Олон жилийн турш хүмүүс цаг агаарын нөхцөл байдал, эдийн засаг, улс төрийн үйл явдлууд, спортын үр дүнг урьдчилан таамаглаж байсан бөгөөд саяхан энэхүү өргөн хүрээтэй жагсаалтыг криптовалютаар дүүргэсэн. Олон талт үйл явдлыг урьдчилан таамаглахын тулд урьдчилсан мэдээг боловсруулах олон арга байдаг. Жишээлбэл, зөн совин, шинжээчдийн дүгнэлт, өмнөх үр дүнг уламжлалт статистиктай харьцуулах, цаг хугацааны цувралын таамаглал зэрэг нь тэдгээрийн зөвхөн нэг нь бөгөөд өргөн хүрээний хэрэглээ бүхий хамгийн орчин үеийн, үнэн зөв таамаглал юм.
Цагийн цувааны арга
Цагийн цуваа (TS) арга нь тодорхой хугацааны туршид мэдээлэл цуглуулдаг өгөгдлийн багц юм. Энэ төрлийг задлах тусгай аргууд байдаг:
- шугаман ба шугаман бус;
- параметрийн болон параметрийн бус;
- нэг хэмжээст ба олон хэмжээст.
Урьдчилан таамаглах цагцуврал нь өнөөгийн сорилтуудыг даван туулах өвөрмөц чадавхийг авчирдаг. Загварчлал нь өгөгдлийн өөрчлөлтийн хөдөлгөгч хүчийг бий болгоход суралцахад тулгуурладаг. Энэ үйл явц нь ДҮ-ний онцлог шинж чанартай урт хугацааны чиг хандлага, улирлын нөлөө эсвэл тогтмол бус хэлбэлзлээс үүдэлтэй бөгөөд бусад төрлийн шинжилгээнд ажиглагддаггүй.
Машины сургалт нь өгөгдлөөс алгоритмуудыг эмхэтгэсэн компьютерийн шинжлэх ухааны салбар бөгөөд үүнд хиймэл мэдрэлийн сүлжээ, гүнзгий суралцах, холбоо тогтоох дүрэм, шийдвэрийн мод, бэхжүүлэх сургалт, Байезийн сүлжээ орно. Төрөл бүрийн алгоритмууд нь асуудлыг шийдвэрлэх хувилбаруудыг санал болгодог бөгөөд тус бүр нь өгөгдөл оруулах, хурд, үр дүнгийн нарийвчлал зэрэг өөрийн гэсэн шаардлага, харилцан ашигтай талуудтай. Хэрэглэгч судалж буй нөхцөл байдалд аль алгоритм хамгийн сайн ажиллахыг шийдэх үед эдгээрийг эцсийн таамаглалын үнэн зөв байдлын хамт жинлэнэ.
Цагийн цувралын таамаглал нь статистикийн салбараас авсан боловч асуудлын загварчлалд шинэ хандлагыг өгдөг. Машины сургалтын болон цаг хугацааны цувралын гол асуудал бол урьд өмнө мэдэгдэж байсан өгөгдөл дээр үндэслэн шинэ үр дүнг урьдчилан таамаглах явдал юм.
Таамаглах загварын зорилт
TS нь тогтмол давтамжтайгаар цуглуулсан мэдээллийн цэгүүдийн багц юм. Урт хугацааны чиг хандлагыг тодорхойлох, ирээдүйг урьдчилан таамаглах эсвэл өөр төрлийн шинжилгээ хийх зорилгоор тэдгээрийг шинжилдэг. TS-ийг ердийн регрессийн асуудлаас өөр болгодог 2 зүйл байдаг:
- Тэд цаг хугацаанаас шалтгаална. ТэгэхээрАжиглалтууд бие даасан гэсэн шугаман регрессийн загварын үндсэн таамаглал энэ тохиолдолд тохирохгүй.
