leestott
343c66d101
|
1 year ago | |
|---|---|---|
| .. | ||
| solution | 1 year ago | |
| working | 1 year ago | |
| README.md | 1 year ago | |
| assignment.md | 1 year ago | |
README.md
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 ਵਿਗਿਆਨੀਆਂ 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 ਚੰਗੀ ਪੇਸ਼ਗੂਈ ਕਰਨ ਲਈ ਹੋਰ ਅੰਤਰਦ੍ਰਿਸ਼ਟੀ 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 ਇੱਥੇ ਮਿਲ ਸਕਦਾ ਹੈ।
ਪਰਚੇ
ਮੰਨ ਲਓ ਕਿ ਤੁਸੀਂ ਸਮਾਰਟ ਪਾਰਕਿੰਗ ਮੀਟਰਾਂ ਦੀ ਇੱਕ ਲੜੀ ਨੂੰ ਰੱਖਦੇ ਹੋ ਜੋ ਸਮੇਂ ਦੇ ਨਾਲ ਕਿੰਨੀ ਵਾਰ ਅਤੇ ਕਿੰਨੇ ਸਮੇਂ ਲਈ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ, 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 ਪੇਸ਼ਗੂਈ ਕਰਨਾ ਕਿ ਕਦੋਂ ਕਾਰਵਾਈ ਕਰਨੀ ਹੈ ਤਾਂ ਜੋ ਆਪਣੇ ਲਕਸ਼ ਨੂੰ ਪ੍ਰਾਪਤ ਕੀਤਾ ਜਾ ਸਕੇ, ਇੱਕ ਚੁਣੌਤੀ ਹੈ ਜਿਸ ਨੂੰ ਟਾਈਮ ਸੀਰੀਜ਼ ਫੋਰਕਾਸਟਿੰਗ ਦੁਆਰਾ ਹੱਲ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਇਹ ਲੋਕਾਂ ਨੂੰ ਖੁਸ਼ ਨਹੀਂ ਕਰੇਗਾ ਜੇ ਉਹਨਾਂ ਨੂੰ ਵਧੇਰੇ ਭੀੜ ਵਾਲੇ ਸਮੇਂ ਵਿੱਚ ਵਧੇਰੇ ਚਾਰਜ ਕੀਤਾ ਜਾਵੇ ਜਦੋਂ ਉਹ ਪਾਰਕਿੰਗ ਸਪਾਟ ਦੀ ਭਾਲ ਕਰ ਰਹੇ ਹੋਣ, ਪਰ ਇਹ ਸੜਕਾਂ ਸਾਫ ਕਰਨ ਲਈ ਰੈਵਨਿਊ ਪੈਦਾ ਕਰਨ ਦਾ ਇੱਕ ਯਕੀਨੀ ਤਰੀਕਾ ਹੋਵੇਗਾ!
ਆਓ ਕੁਝ ਟਾਈਮ ਸੀਰੀਜ਼ ਐਲਗੋਰਿਥਮਾਂ ਦੇ ਕਿਸਮਾਂ ਦੀ ਜਾਂਚ ਕਰੀਏ ਅਤੇ ਡਾਟਾ ਸਾਫ ਅਤੇ ਤਿਆਰ ਕਰਨ ਲਈ ਇੱਕ ਨੋਟਬੁੱਕ ਸ਼ੁਰੂ ਕਰੀਏ। ਤੁਸੀਂ ਜਿਸ ਡਾਟਾ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰੋਗੇ, 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 ਕਰਨਾ 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 ਪੌਇੰਟਾਂ 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 ਪਲਾਟਾਂ ਅਤੇ ਸਾਂਖਿਆਕੀ 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 ਪੌਇੰਟਾਂ 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 ਪੈਟਰਨਾਂ 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, ਜਿਸ ਵਿੱਚ ਫ੍ਰੀਕਵੈਂਸੀ-ਡੋਮੇਨ ਅਤੇ ਟਾਈਮ-ਡੋਮੇਨ, ਲੀਨੀਅਰ ਅਤੇ ਨਾਨ-ਲੀਨੀਅਰ, ਅਤੇ ਹੋਰ ਸ਼ਾਮਲ ਹਨ। 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 ਰਿਗ੍ਰੈਸ਼ਨ ਮਾਡਲਾਂ ਦੀ ਵਰਤੋਂ ਕਰਨਾ ਸੰਭਵ ਹੈ, ਟਾਈਮ ਸੀਰੀਜ਼ ਡਾਟਾ ਨੂੰ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ ਲਈ ਵਿਸ਼ੇਸ਼ ਕਿਸਮ ਦੇ ਮਾਡਲਾਂ ਦੀ ਵਰਤੋਂ ਕਰਨੀ ਚੰਗੀ ਹੁੰਦੀ ਹੈ।
ਟਾਈਮ ਸੀਰੀਜ਼ ਡਾਟਾ ਇੱਕ ਕ੍ਰਮਬੱਧ ਅਵਲੋਕਨਾਂ ਦੀ ਸੂਚੀ ਹੈ, ਜੋ ਲੀਨੀਅਰ ਰਿਗ੍ਰੈਸ਼ਨ 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 ਕ੍ਰਮਬੱਧ ਹੁੰਦਾ ਹੈ।
ARIMA ਮਾਡਲਾਂ ਦੇ ਕਈ ਕਿਸਮਾਂ ਹਨ, ਜਿਨ੍ਹਾਂ ਬਾਰੇ ਤੁਸੀਂ ਇੱਥੇ ਸਿੱਖ ਸਕਦੇ ਹੋ ਅਤੇ ਜਿਨ੍ਹਾਂ ਨੂੰ ਤੁਸੀਂ ਅਗਲੇ ਪਾਠ ਵਿੱਚ ਛੂਹੋਗੇ।
ਅਗਲੇ ਪਾਠ ਵਿੱਚ, ਤੁਸੀਂ Univariate Time Series ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਇੱਕ ARIMA ਮਾਡਲ ਬਣਾਉਗੇ, 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 ਮਹੀਨਾਵਾਰ 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 ਇਹ ਨੋਟਿਸ ਕਰ ਸਕਦੇ ਹੋ ਕਿ ਇਸ ਵਿੱਚ ਕੁਝ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਹਨ ਜਿਨ੍ਹਾਂ ਨੂੰ ਸਮਝਣ ਲਈ ਤੁਹਾਨੂੰ ਧਿਆਨ ਦੇਣਾ ਅਤੇ ਘਟਾਉਣਾ ਪਵੇਗਾ। ਜੇ ਤੁਸੀਂ ਟਾਈਮ ਸੀਰੀਜ਼ ਡਾਟਾ ਨੂੰ ਇੱਕ 'ਸਿਗਨਲ' ਦੇ ਤੌਰ 'ਤੇ ਮੰਨਦੇ ਹੋ ਜਿਸ ਨੂੰ ਤੁਸੀਂ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹੋ, ਤਾਂ ਇਹ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ 'ਸ਼ੋਰ' ਵਾਂਗ ਲੱਗ ਸਕਦੀਆਂ ਹਨ। ਤੁਸੀਂ ਅਕਸਰ ਇਸ 'ਸ਼ੋਰ' ਨੂੰ ਘਟਾਉਣ ਲਈ ਕੁਝ ਸਾਂਖਿਆਕੀ ਤਕਨੀਕਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋ।
