Используем данные по продажам находятся в файле Trade.txt. Для осуществления автокорреляции вызовем мастер обработки и вызовем в качестве обработки автокорреляцию (рис. 19).

Рис.19. Результат автокорреляции

Вначале корреляция равна единице – это, как значение зависит само от себя. Далее зависимость убывает и затем виден пик зависимости от данных 12 месяцев назад. Это как раз и говорит о наличии годовой сезонности.

12. Прогноз временного ряда

Прогнозирование появляется в списке мастера обработки только после построения какой-либо модели прогноза: нейросети, линейной регрессии и т.д. Прогнозировать на несколько шагов вперед имеет смысл только временной ряд (к примеру, если есть данные по недельным суммам продаж за определенный период, можно спрогнозировать сумму продаж на две недели вперед). Поскольку при построении модели прогноза необходимо учитывать много факторов (зависимость результата от данных день, два, три, четыре назад), то методика имеет свои особенности. Используем исходные данные по продажам в файле «Trade.txt»

Удаление аномалий и сглаживание

Исходные данные содержат аномалии (выбросы) и шумы, за которыми трудно разглядеть тенденцию. Поэтому перед прогнозированием необходимо удалить аномалии и сгладить данные. Для этого осуществим сглаживание данных (рис. 20).

Рис.20. Результат сглаживания исходных данных

Скользящее окно на 12 месяцев назад

Запустим мастер обработки, вызовем в качестве обработчика скользящее окно и перейдем на следующий шаг. Авторегрессионый анализ показал наличие годовой сезонности. Поэтому необходимо, назначив поле «КОЛИЧЕСТВО» используемым, выбрать глубину погружения 12. Таким образом будет учтена годовая сезонность (рис. 21).

Рис.21. Скользящее окно на 12 месяцев назад

Обучение нейросети (прогноз на 1 месяц вперед)

Построим модель прогноза. Откроем мастер обработки и вызовем в нем нейронную сеть. Оставив все остальные параметры построения модели по умолчанию, обучим нейросеть. Результатом будет два графика.

Рис.20. Диаграмма нейросети

Рис.22. Диаграмма рассеяния

Построение прогноза

После обучения нейросети построим прогноз. Для этого открываем мастер обработки и выбираем обработчик «Прогнозирование» (рис. 23).

Рис.23. Диаграмма значений вместе с прогнозными значениями

ВЫВОД

В ходе лабораторной работы были получены навыки предобработки, трансформации, отображения данных при их подготовке к интеллектуальному анализу данных.

Также были получены навыки в области описательной аналитики – классификации объектов, кластеризации, сегментации, поиске ассоциативных правил; и в области прогнозирующей аналитики.