- Өсөх эсвэл буурах хандлагатай зэрэгцээд ихэнх TS-үүд улирлын шинж чанартай байдаг, тухайлбал, тодорхой хугацаанд хамаарах өөрчлөлтүүд.
Хугацааны цуваа таамаглах загварын зорилго нь эрэлт хэрэгцээнд үнэн зөв таамаглал өгөх явдал юм. Хугацааны цуваа нь бие даасан хувьсагч болон зорилтот хамааралтай хувьсагч болох хугацаа (t) байна. Ихэнх тохиолдолд урьдчилсан мэдээ нь тодорхой үр дүн, жишээлбэл, байшингийн борлуулалтын үнэ, тэмцээний спортын үр дүн, хөрөнгийн бирж дээр арилжааны үр дүн юм. Урьдчилан таамаглал нь дундаж ба дундаж утгыг илэрхийлдэг бөгөөд 80-95% -ийн итгэлцлийн түвшинг илэрхийлсэн итгэлийн интервалыг агуулдаг. Тэдгээрийг тогтмол давтамжтайгаар бүртгэх үед процессуудыг хугацааны цуваа гэж нэрлэх ба хоёр янзаар илэрхийлэгдэнэ:
- далд дараалал үүсгэдэг цагийн индекс бүхий нэг хэмжээст;
- хоёр хэмжээс бүхий олонлог: бие даасан хувьсагчтай цаг ба өөр хамааралтай хувьсагч.
Онцлогуудыг бий болгох нь хэрэглээний машин сургалтын хамгийн чухал бөгөөд цаг хугацаа шаардсан ажлуудын нэг юм. Гэсэн хэдий ч цаг хугацааны цувааг урьдчилан таамаглах нь онцлог шинж чанарыг бий болгодоггүй, ядаж уламжлалт утгаараа биш юм. Энэ нь ялангуяа та дараагийн утгыг бус хэд хэдэн алхамын өмнөх үр дүнг таамаглахыг хүсвэл үнэн юм.
Энэ нь функцуудыг бүрэн идэвхгүй болгосон гэсэн үг биш юм. Дараах шалтгааны улмаас тэдгээрийг болгоомжтой ашиглах хэрэгтэй:
- Ирээдүй ямар бодитой байх нь тодорхойгүй байнаутга нь эдгээр онцлогт зориулагдсан болно.
- Хэрэв объектуудыг урьдчилан таамаглах боломжтой бөгөөд зарим хэв маягтай бол та тэдгээр тус бүрт урьдчилан таамаглах загвар үүсгэж болно.
Гэсэн хэдий ч урьдчилан таамаглах утгыг функц болгон ашиглах нь алдааг зорилтот хувьсагч руу түгээж, алдаа эсвэл буруу таамаглал гаргахад хүргэнэ гэдгийг анхаарна уу.
Цагийн цувааны бүрэлдэхүүн хэсгүүд
Цуврал нэмэгдэх, буурах эсвэл тогтмол түвшинд байх үед чиг хандлага байдаг тул үүнийг функц болгон авдаг. Улирлын шинж чанар нь тогтмол давтамжтай (m) давтагдах хэв маягийг харуулдаг цаг хугацааны цувааны шинж чанарыг хэлнэ, жишээлбэл, m=12 нь загвар арван хоёр сар тутамд давтагддаг гэсэн үг.
Улиралтай төстэй дамми хувьсагчдыг хоёртын функц болгон нэмж болно. Та жишээ нь, үнэ цэнэ нь гадаад эсэхээс үл хамааран амралт, онцгой үйл явдал, маркетингийн кампанит ажил зэргийг харгалзан үзэх боломжтой. Гэсэн хэдий ч эдгээр хувьсагч нь тодорхой хэв маягтай байх ёстой гэдгийг санах хэрэгтэй. Гэсэн хэдий ч өдрийн тоог ирээдүйн үеүүдэд ч хялбархан тооцоолж, цаг хугацааны цувралын таамаглалд, ялангуяа санхүүгийн салбарт нөлөөлж болно.