ਇੱਥੇ ਕੁਝ ਸੰਕਲਪ ਹਨ ਜੋ ਤੁਹਾਨੂੰ ਟਾਈਮ ਸੀਰੀਜ਼ ਨਾਲ ਕੰਮ ਕਰਨ ਲਈ ਜਾਣਨ ਦੀ ਲੋੜ ਹੈ:
🎓 ਟ੍ਰੈਂਡ
ਟ੍ਰੈਂਡ 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 ਵਿੱਚ ਟ੍ਰੈਂਡ ਨੂੰ ਕਿਵੇਂ ਵਰਤਣਾ ਹੈ ਅਤੇ ਜੇ ਲੋੜ ਹੋਵੇ ਤਾਂ ਕਿਵੇਂ ਹਟਾਉਣਾ ਹੈ।
🎓 ਮੌਸਮੀਤਾ
ਮੌਸਮੀਤਾ ਨੂੰ ਆਵਰਤੀ ਉਤਾਰ-ਚੜ੍ਹਾਵਾਂ ਵਜੋਂ ਪਰਿਭਾਸ਼ਿਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਜਿਵੇਂ ਕਿ ਛੁੱਟੀਆਂ ਦੇ ਸਮੇਂ ਵਿੱਚ ਵਿਕਰੀ 'ਤੇ ਪ੍ਰਭਾਵ। ਇੱਥੇ ਦੇਖੋ ਕਿ ਕਿਵੇਂ ਵੱਖ-ਵੱਖ ਕਿਸਮ ਦੇ ਪਲਾਟ ਡਾਟਾ ਵਿੱਚ ਮੌਸਮੀਤਾ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਨ।
🎓 ਆਊਟਲਾਇਰ
ਆਊਟਲਾਇਰ ਉਹ ਹਨ ਜੋ ਸਧਾਰਨ ਡਾਟਾ ਵੈਰੀਅੰਸ ਤੋਂ ਬਹੁਤ ਦੂਰ 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 ਉਰਜਾ 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 ਕੀਤੇ।
✅ ਇੱਥੇ 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 ਵਿੱਚੋਂ ਕੋਈ ਪਛਾਣ ਸਕਦੇ ਹੋ?
ਅਭਿਆਸ - ਬਿਜਲੀ ਦੀ ਵਰਤੋਂ ਦੇ ਡਾਟਾ ਨਾਲ ਸ਼ੁਰੂਆਤ
ਆਓ ਇੱਕ ਟਾਈਮ ਸੀਰੀਜ਼ ਮਾਡਲ ਬਣਾਉਣ ਦੀ ਸ਼ੁਰੂਆਤ ਕਰੀਏ ਜੋ ਪਿਛਲੇ ਡਾਟਾ ਦੇ ਆਧਾਰ 'ਤੇ ਭਵਿੱਖ ਦੀ ਬਿਜਲੀ ਦੀ ਵਰਤੋਂ ਦੀ ਪੇਸ਼ਗੂਈ ਕਰੇ।
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 ਕਰਨਾ ਸ਼ੁਰੂ ਕਰੋ ਜੋ ਤੁਹਾਨੂੰ ਡਾਟਾ ਲੋਡ ਅਤੇ ਵਿਜੁਅਲਾਈਜ਼ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰੇਗੀਆਂ।import os import matplotlib.pyplot as plt from common.utils import load_data %matplotlib inlineਨੋਟ ਕਰੋ, ਤੁਸੀਂ ਸ਼ਾਮਲ
commonਫੋਲਡਰ ਦੀਆਂ ਫਾਈਲਾਂ ਦੀ ਵਰਤੋਂ ਕਰ ਰਹੇ ਹੋ ਜੋ ਤੁਹਾਡੇ ਵਾਤਾਵਰਣ ਨੂੰ ਸੈ
ਅਸਵੀਕਰਤੀ:
ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ Co-op Translator ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀ ਹੋਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦੇ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁੱਤੀਆਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਇਸ ਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਮੌਜੂਦ ਮੂਲ ਦਸਤਾਵੇਜ਼ ਨੂੰ ਅਧਿਕਾਰਤ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਅਨੁਵਾਦ ਦੇ ਪ੍ਰਯੋਗ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਗਲਤਫਹਮੀਆਂ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆਵਾਂ ਲਈ ਅਸੀਂ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।