IFS.ai Modell zur Zeitreihenprognose

IFS.ai TSPT Niveau, Trend und Saisonalität ist ein KI-basiertes Zeitreihenprognosemodell für die Bedarfsplanung. TSPT steht für „Time Series Pretrained Transformer“ und basiert auf dem TimesFM-Prognosemodell von Google. Anhand historischer Zeitreihendaten für ein Prognoseteil wird eine Systemprognose erstellt, die Bedarfsplaner prüfen, vergleichen und anpassen können, bevor sie die Prognosewerte endgültig festlegen.
In der Praxis bedeutet dies, dass Sie in der „Prognose-Workbench“ einen Prognoseteil auswählen, das Prognosemodell „TSPT Niveau, Trend und Saisonalität“ anwenden, die resultierende Systemprognose prüfen und anschließend die endgültig angepasste Prognose entsprechend Ihrer planerischen Einschätzung festlegen können.
Die Prognosequalität hängt von der Verfügbarkeit und Qualität historischer Bedarfsdaten für das Prognoseteil, dem ausgewählten Prognosehorizont, der Periodengranularität sowie der Prüfung der Ergebnisse durch den Planer ab, bevor diese für nachgelagerte Planungsentscheidungen verwendet werden.

Für wen diese Funktion gedacht ist und warum sie wichtig ist

Maschinelles Lernen in Bedarfsplanungs-Server aktivieren

Diese Funktion richtet sich an Bedarfsplaner und andere Benutzer, die in der Bedarfsplanung mit Prognosen arbeiten und eine KI-gestützte Prognoseoption benötigen, für die keine Kenntnisse in statistischer Modellierung erforderlich sind.

Funktionsweise

Das Modell berechnet eine Prognose aus einem einzelnen historischen Zeitreihenvektor. In der Modellkarte ist angegeben, dass Wochen, Monate und Quartalsperioden als Periodenlängen unterstützt werden. Die beigefügte Modellkarte nennt außerdem die Bedarfsplanung und „Nexus Generic Forecaster“ als primäre Anwendungsfälle, während sich das Schulungsmaterial auf den Workflow der Bedarfsplanung konzentriert.

Fähigkeit Beschreibung
Eingabe Eine einzelne historische Zeitreihe für ein Prognoseteil.
Ausgabe Eine resultierende System-Prognose, der überprüft und zum Festlegen des endgültig angepassten Forecasts verwendet werden kann.
Prognoseansatz Zeitreihenmodell auf Basis eines vortrainierten Transformers, das auf Google TimesFM basiert.
Typische Benutzeraktion Wählen Sie einen Prognoseteil aus, legen Sie das Prognosemodell auf „TSPT Niveau, Trend und Saisonalität“ fest, überprüfen Sie die Systemprognose und passen Sie die endgültige Prognose bei Bedarf an.
Außerhalb des Umfangs Multivariate Prognosen sind nicht Gegenstand der Modellkarte.

Wo die Ergebnisse angezeigt werden

Nachdem für einen Prognoseteil das Prognosemodell „TSPT Niveau, Trend und Saisonalität“ ausgewählt wurde, wird die daraus resultierende Systemprognose zur Überprüfung angezeigt. Der Planer kann anschließend die Prognoseergebnisse prüfen und die endgültig angepasste Prognose festlegen.

Vor dem Start

Stellen Sie vor der Verwendung von TSPT Niveau, Trend und „Saisonalität“ sicher, dass die grundlegenden Voraussetzungen für Einrichtung und Zugriff erfüllt sind.

Anwendung von TSPT Niveau, Trend und Saisonalität

Allgemeiner Workflow

  1. Öffnen Sie die „Prognose-Workbench“ und wählen Sie den Prognoseartikel aus, für den Sie eine Prognose mit TSPT Niveau, Trend und Saisonalität erstellen möchten.
  2. Ändern Sie den Prognosemodellparameter für den ausgewählten Prognoseteil auf „TSPT Niveau, Trend und Saisonalität“.
  3. Prüfen Sie die resultierende Systemprognose.
  4. Legen Sie die endgültig angepasste Prognose entsprechend dem Prognoseergebnis und dem Kontext der Geschäftsplanung fest.
  5. Schließen Sie den Prognoseprüfungsprozess ab.