Цикл гэдэг нь тогтсон хурдаар болдоггүй улирал юм. Жишээлбэл, Канадын шилүүсийн жилийн нөхөн үржихүйн шинж чанарууд нь улирлын болон мөчлөгийн хэв маягийг тусгасан байдаг. Тэд тогтмол давтамжтайгаар давтагддаггүй бөгөөд давтамж нь 1 (m=1) байсан ч тохиолдож болно.
Хоцрогдсон утгууд -Хувьсагчийн хоцрогдсон утгыг урьдчилан таамаглагч болгон оруулж болно. ARIMA, Vector Autoregression (VAR) эсвэл Autoregressive Neural Networks (NNAR) зэрэг зарим загварууд ийм байдлаар ажилладаг.
Сонирхолтой хувьсагчийн бүрэлдэхүүн хэсэг нь хугацааны цувааны дүн шинжилгээ хийх, урьдчилан таамаглах, тэдгээрийн зан төлөв, хэв маягийг ойлгох, тохирох загварыг сонгоход маш чухал юм.
Өгөгдлийн багц шинж чанарууд
Та машин сургалтын загварт мянга, сая, тэрбум өгөгдлийн цэг оруулахад дассан байж болох ч цаг хугацааны цувралд энэ шаардлагагүй. Үнэн хэрэгтээ хувьсагчийн давтамж, төрлөөс хамааран жижиг, дунд TS-тэй ажиллах боломжтой бөгөөд энэ нь аргын сул тал биш юм. Түүнээс гадна, энэ арга нь үнэндээ хэд хэдэн давуу талтай:
- Ийм багц мэдээлэл нь гэрийн компьютерийн чадамжтай тохирно.
- Зарим тохиолдолд зөвхөн түүвэр биш харин бүх өгөгдлийн багцыг ашиглан хугацааны цувралын шинжилгээ, прогнозыг хийнэ.
- TS урт нь дүн шинжилгээ хийх боломжтой график үүсгэхэд хэрэгтэй. Програмистууд шинжилгээний үе шатанд график дээр тулгуурладаг тул энэ нь маш чухал цэг юм. Энэ нь тэд асар том хугацааны цуваатай ажилладаггүй гэсэн үг биш, гэхдээ эхлээд тэд жижиг TS-тэй ажиллах чадвартай байх ёстой.
- Цаг хугацаатай холбоотой талбар агуулсан аливаа өгөгдлийн багц нь цаг хугацааны цувралын шинжилгээ болон таамаглалаас ашиг тустай. Гэсэн хэдий ч, хэрэв программист илүү их өгөгдөлтэй бол DB (TSDB)илүү тохиромжтой байж магадгүй.
Эдгээр багцын зарим нь цагийн тэмдэг, системийн бүртгэл болон санхүүгийн өгөгдлөөр бүртгэгдсэн үйл явдлуудаас ирдэг. TSDB нь үндсэндээ хугацааны цуваатай ажилладаг тул энэ техникийг том хэмжээний өгөгдлийн багцад ашиглах сайхан боломж юм.
Машин сурах
Машины сургалт (ML) нь цагийн цувааг урьдчилан таамаглах уламжлалт аргуудаас давж чаддаг. Машин сургалтын аргуудыг TS өгөгдөл дээр илүү сонгодог статистик аргуудтай харьцуулсан олон тооны судалгаанууд байдаг. Мэдрэлийн сүлжээ нь TS хандлагыг өргөнөөр судалж, ашигладаг технологийн нэг юм. Машин сургалтын аргууд нь цаг хугацааны цуваагаар мэдээлэл цуглуулах зэрэглэлийг тэргүүлдэг. Эдгээр иж бүрдэл нь M3 эсвэл Kaggle-ийн эсрэг цэвэр TS багцаас илүү үр дүнтэй болох нь батлагдсан.
