20 KiB
ਟਾਈਮ ਸੀਰੀਜ਼ ਫੋਰਕਾਸਟਿੰਗ ਦਾ ਪਰਚੇ
ਸਕੈਚਨੋਟ Tomomi Imura ਵੱਲੋਂ
ਇਸ ਪਾਠ ਅਤੇ ਅਗਲੇ ਪਾਠ ਵਿੱਚ, ਤੁਸੀਂ ਟਾਈਮ ਸੀਰੀਜ਼ ਫੋਰਕਾਸਟਿੰਗ ਬਾਰੇ ਕੁਝ ਸਿੱਖੋਗੇ, ਜੋ ਕਿ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਵਿਗਿਆਨੀ ਦੇ ਸੰਦਾਂ ਵਿੱਚ ਇੱਕ ਦਿਲਚਸਪ ਅਤੇ ਕੀਮਤੀ ਹਿੱਸਾ ਹੈ। ਇਹ ਵਿਸ਼ਾ ਹੋਰਾਂ ਦੇ ਮੁਕਾਬਲੇ ਘੱਟ ਜਾਣਿਆ ਜਾਂਦਾ ਹੈ। ਟਾਈਮ ਸੀਰੀਜ਼ ਫੋਰਕਾਸਟਿੰਗ ਇੱਕ ਤਰ੍ਹਾਂ ਦਾ 'ਕ੍ਰਿਸਟਲ ਬਾਲ' ਹੈ: ਜਿਵੇਂ ਕਿ ਕੀਮਤ ਵਰਗੇ ਪਿਛਲੇ ਪ੍ਰਦਰਸ਼ਨ ਦੇ ਆਧਾਰ 'ਤੇ, ਤੁਸੀਂ ਇਸਦੀ ਭਵਿੱਖ ਦੀ ਸੰਭਾਵਿਤ ਕੀਮਤ ਦੀ ਪੇਸ਼ਗੂਈ ਕਰ ਸਕਦੇ ਹੋ।
🎥 ਉਪਰੋਕਤ ਚਿੱਤਰ 'ਤੇ ਕਲਿਕ ਕਰੋ ਟਾਈਮ ਸੀਰੀਜ਼ ਫੋਰਕਾਸਟਿੰਗ ਬਾਰੇ ਵੀਡੀਓ ਦੇਖਣ ਲਈ
ਪ੍ਰੀ-ਲੈਕਚਰ ਕਵਿਜ਼
ਇਹ ਇੱਕ ਉਪਯੋਗੀ ਅਤੇ ਦਿਲਚਸਪ ਖੇਤਰ ਹੈ ਜਿਸਦਾ ਕਾਰੋਬਾਰ ਲਈ ਅਸਲ ਮੁੱਲ ਹੈ, ਕਿਉਂਕਿ ਇਸਦਾ ਸਿੱਧਾ ਲਾਗੂ ਕੀਮਤਾਂ, ਸਟਾਕ ਅਤੇ ਸਪਲਾਈ ਚੇਨ ਸਮੱਸਿਆਵਾਂ 'ਤੇ ਹੁੰਦਾ ਹੈ। ਜਦੋਂ ਕਿ ਡੀਪ ਲਰਨਿੰਗ ਤਕਨੀਕਾਂ ਨੂੰ ਭਵਿੱਖ ਦੇ ਪ੍ਰਦਰਸ਼ਨ ਦੀ ਪੇਸ਼ਗੂਈ ਕਰਨ ਲਈ ਹੋਰ ਅੰਦਰੂਨੀ ਜਾਣਕਾਰੀ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਵਰਤਿਆ ਜਾ ਰਿਹਾ ਹੈ, ਟਾਈਮ ਸੀਰੀਜ਼ ਫੋਰਕਾਸਟਿੰਗ ਅਜੇ ਵੀ ਕਲਾਸਿਕ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਤਕਨੀਕਾਂ ਦੁਆਰਾ ਬਹੁਤ ਸੂਚਿਤ ਖੇਤਰ ਹੈ।
