Prognozowanie szeregów czasowych

Prognozowanie szeregów czasowych wykorzystuje historyczne dane sekwencyjne — odczyty czujników, zużycie energii, popyt — do przewidywania przyszłych wartości. W przemyśle stanowi podstawę prognozowania energii i popytu, utrzymania predykcyjnego i planowania produkcji przez rzutowanie ewolucji mierzonej wielkości.

Ucząc się wzorców, trendów i sezonowości w danych ze znacznikami czasu, modele prognostyczne rzutują, co nastąpi dalej, i sygnalizują, gdy rzeczywistość się rozjeżdża. Zastosowania przemysłowe to prognozowanie popytu na energię dla zarządzania kosztem i siecią, przewidywanie degradacji urządzeń ku awarii oraz planowanie produkcji i zapasów. Dokładność zależy od jakości danych i stabilności wzorców, więc prognozy łączy się z monitorowaniem dryfu.

Powiązane terminy

Machine Learning (Industrial) · Anomaly Detection · Predictive Maintenance (PdM) · Demand Response

Oprogramowanie