MO-д өөрийн гэсэн тодорхой асуудлууд бий. Өгөгдлийн багцаас онцлогуудыг хөгжүүлэх эсвэл шинэ таамаглагчийг бий болгох нь түүний хувьд чухал алхам бөгөөд гүйцэтгэлд асар их нөлөө үзүүлж, TS өгөгдлийн чиг хандлага, улирлын чанартай асуудлыг шийдвэрлэх зайлшгүй арга зам байж болно. Мөн зарим загвар нь өгөгдөлд хэр нийцэж байгаатай холбоотой асуудалтай байдаг бөгөөд хэрэв тохирохгүй бол үндсэн чиг хандлагыг алдаж болзошгүй.
Цагийн цуваа болон машин сургалтын аргууд нь бие биенээсээ тусад нь байх ёсгүй. Арга тус бүрийн ашиг тусыг өгөхийн тулд тэдгээрийг нэгтгэж болно. Урьдчилан таамаглах аргууд болон хугацааны цувралын шинжилгээ нь өгөгдлийг тренд болон улирлын өгөгдөл болгон задлахад сайн байдаг.элементүүд. Дараа нь энэ шинжилгээг алгоритмдаа чиг хандлага, улирлын шинж чанартай мэдээлэл агуулсан ML загварын орц болгон ашиглаж болно.
Асуудлын мэдэгдлийг ойлгож байна
Жишээ нь, шинэ өндөр хурдны галт тэрэгний зорчигчдын тоог урьдчилан таамаглахтай холбоотой TS-ийг авч үзье. Жишээлбэл, танд 2 жилийн өгөгдөл (2016 оны 8-р сараас 2018 оны 9-р сар) байгаа бөгөөд энэ өгөгдлөөр та дараагийн 7 сарын зорчигчдын тоог урьдчилан таамаглах шаардлагатай бөгөөд 2 жилийн өгөгдөл (2016-2018) цагийн түвшинд байна. зорчиж буй зорчигчдын тоо, цаашид тэдний тоог тооцоолох шаардлагатай.
Цагийн цуваагаар урьдчилан таамаглах өгөгдлийн багцын дэд багц:
- Симуляци хийх галт тэрэг болон туршилтын файл үүсгэж байна.
- Эхний 14 сарыг (2016 оны 8-р сар - 2017 оны 10-р сар) сургалтын өгөгдөл болгон, дараагийн 2 сарыг (2017 оны 11-р сар - 2017 оны 12-р сар) туршилтын өгөгдөл болгон ашигладаг.
- Өгөгдлийн багцыг өдөр бүр нэгтгэнэ.
Өгөгдлийн дүрслэлийг хийж, тодорхой хугацаанд хэрхэн өөрчлөгдөж байгааг харна уу.
Гэнэн аргын барилгын арга
Энэ тохиолдолд TS таамаглахад ашигласан номын сан нь статистик загвар юм. Эдгээр аргуудын аль нэгийг хэрэглэхээс өмнө үүнийг суулгасан байх ёстой. Магадгүй statsmodels нь Python орчинд аль хэдийн суулгасан байж болох ч энэ нь аргуудыг дэмждэггүйурьдчилан таамаглах тул та үүнийг репозитороос хуулбарлаж, эх сурвалжаас суулгах хэрэгтэй.
Энэ жишээний хувьд зоосны аяллын үнэ эхнээсээ болон бүх хугацаанд тогтвортой байна гэсэн үг. Энэ арга нь дараагийн хүлээгдэж буй цэгийг хамгийн сүүлд ажиглагдсан цэгтэй тэнцүү гэж үздэг бөгөөд үүнийг гэнэн хандлага гэж нэрлэдэг.
Одоо туршилтын өгөгдлийн багц дээрх загварын үнэн зөвийг шалгахын тулд стандарт хазайлтыг тооцоол. RMSE утга болон дээрх графикаас бид Naive нь өндөр хэлбэлзэлтэй сонголтуудад тохиромжгүй, харин тогтвортой сонголтуудад ашиглагддаг гэж дүгнэж болно.