ਪੈਨ ਸਟੇਟ ਦਾ ਉਪਯੋਗ ਟਾਈਮ ਸੀਰੀਜ਼ ਕਰਿਕੁਲਮ ਇਥੇ ਮਿਲ ਸਕਦਾ ਹੈ
ਪਰਚੇ
ਮੰਨ ਲਓ ਕਿ ਤੁਸੀਂ ਸਮਾਰਟ ਪਾਰਕਿੰਗ ਮੀਟਰਾਂ ਦੀ ਇੱਕ ਲੜੀ ਨੂੰ ਰੱਖਦੇ ਹੋ ਜੋ ਸਮੇਂ ਦੇ ਨਾਲ ਕਿੰਨੀ ਵਾਰ ਅਤੇ ਕਿੰਨੀ ਦੇਰ ਲਈ ਵਰਤੇ ਜਾਂਦੇ ਹਨ, ਇਸ ਬਾਰੇ ਡਾਟਾ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹਨ।
ਕੀ ਤੁਸੀਂ ਮੀਟਰ ਦੇ ਪਿਛਲੇ ਪ੍ਰਦਰਸ਼ਨ ਦੇ ਆਧਾਰ 'ਤੇ, ਸਪਲਾਈ ਅਤੇ ਮੰਗ ਦੇ ਨਿਯਮਾਂ ਅਨੁਸਾਰ ਇਸਦੀ ਭਵਿੱਖ ਦੀ ਕੀਮਤ ਦੀ ਪੇਸ਼ਗੂਈ ਕਰ ਸਕਦੇ ਹੋ?
ਸਹੀ ਸਮੇਂ 'ਤੇ ਕਾਰਵਾਈ ਕਰਨ ਦੀ ਪੇਸ਼ਗੂਈ ਕਰਨਾ, ਤਾਂ ਜੋ ਆਪਣੇ ਲਕਸ਼ ਨੂੰ ਪ੍ਰਾਪਤ ਕੀਤਾ ਜਾ ਸਕੇ, ਇੱਕ ਚੁਣੌਤੀ ਹੈ ਜਿਸਨੂੰ ਟਾਈਮ ਸੀਰੀਜ਼ ਫੋਰਕਾਸਟਿੰਗ ਦੁਆਰਾ ਹੱਲ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਇਹ ਲੋਕਾਂ ਨੂੰ ਖੁਸ਼ ਨਹੀਂ ਕਰੇਗਾ ਜੇ ਉਹਨਾਂ ਨੂੰ ਵਧੇਰੇ ਭੀੜ ਵਾਲੇ ਸਮੇਂ ਵਿੱਚ ਜ਼ਿਆਦਾ ਚਾਰਜ ਕੀਤਾ ਜਾਵੇ ਜਦੋਂ ਉਹ ਪਾਰਕਿੰਗ ਸਪਾਟ ਦੀ ਭਾਲ ਕਰ ਰਹੇ ਹਨ, ਪਰ ਇਹ ਸੜਕਾਂ ਦੀ ਸਫਾਈ ਲਈ ਰੇਵਨਿਊ ਪੈਦਾ ਕਰਨ ਦਾ ਇੱਕ ਯਕੀਨੀ ਤਰੀਕਾ ਹੋਵੇਗਾ!
