Šiame palyginime nagrinėjamas perėjimas nuo atskirų duomenų srautų vertinimo atskirai prie jų modeliavimo kaip tarpusavyje susijusio įtakos tinklo. Nors tradiciniai metodai remiasi istorine savikorekcija, grafais pagrįsti metodai naudoja erdvines ir reliacines priklausomybes tarp kelių kintamųjų, kad numatytų būsimus rezultatus su žymiai didesniu kontekstiniu tikslumu.
Modernus nuspėjamasis metodas, naudojantis grafinius neuroninius tinklus (GNN), siekiant modeliuoti daugiamačius duomenis kaip mazgus ir briaunas.
Klasikiniai statistiniai metodai, skirti vienos duomenų sekos skaidymui į tendenciją, sezoniškumą ir triukšmą.
| Funkcija | Grafikų pagrindu sudarytas prognozavimas | Tradicinė laiko eilučių analizė |
|---|---|---|
| Pagrindinis dėmesys | Tarpserialiniai santykiai | Serijos viduje esantys modeliai |
| Duomenų sudėtingumas | Aukštas (daugiamatis / susietas) | Žemas–vidutinis (vienmatis) |
| Aiškinamasis aspektas | Apatinis (juodosios dėžės pobūdis) | Aukštesnis (statistiniai parametrai) |
| Skaičiavimo kaina | Aukštas (reikalingos GPU) | Žemas (veikia su standartiniais procesoriais) |
| Idealus naudojimo atvejis | Išmanusis miesto eismas / tinklai | Mažmeninė prekyba / Atsargų atsargos |
| Mastelio keitimas | Svarstyklės su tinklo tankiu | Svarstyklės su serijų skaičiumi |
| Smūgių valdymas | Plinta per tinklą | Užfiksuota naudojant klaidos terminus |
Tradicinė laiko eilučių analizė kiekvieną duomenų srautą traktuoja kaip vienišą bėgiką trasoje, atsižvelgiant tik į jo ankstesnį greitį, kad būtų galima spėti jo būsimą tempą. Grafais pagrįstas prognozavimas mato visą stadioną, suprantant, kad jei bėgikas pirmoje juostoje suklups, bėgikas antroje juostoje greičiausiai nukryps nuo trajektorijos. Šis gebėjimas modeliuoti bangavimo efektus daro grafų metodus daug pranašesnius sistemoms, kuriose objektai yra fiziškai arba logiškai susieti.
Klasikiniai modeliai, tokie kaip ARIMA, dažnai sunkiai apdoroja „nestacionarius“ duomenis – informaciją, kurios vidurkis arba dispersija laikui bėgant kinta, todėl reikia atlikti sudėtingas transformacijas, tokias kaip diferencijavimas. Grafų neuroniniai tinklai yra daug atsparesni, naudodami giliojo mokymosi sluoksnius netiesiniams modeliams ir staigiems pokyčiams apdoroti, nereikalaujant iš anksto idealiai stabilizuoti duomenų. Dėl to jie yra praktiškesni dirbant su netvarkingais, nepastoviais duomenimis, randamais realioje pramoninėje aplinkoje.
„Tikslumo kaina“ yra reikšmingas kompromisas. Tradicinius modelius galima įdiegti per kelias sekundes paprastame nešiojamajame kompiuteryje ir jie puikiai tinka greitoms, „pakankamai geroms“ verslo prognozėms. Tačiau grafų pagrindu veikiančioms sistemoms reikalinga specializuota įranga ir sudėtingas duomenų srautas, kad būtų galima valdyti mazgus ir kraštus. Nors jos suteikia gilesnių įžvalgų, šių modelių mokymo ir priežiūros kaina dažnai yra per didelė, todėl jie yra pernelyg sudėtingi, kai kalbama apie paprastus, nepriklausomus kintamuosius.
Kai tradicinis modelis prognozuoja 10 % pardavimų sumažėjimą, analitikas gali nurodyti konkretų sezoninį koeficientą arba slenkančio vidurkio tendenciją, kad paaiškintų, kodėl. Grafų modeliai veikia „latentinėse erdvėse“, todėl daug sunkiau nustatyti tikslią prognozės priežastį. Toks „juodosios dėžės“ pobūdis gali būti kliūtis tokiose pramonės šakose kaip finansai ar sveikatos apsauga, kur suinteresuotosios šalys dažnai teikia pirmenybę „kodėl“ supratimui tiek pat, kiek ir „ką“.