Wichtige Hinweise zur Modellauswahl

  1. „TSPT-Ebene“, „Trend“ und „Saison“ können in der Bedarfsplanung nicht zusammen mit einem Saisonmodell verwendet werden.
  2. Wochenprofile können verwendet werden, um die berechnete Prognose auf einzelne Tage aufzuteilen.
  3. Das Modell ist für Prognosen einzelner Zeitreihen konzipiert. Stellen Sie es nicht als Funktion zur multivariaten Prognose dar, sofern dies nicht separat bestätigt wurde.

So funktioniert es:

TSPT nutzt eine ausschließlich auf einem Decoder basierende Transformer-Architektur für die Zero-Shot-Prognose von Zeitreihen. Das Modell verarbeitet Zeitreihendaten ähnlich wie bei der Sprachmodellierung, indem es Patching, kausale Aufmerksamkeit und gestapelte Transformer-Schichten verwendet, um zeitliche Muster zu erfassen und zukünftige Patches vorherzusagen.

Konzept Cloud-freundliche Erklärung
Vortrainiertes Modell Das Modell ist bereits trainiert. Wird verwendet, um Prognosen aus der als Eingabe bereitgestellten historischen Zeitreihe zu erstellen.
Patchen Die Zeitreihe wird in Gruppen benachbarter Zeitpunkte unterteilt, damit das Modell zeitliche Muster verarbeiten kann.
Patch-basierte Vorhersage Das Modell prognostiziert den zukünftigen Prognosehorizont anhand zukünftiger Patches, anstatt jeweils einen einzelnen Zeitschritt zu generieren.
Modellmaßstab Die beigefügte Modellkarte besagt, dass das Modell 200 Millionen Parameter hat.

Ausgabequalität und Benchmarking

Das Ausgangsmaterial beschreibt ein Benchmarking im Vergleich zu bestehenden Prognoseansätzen der Bedarfsplanung. Die Modellkarte gibt an, dass der M4-Datensatz zum Testen verwendet wurde. Dafür wurden 500 monatliche Zeitreihen für einen Test mit kurzer Historie und 500 monatliche Zeitreihen für einen Test mit langer Historie ausgewählt. Die sechs aktuellsten Perioden der bekannten Historie wurden entfernt und als Zielwerte der Prognose verwendet, während die früheren Perioden als Modelleingabe dienten.

Benchmark-Artikel Quellenbasierter Entwurfstext
Genauigkeitsvergleich TSPT / Google TimesFM erzielte im Vergleich zum bestehenden Prognosemodell für die Bedarfsplanung eine Verbesserung der Prognosegenauigkeit um 8,5 %.
Vergleich der Erfolgsquote TSPT / Google TimesFM: 66 %; Best Fit der Bedarfsplanung: 34 %.
Kennzahlen der Bedarfsplanung MAPE, MSE

Einschränkungen und Wissenswertes

Verantwortliche Nutzung

Verwenden Sie TSPT Niveau-, Trend- und Saisonalitätsprognosen zur Unterstützung der Planung und nicht als automatische endgültige Entscheidungen. Bedarfsplaner sollten die resultierende Systemprognose überprüfen, sie mit dem Geschäftskontext vergleichen und die endgültige Prognose gegebenenfalls anpassen. Produktteams, die das Modell bereitstellen oder zugänglich machen, sollten bestätigen, dass der Anwendungsfall innerhalb der zulässigen Grenzen der KI-Nutzung bleibt und dass alle Aspekte personenbezogener Daten auf Ebene des Anwendungsfalls bewertet werden.

Checkliste zur Fehlerbehebung und Überprüfung

Wenn Sie feststellen … Prüfen…
Kein verwertbares Prognoseergebnis Bestätigen Sie, dass der Prognoseteil über ausreichend historische Daten verfügt und der Bedarfsplanungsserver ausgeführt wird.
Unerwartete Prognosestruktur Überprüfen Sie den Eingabeverlauf, die Saisonalitätsannahmen und, ob die endgültig angepasste Prognose manuell korrigiert werden sollte.
Bedenken hinsichtlich der Leistung Berücksichtigen Sie, dass die beigefügte Modellkarte das Modell als rechenintensiver als die vorhandenen Prognosemodelle für Bedarfsplanungen ausweist.