As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.
Modelos de aprendizado de máquina para prever a demanda de frete
A imagem a seguir mostra um exemplo dos dados de treinamento. O alvo é o que você deseja prever, e as séries temporais 1 e 2 relacionadas são recursos de entrada relevantes para prever o alvo. Os dados históricos são usados para treinamento e validação, e você retém um período dos dados históricos para validação do modelo.
Na previsão de demanda, a produção (ou meta) é o volume de demanda que você deseja prever. Os recursos de entrada são dados de séries temporais relacionados à saída. Para treinar um modelo de ML para fazer uma previsão precisa do volume de demanda, dois modelos de aprendizado de máquina são necessários na solução. O primeiro modelo faz uma previsão de séries temporais para os recursos de entrada, incluindo dados internos e externos. O segundo modelo faz a previsão final da demanda usando todos os recursos. Ao usar esses dois modelos juntos, você pode capturar com eficácia a tendência da série temporal e a relação entre o alvo e as entradas.
Modelo de ML para a previsão do recurso de entrada
Os recursos de entrada incluem dados históricos de séries temporais internos e externos. Para fazer previsões para cada recurso, você pode usar um modelo de série temporal unidimensional (1D). Existem vários algoritmos disponíveis. Por exemplo, Prophet
Modelo de ML para a previsão da variável alvo
O modelo ML para a saída, ou o volume de demanda, foi criado para capturar a relação entre todos os recursos e a saída. Você pode usar vários modelos de regressão supervisionada, comolasso, ridge regressionrandom forest, e. XGBoost Ao criar o modelo e encontrar os melhores parâmetros e hiperparâmetros, você pode usar dados de retenção. Os dados de retenção são uma parte dos dados históricos rotulados que são retidos do conjunto de dados usado para treinar um modelo de aprendizado de máquina. Você pode usar dados de retenção para avaliar o desempenho do modelo comparando as previsões com os dados de retenção.