ਆਓ ਕੁਝ ਟਾਈਮ ਸੀਰੀਜ਼ ਐਲਗੋਰਿਥਮਾਂ ਦੀ ਜਾਂਚ ਕਰੀਏ ਅਤੇ ਡਾਟਾ ਸਾਫ਼ ਅਤੇ ਤਿਆਰ ਕਰਨ ਲਈ ਇੱਕ ਨੋਟਬੁੱਕ ਸ਼ੁਰੂ ਕਰੀਏ। ਤੁਸੀਂ ਜਿਸ ਡਾਟਾ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ ਜਾ ਰਹੇ ਹੋ, ਉਹ GEFCom2014 ਫੋਰਕਾਸਟਿੰਗ ਮੁਕਾਬਲੇ ਤੋਂ ਲਿਆ ਗਿਆ ਹੈ। ਇਸ ਵਿੱਚ 2012 ਤੋਂ 2014 ਤੱਕ 3 ਸਾਲਾਂ ਦੇ ਘੰਟਾਵਾਰੀ ਬਿਜਲੀ ਲੋਡ ਅਤੇ ਤਾਪਮਾਨ ਮੁੱਲ ਸ਼ਾਮਲ ਹਨ। ਬਿਜਲੀ ਲੋਡ ਅਤੇ ਤਾਪਮਾਨ ਦੇ ਇਤਿਹਾਸਕ ਪੈਟਰਨ ਦੇ ਆਧਾਰ 'ਤੇ, ਤੁਸੀਂ ਬਿਜਲੀ ਲੋਡ ਦੇ ਭਵਿੱਖ ਦੇ ਮੁੱਲ ਦੀ ਪੇਸ਼ਗੂਈ ਕਰ ਸਕਦੇ ਹੋ।
ਇਸ ਉਦਾਹਰਨ ਵਿੱਚ, ਤੁਸੀਂ ਸਿਰਫ ਇਤਿਹਾਸਕ ਲੋਡ ਡਾਟਾ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਇੱਕ ਟਾਈਮ ਸਟੈਪ ਅੱਗੇ ਦੀ ਪੇਸ਼ਗੂਈ ਕਰਨ ਦਾ ਤਰੀਕਾ ਸਿੱਖੋਗੇ। ਪਰ ਸ਼ੁਰੂ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ, ਇਹ ਸਮਝਣਾ ਉਪਯੋਗ ਹੈ ਕਿ ਪਿੱਛੇ ਕੀ ਚੱਲ ਰਿਹਾ ਹੈ।
ਕੁਝ ਪਰਿਭਾਸ਼ਾਵਾਂ
ਜਦੋਂ ਤੁਸੀਂ 'ਟਾਈਮ ਸੀਰੀਜ਼' ਸ਼ਬਦ ਨੂੰ ਸੁਣਦੇ ਹੋ, ਤਾਂ ਤੁਹਾਨੂੰ ਇਸਦੇ ਕਈ ਵੱਖ-ਵੱਖ ਸੰਦਰਭਾਂ ਵਿੱਚ ਵਰਤੋਂ ਨੂੰ ਸਮਝਣ ਦੀ ਲੋੜ ਹੈ।
🎓 ਟਾਈਮ ਸੀਰੀਜ਼
ਗਣਿਤ ਵਿੱਚ, "ਟਾਈਮ ਸੀਰੀਜ਼ ਡਾਟਾ ਪੌਇੰਟਸ ਦੀ ਇੱਕ ਲੜੀ ਹੈ ਜੋ ਸਮੇਂ ਦੇ ਕ੍ਰਮ ਵਿੱਚ ਸੂਚੀਬੱਧ (ਜਾਂ ਗ੍ਰਾਫ) ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਸਭ ਤੋਂ ਆਮ ਤੌਰ 'ਤੇ, ਟਾਈਮ ਸੀਰੀਜ਼ ਇੱਕ ਲੜੀ ਹੈ ਜੋ ਸਮੇਂ ਦੇ ਸਮਾਨ ਅੰਤਰਾਲ 'ਤੇ ਲਿਆ ਜਾਂਦਾ ਹੈ।" ਟਾਈਮ ਸੀਰੀਜ਼ ਦਾ ਇੱਕ ਉਦਾਹਰਨ Dow Jones Industrial Average ਦੀ ਦਿਨਾਂ ਦੀ ਬੰਦ ਕੀਮਤ ਹੈ। ਟਾਈਮ ਸੀਰੀਜ਼ ਪਲਾਟ ਅਤੇ ਸਾਂਖਿਕ ਮਾਡਲਿੰਗ ਦੀ ਵਰਤੋਂ ਅਕਸਰ ਸਿਗਨਲ ਪ੍ਰੋਸੈਸਿੰਗ, ਮੌਸਮ ਦੀ ਪੇਸ਼ਗੂਈ, ਭੂਚਾਲ ਦੀ ਪੇਸ਼ਗੂਈ, ਅਤੇ ਹੋਰ ਖੇਤਰਾਂ ਵਿੱਚ ਕੀਤੀ ਜਾਂਦੀ ਹੈ ਜਿੱਥੇ ਘਟਨਾਵਾਂ ਹੁੰਦੀਆਂ ਹਨ ਅਤੇ ਡਾਟਾ ਪੌਇੰਟਸ ਨੂੰ ਸਮੇਂ ਦੇ ਨਾਲ ਪਲਾਟ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।
🎓 ਟਾਈਮ ਸੀਰੀਜ਼ ਵਿਸ਼ਲੇਸ਼ਣ
ਟਾਈਮ ਸੀਰੀਜ਼ ਵਿਸ਼ਲੇਸ਼ਣ, ਉਪਰੋਕਤ ਟਾਈਮ ਸੀਰੀਜ਼ ਡਾਟਾ ਦੀ ਵਿਸ਼ਲੇਸ਼ਣ ਹੈ। ਟਾਈਮ ਸੀਰੀਜ਼ ਡਾਟਾ ਵੱਖ-ਵੱਖ ਰੂਪ ਲੈ ਸਕਦਾ ਹੈ, ਜਿਸ ਵਿੱਚ 'ਇੰਟਰਪਟਡ ਟਾਈਮ ਸੀਰੀਜ਼' ਸ਼ਾਮਲ ਹੈ ਜੋ ਕਿਸੇ ਘਟਨਾ ਤੋਂ ਪਹਿਲਾਂ ਅਤੇ ਬਾਅਦ ਟਾਈਮ ਸੀਰੀਜ਼ ਦੇ ਵਿਕਾਸ ਵਿੱਚ ਪੈਟਰਨ ਦੀ ਪਛਾਣ ਕਰਦਾ ਹੈ। ਟਾਈਮ ਸੀਰੀਜ਼ ਲਈ ਲੋੜੀਂਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਡਾਟਾ ਦੀ ਪ੍ਰਕਿਰਤੀ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ। ਟਾਈਮ ਸੀਰੀਜ਼ ਡਾਟਾ ਖੁਦ ਨੰਬਰਾਂ ਜਾਂ ਅੱਖਰਾਂ ਦੀ ਲੜੀ ਦੇ ਰੂਪ ਵਿੱਚ ਹੋ ਸਕਦਾ ਹੈ।
ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ ਲਈ ਕਈ ਤਰੀਕੇ ਵਰਤੇ ਜਾਂਦੇ ਹਨ, ਜਿਵੇਂ ਕਿ ਫ੍ਰੀਕਵੈਂਸੀ-ਡੋਮੇਨ ਅਤੇ ਟਾਈਮ-ਡੋਮੇਨ, ਲੀਨੀਅਰ ਅਤੇ ਨਾਨ-ਲੀਨੀਅਰ, ਅਤੇ ਹੋਰ। ਹੋਰ ਜਾਣੋ ਇਸ ਕਿਸਮ ਦੇ ਡਾਟਾ ਨੂੰ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ ਦੇ ਕਈ ਤਰੀਕਿਆਂ ਬਾਰੇ।
🎓 ਟਾਈਮ ਸੀਰੀਜ਼ ਫੋਰਕਾਸਟਿੰਗ
ਟਾਈਮ ਸੀਰੀਜ਼ ਫੋਰਕਾਸਟਿੰਗ ਇੱਕ ਮਾਡਲ ਦੀ ਵਰਤੋਂ ਹੈ ਜੋ ਪਿਛਲੇ ਡਾਟਾ ਦੁਆਰਾ ਦਿਖਾਏ ਗਏ ਪੈਟਰਨਾਂ ਦੇ ਆਧਾਰ 'ਤੇ ਭਵਿੱਖ ਦੇ ਮੁੱਲਾਂ ਦੀ ਪੇਸ਼ਗੂਈ ਕਰਦਾ ਹੈ। ਜਦੋਂ ਕਿ ਟਾਈਮ ਸੀਰੀਜ਼ ਡਾਟਾ ਦੀ ਜਾਂਚ ਕਰਨ ਲਈ ਰਿਗਰੈਸ਼ਨ ਮਾਡਲਾਂ ਦੀ ਵਰਤੋਂ ਕਰਨਾ ਸੰਭਵ ਹੈ, ਜਿੱਥੇ ਟਾਈਮ ਇੰਡੈਕਸ ਨੂੰ ਪਲਾਟ 'ਤੇ x ਵੈਰੀਏਬਲਾਂ ਵਜੋਂ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ, ਇਸ ਤਰ੍ਹਾਂ ਦੇ ਡਾਟਾ ਨੂੰ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ ਲਈ ਵਿਸ਼ੇਸ਼ ਕਿਸਮ ਦੇ ਮਾਡਲਾਂ ਦੀ ਵਰਤੋਂ ਕਰਨੀ ਚੰਗੀ ਰਹਿੰਦੀ ਹੈ।
ਟਾਈਮ ਸੀਰੀਜ਼ ਡਾਟਾ ਇੱਕ ਆਰਡਰਡ ਅਬਜ਼ਰਵੇਸ਼ਨ ਦੀ ਸੂਚੀ ਹੈ, ਜੋ ਲੀਨੀਅਰ ਰਿਗਰੈਸ਼ਨ ਦੁਆਰਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ ਵਾਲੇ ਡਾਟਾ ਤੋਂ ਵੱਖ ਹੈ। ਸਭ ਤੋਂ ਆਮ ਮਾਡਲ ARIMA ਹੈ, ਜੋ "Autoregressive Integrated Moving Average" ਦਾ ਸੰਖੇਪ ਹੈ।
ARIMA ਮਾਡਲ "ਮੌਜੂਦਾ ਮੁੱਲ ਨੂੰ ਪਿਛਲੇ ਮੁੱਲਾਂ ਅਤੇ ਪਿਛਲੇ ਪੇਸ਼ਗੂਈ ਗਲਤੀਆਂ ਨਾਲ ਜੋੜਦੇ ਹਨ।" ਇਹ ਟਾਈਮ-ਡੋਮੇਨ ਡਾਟਾ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ ਲਈ ਸਭ ਤੋਂ ਉਚਿਤ ਹਨ, ਜਿੱਥੇ ਡਾਟਾ ਸਮੇਂ ਦੇ ਨਾਲ ਆਰਡਰਡ ਹੁੰਦਾ ਹੈ।
ARIMA ਮਾਡਲਾਂ ਦੇ ਕਈ ਪ੍ਰਕਾਰ ਹਨ, ਜਿਨ੍ਹਾਂ ਬਾਰੇ ਤੁਸੀਂ ਇਥੇ ਸਿੱਖ ਸਕਦੇ ਹੋ ਅਤੇ ਜਿਨ੍ਹਾਂ ਨੂੰ ਤੁਸੀਂ ਅਗਲੇ ਪਾਠ ਵਿੱਚ ਛੂਹੋਗੇ।
ਅਗਲੇ ਪਾਠ ਵਿੱਚ, ਤੁਸੀਂ Univariate Time Series ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਇੱਕ ARIMA ਮਾਡਲ ਬਣਾਉਣ ਜਾ ਰਹੇ ਹੋ, ਜੋ ਇੱਕ ਵੈਰੀਏਬਲ 'ਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕਰਦਾ ਹੈ ਜੋ ਸਮੇਂ ਦੇ ਨਾਲ ਆਪਣੀ ਕੀਮਤ ਬਦਲਦਾ ਹੈ। ਇਸ ਕਿਸਮ ਦੇ ਡਾਟਾ ਦਾ ਇੱਕ ਉਦਾਹਰਨ ਇਹ ਡਾਟਾਸੈਟ ਹੈ ਜੋ Mauna Loa Observatory ਵਿੱਚ ਮਾਸਿਕ CO2 ਸੰਕੇਂਦ੍ਰਤਾ ਨੂੰ ਦਰਜ ਕਰਦਾ ਹੈ:
| CO2 | YearMonth | Year | Month |
|---|---|---|---|
| 330.62 | 1975.04 | 1975 | 1 |
