Вы хорошо разбираетесь в концепциях временных рядов? Если да, замечательно. Теперь пришло время применить свои знания на практике и создать несколько потрясающих проектов. В этом посте мы обсудим 10 лучших проектов временных рядов, которые не только помогут вам создать свое портфолио в области науки о данных и машинного обучения, но также помогут вам понять реальные проблемы и то, как они могут использовать науку о данных для сделать нашу жизнь проще.
Содержание
- Прогнозирование температуры
- Ежедневное общее количество рождений женского пола в Калифорнии Прогнозирование
- Прогнозирование временных рядов веб-трафика
- Прогнозирование спроса на товар в магазине
- Прогноз миграции
- Прогнозирование качества воздуха
- Прогноз цен на акции Amazon
- Обнаружение аномалий
- Прогнозирование уровня инфляции
- Обнаружение аномалий ЭКГ
Хорошо! поэтому давайте подробно обсудим каждый проект и причину, по которой мы выбрали их.
1. Прогнозирование температуры
Зачем прогнозировать температуру?
Как прекрасно, если бы можно было заранее предсказать температуру в городе! Это могло бы действительно помочь государственным органам, а также широкой общественности принять соответствующие меры в нужное время. Все мы знаем, что из-за меняющихся погодных условий ежегодно умирает много людей. По данным The Hindu, почти 7 40 000 человек погибли из-за аномально высоких и низких температур, связанных с изменением климата.
Как это реализовать?
Модели временных рядов, такие как авторегрессионное интегрированное скользящее среднее (ARIMA), SARIMA, SARIMAX и т. д., могут помочь заранее спрогнозировать температуру на предстоящие дни. Самым большим преимуществом является то, что они также могут фиксировать сезонные и циклические тренды.
Вы можете найти набор данных здесь.
2. Прогнозирование общего числа рождений женского пола в Калифорнии.
Почему важно ежедневное прогнозирование рождаемости?
Этот проект направлен на прогнозирование числа рождений женского пола. Это может помочь правительству прогнозировать рождаемость женского пола в их городе/стране. Правительство может разработать соответствующую политику. По данным Lancet Global Health, около 2 39 000 девочек ежегодно умирают в стране из-за своего пола.
Сильно шокирует! Вот почему прогнозирование помогает правительству хорошо подготовиться к решению этих проблем в будущем.
Как это реализовать?
Опять же, модели временных рядов, такие как ARIMA, AR, MA, могут помочь в создании моделей и получении результатов прогнозирования.
Набор данных содержит общее количество рождений женского пола, зарегистрированных в Калифорнии, США, в 1959 году.
Вы можете найти набор данных здесь.
3. Прогнозирование временных рядов веб-трафика
Почему важно прогнозирование веб-трафика?
Целью проекта является прогнозирование количества трафика на страницах Википедии. Это может помочь владельцам веб-сайтов прогнозировать трафик на свой трафик. На основании этого они могут предпринять соответствующие шаги.
Предположим, что прогнозируемый трафик очень высок, возможно, владельцы веб-сайтов могут подумать о размещении балансировщиков нагрузки на своем веб-сайте, потому что, если веб-сайт отключается даже на несколько минут, он может понести убытки для владельца. В случае низкого трафика они, вероятно, могут подумать о новых маркетинговых стратегиях для привлечения трафика на свой сайт.
Как это реализовать?
Сначала вам нужно очистить данные со страниц Википедии, а затем, после предварительной обработки, вы можете применить модели временных рядов, такие как ARIMA и SARIMA. Эти методы также способны фиксировать сезонные или циклические тенденции.
Вы можете найти набор данных здесь.
4. Прогнозирование спроса на товар в магазине
Почему важно прогнозировать продажи заранее?
Только подумайте, как это выгодно, если вы можете прогнозировать продажи заранее! С точки зрения бизнеса это, вероятно, одна из самых волшебных вещей, которые магазин или компания могут заранее прогнозировать. Но возможно ли это?
Да, это. Имея данные о прошлых продажах, вы можете заранее прогнозировать будущие продажи. Кроме того, как мы знаем, во время праздничного сезона во многих магазинах происходят распродажи. Итак, нам нужно прогнозировать продажи и в праздничный сезон, когда продажи находятся на пике.
Как это реализовать?
