தை மேம்படுத்த வெளிப்புற மாறிகளை (எ.கா., பொருளாதாரக் குறிகாட்டிகள், சந்தைப்படுத்தல் பிரச்சாரங்கள்) இணைப்பதைக் கருத்தில் கொள்ளவும்.
• விளக்கமளிக்கும் தன்மை: மாதிரி விளக்கமளிக்கக்கூடியது மற்றும் முடிவுகள் புரிந்துகொள்ளக்கூடியவை என்பதை உறுதிப்படுத்தவும்.
• கள நிபுணத்துவம்: சிறந்த முடிவுகளுக்கு புள்ளிவிவர முறைகளை கள நிபுணத்துவத்துடன் இணைக்கவும்.
• வெளிப்படைத்தன்மை: முன்னறிவிப்புச் செயல்பாட்டின் போது செய்யப்பட்ட வழிமுறை மற்றும் ஏதேனும் அனுமானங்களை ஆவணப்படுத்தவும்.

காலத் தொடர் பகுப்பாய்வில் உள்ள சவால்கள்

காலத் தொடர் பகுப்பாய்வு ஒரு சக்திவாய்ந்த கருவியாக இருந்தாலும், இது சில சவால்களையும் முன்வைக்கிறது:

• தரவுத் தரம்: இரைச்சல், முழுமையற்ற அல்லது தவறான தரவைக் கையாளுதல்.
• நிலைத்தன்மை இன்மை: நிலைத்தன்மையற்ற தரவை நிவர்த்தி செய்தல் மற்றும் பொருத்தமான உருமாற்றங்களைப் பயன்படுத்துதல்.
• மாதிரிச் சிக்கலானது: சரியான மாதிரியைத் தேர்ந்தெடுத்து அதன் அளவுருக்களைச் சரிசெய்தல்.
• அதிகப் பொருத்தம் (Overfitting): மாதிரியை பயிற்சித் தரவுகளுடன் மிகவும் நெருக்கமாகப் பொருத்துவதைத் தடுத்தல், இது மோசமான பொதுமைப்படுத்தல் செயல்திறனுக்கு வழிவகுக்கும்.
• வெளிப்பாடுகளைக் கையாளுதல்: வெளிப்பாடுகளை அடையாளம் கண்டு கையாளுதல்.
• பொருத்தமான அளவுருக்களைத் தேர்ந்தெடுத்தல்: குறிப்பிட்ட காலத் தொடர் பகுப்பாய்வு முறைக்கான அளவுருக்களின் தேர்வு. எடுத்துக்காட்டாக, நகரும் சராசரியின் சாளர அளவு, அல்லது எக்ஸ்போனென்ஷியல் ஸ்மூத்திங்கின் மென்மையாக்கும் காரணிகள்.

முடிவுரை: காலத் தொடர் பகுப்பாய்வின் எதிர்காலம்

காலத் தொடர் பகுப்பாய்வு ஒரு முக்கியத் துறையாகத் தொடர்கிறது, உலகெங்கிலும் உள்ள வணிகங்கள் மற்றும் நிறுவனங்கள் அதிக அளவிலான தரவுகளை உருவாக்கும்போது அதன் முக்கியத்துவம் மட்டுமே வளர்ந்து வருகிறது. தரவு ലഭ്യത தொடர்ந்து விரிவடைந்து, கணினி வளங்கள் மேலும் அணுகக்கூடியதாக மாறும் போது, காலத் தொடர் முன்னறிவிப்பு முறைகளின் நுட்பம் தொடர்ந்து மேம்படும். இயந்திரக் கற்றல் நுட்பங்களின் ஒருங்கிணைப்பு, அதாவது ஆழமான கற்றல் மாதிரிகள் (எ.கா., தொடர் நரம்பியல் நெட்வொர்க்குகள்), இந்தத் துறையில் புதுமைகளைத் தூண்டுகிறது மற்றும் இன்னும் துல்லியமான மற்றும் நுண்ணறிவுள்ள கணிப்புகளுக்கு அனுமதிக்கிறது. உலகளவில் அனைத்து அளவிலான நிறுவனங்களும் இப்போது தரவு சார்ந்த முடிவுகளை எடுக்கவும் போட்டித்தன்மையை பெறவும் காலத் தொடர் பகுப்பாய்வைப் பயன்படுத்துகின்றன. இந்த விரிவான வழிகாட்டி இந்த சக்திவாய்ந்த நுட்பங்களைப் புரிந்துகொள்வதற்கும் பயன்படுத்துவதற்கும் ஒரு வலுவான அடித்தளத்தை வழங்குகிறது.