| 331.40 | 1975.13 | 1975 | 2 |
| 331.87 | 1975.21 | 1975 | 3 |
| 333.18 | 1975.29 | 1975 | 4 |
| 333.92 | 1975.38 | 1975 | 5 |
| 333.43 | 1975.46 | 1975 | 6 |
| 331.85 | 1975.54 | 1975 | 7 |
| 330.01 | 1975.63 | 1975 | 8 |
| 328.51 | 1975.71 | 1975 | 9 |
| 328.41 | 1975.79 | 1975 | 10 |
| 329.25 | 1975.88 | 1975 | 11 |
| 330.97 | 1975.96 | 1975 | 12 |
✅ ਇਸ ਡਾਟਾਸੈਟ ਵਿੱਚ ਉਹ ਵੈਰੀਏਬਲ ਪਛਾਣੋ ਜੋ ਸਮੇਂ ਦੇ ਨਾਲ ਬਦਲਦਾ ਹੈ
ਟਾਈਮ ਸੀਰੀਜ਼ ਡਾਟਾ ਦੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ 'ਤੇ ਧਿਆਨ ਦੇਣਾ
ਜਦੋਂ ਤੁਸੀਂ ਟਾਈਮ ਸੀਰੀਜ਼ ਡਾਟਾ ਨੂੰ ਦੇਖਦੇ ਹੋ, ਤਾਂ ਤੁਸੀਂ ਕੁਝ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨੂੰ ਨੋਟਿਸ ਕਰ ਸਕਦੇ ਹੋ ਜਿਨ੍ਹਾਂ ਨੂੰ ਸਮਝਣ ਲਈ ਅਤੇ ਪੈਟਰਨਾਂ ਨੂੰ ਬਿਹਤਰ ਸਮਝਣ ਲਈ ਘਟਾਉਣ ਦੀ ਲੋੜ ਹੋ ਸਕਦੀ ਹੈ। ਜੇ ਤੁਸੀਂ ਟਾਈਮ ਸੀਰੀਜ਼ ਡਾਟਾ ਨੂੰ ਸੰਭਾਵਿਤ ਤੌਰ 'ਤੇ ਇੱਕ 'ਸਿਗਨਲ' ਦੇ ਰੂਪ ਵਿੱਚ ਦੇਖਦੇ ਹੋ ਜਿਸਨੂੰ ਤੁਸੀਂ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹੋ, ਤਾਂ ਇਹ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ 'ਸ਼ੋਰ' ਵਜੋਂ ਸੋਚੀਆਂ ਜਾ ਸਕਦੀਆਂ ਹਨ। ਤੁਸੀਂ ਅਕਸਰ ਕੁਝ ਸਾਂਖਿਕ ਤਕਨੀਕਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਇਸ 'ਸ਼ੋਰ' ਨੂੰ ਘਟਾਉਣ ਦੀ ਲੋੜ ਪੈਂਦੀ ਹੈ।
ਇਹاں ਕੁਝ ਸੰਕਲਪ ਹਨ ਜੋ ਤੁਹਾਨੂੰ ਟਾਈਮ ਸੀਰੀਜ਼ ਨਾਲ ਕੰਮ ਕਰਨ ਲਈ ਜਾਣਨ ਦੀ ਲੋੜ ਹੈ:
🎓 ਟ੍ਰੈਂਡਸ
