hrvatski

Prognoza vremenskih serija korištenjem radnog okvira Apache Spark

Prognoziranje vremenske serije omogućuje uvid u budućnost promatranog procesa. Za uspješno prognoziranje najprije je potrebno provesti analizu vremenske serije koja obuhvaća dekompoziciju, statistička testiranja na stacionarnost te prikaz funkcija (parcijalne) autokorelacije. Prognoziranje je moguće raditi pomoću klasičnih statističkih metoda kao što su modeli AR, MA, ARIMA, eksponencijalno zaglađivanje i vektorska autoregresija. Uz klasične statističke metode moguće je koristiti i metode strojnog učenja, preciznije regresijske algoritme kao što su linearna regresija, model linearne regresije, slučajne šume i gradijentno ojačana stabla. Radni okvir Apache Spark za raspodijeljenu obradu i izračunavanja posjeduje funkcionalnosti pogodne za rad s vremenskim serijama te kroz knjižnicu za strojno učenje nudi navedene algoritme strojnog učenja s mogućnosti finog podešavanja postavljanjem hiperparametara. Studijski slučaj prognoziranja dnevne proizvodnje mlijeka pokazao je da su metode strojnog učenja ostvarene pomoću radnog okvira Apache Spark dale bolje rezultate od klasičnih statističkih metoda za prva tri koraka prognoziranja. Također se pokazalo da su meta-algoritmi ansambala dali bolje rezultate od linearne regresije.

vremenska serija ; analiza vremenske serije ; prognoziranje vremenske serije ; Apache Spark ; strojno učenje

nije evidentirano