Энгийн дунд зэргийн загвар
Аргыг харуулахын тулд Y тэнхлэг нь үнийг, X тэнхлэг нь цагийг (өдөр) илэрхийлнэ гэж тооцож график зурсан.
Үүнээс дүгнэхэд үнэ санамсаргүй байдлаар бага хэмжээгээр өсөж буурч, дундаж утга тогтмол хэвээр байна гэж дүгнэж болно. Энэ тохиолдолд та өнгөрсөн бүх өдрийн дундажтай адил дараагийн үеийн үнийг таамаглах боломжтой.
Өмнө нь ажиглагдсан онооны хүлээгдэж буй дундажтай таамаглах энэ аргыг энгийн дундаж арга гэж нэрлэдэг.
Энэ тохиолдолд өмнө нь мэдэгдэж байсан утгуудыг авч, дундажийг тооцож дараагийн утга болгон авна. Мэдээжийн хэрэг, энэ нь тодорхой биш байх болно, гэхдээ энэ нь маш ойрхон бөгөөд энэ арга хамгийн сайн ажилладаг нөхцөлүүд байдаг.
График дээр харуулсан үр дүнд үндэслэн энэ арга нь тухайн хугацааны дундаж утга тогтмол байх үед хамгийн сайн ажилладаг. Хэдийгээр гэнэн арга нь дунджаас илүү сайн боловч бүх мэдээллийн багцад биш юм. Загвар бүрийг алхам алхмаар туршиж үзээд үр дүн нь сайжирч байгаа эсэхийг харахыг зөвлөж байна.
Хөдөлгөөнт дундаж загвар
Энэ график дээр үндэслэн үнэ өнгөрсөн хугацаанд хэд хэдэн удаа их хэмжээгээр өссөн ч одоо тогтвортой байна гэж дүгнэж болно. Өмнөх дундаж аргыг ашиглахын тулд өмнөх бүх өгөгдлүүдийн дундажийг авах шаардлагатай. Эхний үеийн үнэ дараагийн үеийн таамаглалд хүчтэй нөлөөлнө. Тиймээс энгийн дунджаас дээшилсэн байхын тулд зөвхөн сүүлийн хэдэн хугацааны үнийн дундажийг авна уу.
Энэхүү таамаглах техникийг хөдөлгөөнт дундаж техник гэж нэрлэдэг бөгөөд заримдаа "n" хэмжээтэй "хөдөлгөөнт цонх" гэж нэрлэдэг. Энгийн загварыг ашиглан аргын үнэн зөвийг шалгахын тулд TS-ийн дараагийн утгыг таамаглаж байна. Энэ өгөгдлийн багцын дундаж болон Хөдөлгөөнт дунджаас аль алинаас нь илүү Гэнэн Гэнэн гүйцэтгэлтэй байна.
Энгийн экспоненциал тэгшитгэх аргаар урьдчилан таамаглах хувилбар бий. Хөдөлгөөнт дундаж аргад өнгөрсөн "n" ажиглалтыг ижил жинлэнэ. Энэ тохиолдолд та өнгөрсөн 'n' тус бүр таамаглалд өөр өөрийн замаар нөлөөлдөг нөхцөл байдалтай тулгарч магадгүй юм. Өнгөрсөн ажиглалтыг өөрөөр үнэлдэг энэхүү өөрчлөлтийг арга гэж нэрлэдэгжигнэсэн хөдөлгөөнт дундаж.
Загварын экстраполяци
Хугацааны цувааг урьдчилан таамаглах алгоритмуудыг авч үзэхэд шаардлагатай хамгийн чухал шинж чанаруудын нэг бол сургалтын өгөгдлийн домэйноос гадуур хэв маягийг экстраполяци хийх чадвар юм. Олон ML алгоритмууд нь сургалтын өгөгдлөөр тодорхойлогдсон бүс нутагт хязгаарлагдах хандлагатай байдаг тул ийм боломж байдаггүй. Тиймээс тэд үр дүнг ирээдүйд төсөөлөх зорилготой TS-д тохиромжгүй.