ਟ੍ਰੈਂਡਸ ਨੂੰ ਸਮੇਂ ਦੇ ਨਾਲ ਮਾਪਣਯੋਗ ਵਾਧੇ ਅਤੇ ਘਟਾਏ ਵਜੋਂ ਪਰਿਭਾਸ਼ਿਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਹੋਰ ਪੜ੍ਹੋ। ਟਾਈਮ ਸੀਰੀਜ਼ ਦੇ ਸੰਦਰਭ ਵਿੱਚ, ਇਹ ਇਸ ਬਾਰੇ ਹੈ ਕਿ ਟਾਈਮ ਸੀਰੀਜ਼ ਤੋਂ ਟ੍ਰੈਂਡਸ ਨੂੰ ਕਿਵੇਂ ਵਰਤਣਾ ਅਤੇ ਜੇ ਲੋੜ ਹੋਵੇ ਤਾਂ ਕਿਵੇਂ ਹਟਾਉਣਾ।
🎓 ਮੌਸਮੀਤਾ
ਮੌਸਮੀਤਾ ਨੂੰ ਆਵਰਤੀ ਉਤਾਰ-ਚੜ੍ਹਾਵਾਂ ਵਜੋਂ ਪਰਿਭਾਸ਼ਿਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਜਿਵੇਂ ਕਿ ਛੁੱਟੀਆਂ ਦੇ ਸਮੇਂ ਵਿੱਚ ਵਿਕਰੀ 'ਤੇ ਪ੍ਰਭਾਵ। ਇਥੇ ਦੇਖੋ ਕਿ ਕਿਵੇਂ ਵੱਖ-ਵੱਖ ਕਿਸਮ ਦੇ ਪਲਾਟ ਡਾਟਾ ਵਿੱਚ ਮੌਸਮੀਤਾ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਨ।
🎓 ਆਊਟਲਾਇਰਸ
ਆਊਟਲਾਇਰਸ ਸਟੈਂਡਰਡ ਡਾਟਾ ਵੈਰੀਅੰਸ ਤੋਂ ਬਹੁਤ ਦੂਰ ਹੁੰਦੇ ਹਨ।
🎓 ਲੰਬੇ ਸਮੇਂ ਦਾ ਚੱਕਰ
ਮੌਸਮੀਤਾ ਤੋਂ ਅਜ਼ਾਦ, ਡਾਟਾ ਇੱਕ ਲੰਬੇ ਸਮੇਂ ਦਾ ਚੱਕਰ ਦਰਸਾ ਸਕਦਾ ਹੈ ਜਿਵੇਂ ਕਿ ਇੱਕ ਆਰਥਿਕ ਮੰਦੀ ਜੋ ਇੱਕ ਸਾਲ ਤੋਂ ਵੱਧ ਸਮੇਂ ਤੱਕ ਰਹਿੰਦੀ ਹੈ।
🎓 ਸਥਿਰ ਵੈਰੀਅੰਸ
ਸਮੇਂ ਦੇ ਨਾਲ, ਕੁਝ ਡਾਟਾ ਸਥਿਰ ਉਤਾਰ-ਚੜ੍ਹਾਵਾਂ ਦਰਸਾਉਂਦਾ ਹੈ, ਜਿਵੇਂ ਕਿ ਦਿਨ ਅਤੇ ਰਾਤ ਦੇ ਸਮੇਂ ਵਿੱਚ ਊਰਜਾ ਦੀ ਵਰਤੋਂ।
🎓 ਅਚਾਨਕ ਬਦਲਾਅ
ਡਾਟਾ ਅਚਾਨਕ ਬਦਲਾਅ ਦਰਸਾ ਸਕਦਾ ਹੈ ਜਿਸਦੀ ਹੋਰ ਵਿਸ਼ਲੇਸ਼ਣ ਦੀ ਲੋੜ ਹੋ ਸਕਦੀ ਹੈ। ਉਦਾਹਰਨ ਲਈ, COVID ਦੇ ਕਾਰਨ ਕਾਰੋਬਾਰਾਂ ਦੇ ਅਚਾਨਕ ਬੰਦ ਹੋਣ ਨੇ ਡਾਟਾ ਵਿੱਚ ਬਦਲਾਅ ਪੈਦਾ ਕੀਤਾ।
✅ ਇਥੇ ਇੱਕ ਟਾਈਮ ਸੀਰੀਜ਼ ਪਲਾਟ ਹੈ ਜੋ ਕੁਝ ਸਾਲਾਂ ਵਿੱਚ ਦਿਨਾਂ ਦੀ ਇਨ-ਗੇਮ ਕਰੰਸੀ ਖਰਚ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ। ਕੀ ਤੁਸੀਂ ਇਸ ਡਾਟਾ ਵਿੱਚ ਉਪਰੋਕਤ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੀ ਪਛਾਣ ਕਰ ਸਕਦੇ ਹੋ?