Модели временных рядов также могут фиксировать сезонные тенденции. Модель SARIMA может быть очень полезна для этого сценария. Они также способны улавливать сезонные тенденции.
Набор данных содержит данные о продажах товаров в магазине за 5 лет, и вам необходимо спрогнозировать продажи за 3 месяца для 50 различных товаров в 10 разных магазинах. Вы можете найти набор данных здесь.
5. Прогноз миграции
Почему важно прогнозирование миграции?
Проект направлен на прогнозирование притока мигрантов в различные страны Европы. Поступая таким образом, государственные органы могут активно готовиться к удовлетворению своих потребностей и отстаивать политическую волю для обеспечения безопасного прохода в Европу.
Необходимо оказать помощь мигрантам. Вот почему прогнозирование имеет первостепенное значение.
Вы можете найти набор данных здесь.
6. Прогнозирование качества воздуха
Почему это важно?
По данным ВОЗ, ежегодно в мире от болезней органов дыхания умирает около 4,2 миллиона человек. Загрязнение воздуха представляет угрозу. Очень важно прогнозировать качество воздуха. Правительство может принять соответствующие меры для борьбы с загрязнением воздуха на чрезвычайном уровне. Это может помочь спасти множество жизней.
Как это реализовать?
Можно использовать модели временных рядов, такие как ARIMA, SARIMA и SARIMAX. Кроме того, как мы знаем, уровень загрязнения обычно увеличивается зимой. Таким образом, эти модели также могут определять сезонные тенденции.
Вы можете найти набор данных здесь.
7. Прогноз цен на акции Amazon
Зачем прогнозировать цену акций?
Прогнозирование фондового рынка — это попытка определить будущую стоимость акций компании или других финансовых инструментов, торгуемых на бирже. Успешный прогноз будущей цены акции может принести большую прибыль. Кроме того, мы знаем, что рынок крайне нестабилен и значительно меняется, когда каждые 5 лет формируется новая политическая партия из-за изменения государственной политики в отношении бизнеса.
Набор данных содержит цены на акции Amazon за каждый день. Вы можете найти набор данных здесь.
8. Обнаружение аномалий
Почему обнаружение аномалий?
Не только прогнозирование, но и обнаружение аномалий в данных временных рядов. Необходимо разработать диагностический модуль для обнаружения неисправностей в системах. Достижение этого может ограничить последствия сбоев, которые могут быть катастрофическими для человеческих благ и жизни. После обнаружения аномалии можно определить ее причину и принять решение.
Как это реализовать?
Можно использовать алгоритмы обнаружения аномалий, такие как изолированный лес. Кроме того, можно использовать методы глубокого обучения, такие как LSTM и автоэнкодеры. ARIMA, SARIMA также могут использоваться для целей прогнозирования.
Вы можете найти набор данных здесь.
9. Прогнозирование уровня инфляции
Почему важно прогнозировать уровень инфляции?
Гармонизированный индекс потребительских цен (HICP) — это индекс потребительских цен, который используется для измерения уровня инфляции в Европе. Он используется для реализации денежно-кредитной политики. HICP используется для расчета суммы, которую средний потребитель должен был бы потратить в данном году на покупку одних и тех же основных товаров и услуг. Это также влияет на жизнь людей. Высокий уровень инфляции может быть опасен. Вот почему их заблаговременное прогнозирование может помочь правительству изменить любую существующую экономическую политику для улучшения экономики страны.
Вы можете найти набор данных здесь.
10. Обнаружение аномалии ЭКГ
Почему это важный вариант использования?
Проект направлен на анализ данных датчиков в реальном времени для выявления любых аномальных сердечных сокращений. Это такая критическая проблема. Только представьте, если врачи смогут обнаружить аномалию, они смогут принять соответствующие меры. Это может спасти много жизней и является магией искусственного интеллекта. ИИ может спасти человечество, если использовать его осторожно.
Вы можете найти набор данных здесь.
Вывод
Надеюсь, вы смогли понять важность анализа данных временных рядов и какие проблемы он может решить. Модели временных рядов можно использовать для решения реальных задач.
И так, чего же ты ждешь?
Просто запачкайте руки проектами и дайте нам знать в комментариях, если вы нашли их полезными.
Если вы хотите попрактиковаться в прогнозировании временных рядов, вы можете посетить Учебный лагерь, организованный Let the Data Confess Pvt. ООО