TS алгоритмын өөр нэг чухал шинж чанар бол итгэлцлийн интервалыг олж авах боломж юм. Хэдийгээр энэ нь TS загваруудын өгөгдмөл шинж чанар боловч бүгд статистикийн тархалтад тулгуурлаагүй тул ихэнх ML загварт ийм боломж байдаггүй.
ДҮ-ийг урьдчилан таамаглахад зөвхөн статистикийн энгийн аргуудыг ашигладаг гэж битгий бодоорой. Ерөөсөө тийм биш. Онцгой тохиолдлуудад маш их хэрэг болох олон нарийн төвөгтэй аргууд байдаг. Ерөнхий авторегресс нөхцөлт гетероскедастик (GARCH), Bayesian болон VAR нь тэдгээрийн зөвхөн зарим нь юм.
Мөн хоцрогдсон урьдчилан таамаглагчид ашигладаг, мэдрэлийн сүлжээний авторегресс (NNAR) зэрэг функцуудыг зохицуулах боломжтой мэдрэлийн сүлжээний загварууд бас байдаг. Ялангуяа LSTM болон GRU сүлжээ зэрэг давтагдах мэдрэлийн сүлжээний гэр бүлд нарийн төвөгтэй сургалтаас зээлсэн цаг хугацааны цуврал загварууд хүртэл байдаг.
Үнэлгээний хэмжүүр ба үлдэгдэл оношлогоо
Хамгийн түгээмэл таамаглах хэмжүүрүүдrms гэдэг нь олон хүмүүс регрессийн асуудлыг шийдвэрлэхдээ ашигладаг гэсэн үг:
- MAPE учир нь энэ нь масштабаас хамааралгүй бөгөөд алдааны бодит утгын харьцааг хувиар илэрхийлдэг;
- MASE, энэ нь таамаглал нь гэнэн дундаж таамаглалтай харьцуулахад хэр сайн ажиллаж байгааг харуулдаг.
Урьдчилан таамаглах аргыг нэгэнт тохируулсны дараа тэр загваруудыг хэр сайн барьж чадахыг үнэлэх нь чухал. Үнэлгээний хэмжүүрүүд нь утгууд нь бодит утгатай хэр ойрхон байгааг тодорхойлоход тусалдаг ч загвар нь TS-д нийцэж байгаа эсэхийг үнэлдэггүй. Үлдэгдэл нь үүнийг үнэлэх сайн арга юм. Программист TS загварыг ашиглахыг оролдож байгаа тул алдаанууд нь загварт баригдах боломжгүй зүйлийг төлөөлдөг тул "цагаан чимээ" мэт ажиллах болно.
"Цагаан чимээ" нь дараах шинж чанартай байх ёстой:
- Харилцаагүй үлдэгдэл (Acf=0)
- Үлдэгдэл нь тэг дундаж (хязгааргүй) ба тогтмол хэлбэлзэлтэй хэвийн тархалтыг дагадаг.
- Хэрэв хоёр шинж чанарын аль нэг нь дутуу байвал загварт сайжруулах зүйл бий.
- Тэг дундаж шинж чанарыг T-тест ашиглан хялбархан шалгаж болно.
- Хэвийн ба тогтмол дисперсийн шинж чанарыг үлдэгдэл гистограмм эсвэл тохирох нэг хувьсах хэвийн байдлын тест ашиглан нүдээр хянадаг.
ARIMA загвар
ARIMA - Авторегрессив нэгдсэн хөдөлгөөнт дундаж загвар нь TS-ийг урьдчилан таамаглахад ашигладаг хамгийн түгээмэл аргуудын нэг юм.өгөгдлийн автокорреляци ашиглан өндөр чанартай загвар бий болгох.
