Tecniche di statistica utilizzate nel servizio di previsione

Il servizio di previsione attualmente supporta Prophet ed è stato dimostrato che funziona in modo efficiente e affidabile per la maggior parte dei dati. Profeta è un pacchetto di previsioni open source ampiamente utilizzato sviluppato da Meta. Scompone i dati in componenti per tendenze, stagionalità ed eventi. Il modello Profeta è efficiente e si adatta bene a molte applicazioni di previsione. Inoltre, il modello funziona in modo affidabile contro valori anomali e dati mancanti.

In futuro, si prevede di selezionare modelli basati sull'euristica, ad esempio scegliere Online Approximate Gaussian Process per i dati in streaming, o NeuralProphet quando gli utenti specificano la migliore precisione di previsione e possono tollerare tempi di attesa più lunghi.

Il servizio esegue automaticamente il downscale dei dati quando sono presenti troppi punti di dati, per garantire il tempo di risposta. Il tempo di risposta di destinazione è impostato su ~3 secondi. Attualmente, quando il numero di punti di dati supera i 5500, i dati delle serie temporali vengono ricampionati verso il basso adattando la frequenza a seconda della lunghezza dei dati. L’output viene riconvertito alla frequenza dati originale, pertanto il processo di campionamento adattivo non influirà sulle esperienze degli utenti.

Gli effetti festivi vengono considerati quando sono disponibili dati di più anni. Attualmente, l’elenco delle festività considerate è:

Il servizio può anche eseguire una semplice rimozione delle anomalie (outlier), ad esempio rimuovendo punti dati che non rientrano nell’intervallo di sei sigma. Questa opzione non è abilitata per impostazione predefinita in quanto si presume che tutte le coordinate siano valide. Le anomalie possono avere un'influenza negativa sulla qualità del modello anche se il modello Profeta è resiliente agli outlier in generale.

Il servizio accetta impostazioni di stagionalità specificate dall’utente, ad esempio stagionalità giornaliera e settimanale. In caso contrario, il modello seleziona automaticamente la stagionalità. Per una granularità dei dati diversa, il servizio utilizza lunghezze di dati storici diverse per generare modelli di previsione. Ad esempio, per i dati giornalieri, vengono estratti più di un anno di dati (se disponibili). Per i dati orari, vengono estratte otto settimane di dati (se disponibili). Il richiamo dei dati può richiedere molto tempo e a volte causa tempi di attesa più lunghi.

I dati storici richiesti per granularità temporale diversa:

Il risultato della previsione per ogni tempo specificato viene fornito con un intervallo di previsione (definito dal limite inferiore e superiore), che dovrebbe contenere il valore futuro osservato il 95% del tempo, spesso denominato intervallo di affidabilità. Non vi è alcun limite alla previsione futura del servizio. Tuttavia, l'incertezza nelle previsioni aumenta con date più lontane nel futuro, rispecchiata da un più ampio intervallo di previsione nel tempo.

Il servizio non fa alcuna supposizione sui dati utente. Ad esempio, il servizio non presuppone che i dati non siano negativi. Ciò significa che le previsioni e/o i loro limiti possono essere negativi, se i dati mostrano una forte tendenza al ribasso, anche se tutti i punti di dati osservati non sono negativi.

Riferimenti