คืออะไร การพยากรณ์อนุกรมเวลา
การทำนายค่าในอนาคตจากประวัติ
การพยากรณ์อนุกรมเวลาเป็นงาน ML สำหรับการทำนายค่าในอนาคตตามข้อมูลประวัติที่เรียงลำดับตามเวลา
ประเภทการพยากรณ์
- ขั้นตอนเดียว — ทำนายค่าถัดไป
- หลายขั้นตอน — พยากรณ์หลายช่วงเวลาล่วงหน้า
- หลายตัวแปร — พยากรณ์หลายตัวแปรพร้อมกัน
วิธีการ
- สถิติ — ARIMA, SARIMA, Exponential Smoothing
- โมเดล ML — XGBoost, Random Forest, LightGBM
- นิวรัล — LSTM, GRU, Transformer, N-BEATS
การประยุกต์ใช้ทางธุรกิจ
- พยากรณ์ยอดขายและความต้องการ
- วางแผนสินค้าคงคลัง
- พยากรณ์ทางการเงิน
- ทำนายโหลดเซิร์ฟเวอร์
- การบำรุงรักษาเชิงพยากรณ์
เมตริกคุณภาพ
- MAE — ค่าเฉลี่ยความผิดพลาดสัมบูรณ์
- RMSE — รากที่สองของค่าเฉลี่ยความผิดพลาดกำลังสอง
- MAPE — ค่าเฉลี่ยความผิดพลาดสัมบูรณ์เป็นเปอร์เซ็นต์