ARIMA коэффициентийг үнэлэхдээ өгөгдөл нь хөдөлгөөнгүй байна гэсэн үндсэн таамаглал юм. Энэ нь чиг хандлага, улирлын шинж чанар нь хэлбэлзэлд нөлөөлж чадахгүй гэсэн үг юм. Загварын чанарыг бодит утгуудын цаг хугацааны графикийг урьдчилан таамагласан утгатай харьцуулах замаар үнэлж болно. Хэрэв хоёр муруй хоёулаа ойрхон байвал загвар нь дүн шинжилгээ хийсэн тохиолдолд тохирно гэж үзэж болно. Энэ нь ямар нэгэн чиг хандлага, улирлын шинж чанарыг илчлэх ёстой.
Үлдэгдэлд хийсэн дүн шинжилгээ нь загвар тохирох эсэхийг харуулах ёстой: санамсаргүй үлдэгдэл нь үнэн зөв гэсэн үг. ARIMA-г (0, 1, 1) параметрээр тохируулах нь экспоненциал тэгшитгэхтэй ижил үр дүнг өгөх ба (0, 2, 2) параметрийг ашигласнаар давхар экспоненциал тэгшитгэх үр дүн гарна.
Та Excel-ийн ARIMA тохиргоонд хандах боломжтой:
- Excel-ийг эхлүүлэх.
- Хэрэгслийн самбар дээрээс XL MINER-г олоорой.
- Тууз дээрх унадаг цэснээс ARIMA-г сонгоно уу.
ARIMA загварын чадавхийн хураангуй:
- ARIMA - Авторегрессив нэгдсэн хөдөлгөөнт дундаж.
- Хугацааны цувааны шинжилгээнд ашигладаг урьдчилан таамаглах загвар.
- ARIMA параметрийн синтакс: ARIMA (p, d, q) энд p=авторегресс гишүүний тоо, d=улирлын ялгааны тоо, q=хөдөлж буй дундаж нөхцлийн тоо.
SQL сервер дээрх алгоритмууд
Загалмайн таамаглал хийх нь чухал зүйлсийн нэг юмСанхүүгийн ажлыг урьдчилан таамаглахад цаг хугацааны цувралын онцлог. Хэрэв холбогдох хоёр цуврал ашигласан бол үр дүнгийн загварыг бусдын зан төлөвт үндэслэн нэг цувралын үр дүнг таамаглахад ашиглаж болно.
SQL Server 2008 нь суралцах, ашиглах хүчирхэг шинэ цагийн цуврал функцуудтай. Энэхүү хэрэгсэл нь TS өгөгдөлд хялбархан хандах боломжтой, алгоритмын функцийг дуурайх, хуулбарлахад ашиглахад хялбар интерфэйстэй, мөн сервер талын DMX асуулгын холбоос бүхий тайлбар цонхтой тул дотор нь юу болж байгааг ойлгох боломжтой.
Зах зээлийн цагийн цуваа нь гүнзгий суралцах загвар, алгоритмуудыг ашиглах өргөн хүрээний хэсэг юм. Банкууд, брокерууд болон сангууд индекс, валютын ханш, фьючерс, криптовалютын үнэ, засгийн газрын хувьцаа болон бусад зүйлийн шинжилгээ, таамаглалыг ашиглах туршилт хийж байна.
Цагийн цувааг урьдчилан таамаглахдаа мэдрэлийн сүлжээ нь зах зээлийн бүтэц, чиг хандлагыг судлах замаар урьдчилан таамаглахуйц хэв маягийг олж, худалдаачдад зөвлөгөө өгдөг. Эдгээр сүлжээнүүд нь гэнэтийн оргил, уналт, чиг хандлагын өөрчлөлт, түвшний шилжилт зэрэг хэвийн бус байдлыг илрүүлэхэд тусалдаг. Санхүүгийн таамаглалд хиймэл оюун ухааны олон загварыг ашигладаг.