ਅਭਿਆਸ - ਬਿਜਲੀ ਦੀ ਵਰਤੋਂ ਦੇ ਡਾਟਾ ਨਾਲ ਸ਼ੁਰੂਆਤ
ਆਓ ਪਿਛਲੇ ਡਾਟਾ ਦੇ ਆਧਾਰ 'ਤੇ ਭਵਿੱਖ ਦੀ ਬਿਜਲੀ ਦੀ ਵਰਤੋਂ ਦੀ ਪੇਸ਼ਗੂਈ ਕਰਨ ਲਈ ਇੱਕ ਟਾਈਮ ਸੀਰੀਜ਼ ਮਾਡਲ ਬਣਾਉਣ ਦੀ ਸ਼ੁਰੂਆਤ ਕਰੀਏ।
ਇਸ ਉਦਾਹਰਨ ਵਿੱਚ ਡਾਟਾ GEFCom2014 ਫੋਰਕਾਸਟਿੰਗ ਮੁਕਾਬਲੇ ਤੋਂ ਲਿਆ ਗਿਆ ਹੈ। ਇਸ ਵਿੱਚ 2012 ਤੋਂ 2014 ਤੱਕ 3 ਸਾਲਾਂ ਦੇ ਘੰਟਾਵਾਰੀ ਬਿਜਲੀ ਲੋਡ ਅਤੇ ਤਾਪਮਾਨ ਮੁੱਲ ਸ਼ਾਮਲ ਹਨ।
Tao Hong, Pierre Pinson, Shu Fan, Hamidreza Zareipour, Alberto Troccoli ਅਤੇ Rob J. Hyndman, "Probabilistic energy forecasting: Global Energy Forecasting Competition 2014 and beyond", International Journal of Forecasting, vol.32, no.3, pp 896-913, July-September, 2016.
-
ਇਸ ਪਾਠ ਦੇ
workingਫੋਲਡਰ ਵਿੱਚ, notebook.ipynb ਫਾਈਲ ਖੋਲ੍ਹੋ। ਉਹ ਲਾਇਬ੍ਰੇਰੀਆਂ ਸ਼ਾਮਲ ਕਰਕੇ ਸ਼ੁਰੂ ਕਰੋ ਜੋ ਡਾਟਾ ਨੂੰ ਲੋਡ ਅਤੇ ਵਿਜ਼ੁਅਲਾਈਜ਼ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰੇਗੀimport os import matplotlib.pyplot as plt from common.utils import load_data %matplotlib inline
ਅਸਵੀਕਾਰਨਾ:
ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ Co-op Translator ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀਤਾ ਲਈ ਯਤਨਸ਼ੀਲ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁਚਨਾਵਾਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਮੂਲ ਦਸਤਾਵੇਜ਼ ਨੂੰ ਇਸਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਅਧਿਕਾਰਤ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆ ਲਈ ਅਸੀਂ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।