Grafais pagrįstas prognozavimas visada yra tikslesnis nei ARIMA.
Nebūtinai. Jei jūsų duomenų srautai yra tikrai nepriklausomi – pavyzdžiui, nesusijusių produktų pardavimai skirtingose šalyse – paprastas ARIMA modelis dažnai pranoksta sudėtingą grafų modelį, nes išvengiama nereikalingo „triukšmo“ dėl nesusijusių ryšių.
Norint naudoti grafinį prognozavimą, reikia fizinio žemėlapio.
Šiuolaikiniai GNN iš tikrųjų gali „išvesti“ grafą. Net jei neturite ryšių žemėlapio, modelis gali stebėti, kaip kintamieji juda kartu, ir sukurti savo vidinį ryšių tinklą, kad pagerintų savo prognozes.
Gilusis mokymasis tradicinę statistiką pavertė pasenusia.
Daugelyje verslo kontekstų tradicinės statistikos paprastumas ir greitis laimi. Daugumoje „realiojo laiko“ ataskaitų suvestinių vis dar naudojamas klasikinis išlyginimas arba „Prophet“, nes jie pateikia stabilius rezultatus be didelės gilaus mokymosi delsos.
Daugiau duomenų visada pagerina grafų modelius.
Grafų modeliai yra labai jautrūs „triukšmingoms briaunoms“. Jei jiems pateikiate ryšius, kurie iš tikrųjų vienas kito neįtakoja, modelio tikslumas gali sumažėti, nes jis bando rasti prasmę atsitiktiniuose sutapimuose.
Rinkitės tradicinę laiko eilučių analizę, jei norite paprastų verslo rodiklių, kai pagrindiniai prioritetai yra interpretuojamumas ir mažos išlaidos. Pereikite prie grafikais pagrįsto prognozavimo, kai valdote sudėtingas, tarpusavyje susijusias sistemas, kuriose ryšiai tarp kintamųjų yra tokie pat svarbūs, kaip ir patys duomenų taškai.
Astrologinės prognozės susieja dangaus ciklus su žmonių patirtimi siekiant simbolinės reikšmės, o statistinės prognozės analizuoja empirinius istorinius duomenis, kad įvertintų būsimas skaitines vertes. Šiame palyginime nagrinėjamas skirtumas tarp senovinės, archetipais pagrįstos asmeninių apmąstymų sistemos ir modernios, duomenimis pagrįstos metodologijos, naudojamos objektyviam sprendimų priėmimui versle ir moksle.
Šis palyginimas nagrinėja intriguojančią prarają tarp senovinių dangaus stebėjimų ir šiuolaikinės prognozinės analizės. Astrologiniai tranzitai naudoja planetų ciklus asmeninio augimo fazėms interpretuoti, o gyvenimo įvykių tikimybių modeliai remiasi dideliais duomenimis ir statistiniais algoritmais, kad numatytų konkrečius etapus, tokius kaip karjeros pokyčiai ar sveikatos priežiūros poreikiai.
Nors retrospektyvinė analizė veikia kaip organizacijos galinio vaizdo veidrodis, analizuodama istorinius įrašus, kad suprastų praeities sėkmes ir nesėkmes, ateities prognozavimo modeliai žvelgia pro priekinį stiklą, derindami statistinius algoritmus ir mašininį mokymąsi, kad numatytų būsimus rinkos pokyčius, klientų veiksmus ir veiklos kliūtis.
Pasirinkimas tarp aukšto dažnio duomenų ir apibendrintų duomenų yra esminis kompromisas analitikoje. Nors neapdoroti, per sekundę gaunami sandoriai ir jutiklių srautai suteikia neprilygstamą tiesioginio elgesio ir rinkos mikrostruktūrų matomumą, suspausti laiko apibendrinimai pašalina didžiulį statistinį triukšmą ir didelius infrastruktūros poreikius, kad būtų galima atskleisti aiškias, struktūrines ilgalaikes tendencijas.
Pasirinkimas tarp automatinio modelių sekimo ir rankinio eksperimentų sekimo iš esmės lemia duomenų mokslo komandos greitį ir atkuriamumą. Nors automatizavimas naudoja specializuotą programinę įrangą, kad sklandžiai užfiksuotų kiekvieną hiperparametrą, metriką ir artefaktą, rankinis sekimas priklauso nuo žmogaus kruopštumo naudojant skaičiuokles arba „markdown“ failus, todėl reikia rasti griežtą kompromisą tarp sąrankos greičio ir ilgalaikio keičiamo tikslumo.
