Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.
Modelos de aprendizaje automático para pronosticar la demanda de carga
La siguiente imagen muestra un ejemplo de los datos de entrenamiento. El objetivo es lo que se quiere predecir, y las series temporales 1 y 2 relacionadas son características de entrada que son relevantes para predecir el objetivo. Los datos históricos se utilizan para el entrenamiento y la validación, y se retiene un período de los datos históricos para la validación del modelo.
En la previsión de la demanda, el resultado (o el objetivo) es el volumen de demanda que se desea predecir. Las entidades de entrada son datos de series temporales relacionados con la salida. Para entrenar un modelo de aprendizaje automático para realizar una previsión precisa del volumen de la demanda, se necesitan dos modelos de aprendizaje automático en la solución. El primer modelo hace una previsión de series temporales para las características de entrada, que incluye datos internos y externos. El segundo modelo realiza la previsión final de la demanda utilizando todas las funciones. Al usar estos dos modelos juntos, puede capturar de manera efectiva tanto la tendencia de la serie temporal como la relación entre el objetivo y las entradas.
Modelo ML para el pronóstico de las características de entrada
Las características de entrada incluyen datos de series temporales históricas internas y externas. Para realizar pronósticos para cada entidad, puede utilizar un modelo de series temporales unidimensional (1D). Hay varios algoritmos disponibles. Por ejemplo, Prophet
Modelo ML para la previsión de la variable objetivo
El modelo ML para la salida, o el volumen de demanda, está diseñado para capturar la relación entre todas las características y la salida. Puede utilizar varios modelos de regresión supervisadalasso, comoridge regression,random forest, yXGBoost. Al crear el modelo y buscar los mejores parámetros e hiperparámetros, puede utilizar datos de reserva. Los datos de reserva son una parte de los datos históricos etiquetados que se ocultan del conjunto de datos que se utiliza para entrenar un modelo de aprendizaje automático. Puede utilizar los datos de reserva para evaluar el rendimiento del modelo comparando las predicciones con los datos de reserva.
