Bedarfsplanung – Algorithmen

Note

Community-Interessensgruppen sind jetzt von Yammer zu Microsoft Viva Engage gewechselt. Um an einer Viva Engage-Community teilzunehmen und an den neuesten Diskussionen teilzunehmen, füllen Sie das Formular "Anfordern des Zugriffs auf Finance and Operations Viva Engage Community" aus , und wählen Sie die Community aus, der Sie beitreten möchten.

Die Bedarfsplanung in Microsoft Dynamics 365 Supply Chain Management umfasst vier gängige Nachfragevorhersagealgorithmen: auto-ARIMA, ETS, Prophet und XGBoost.

• Auto-ARIMA funktioniert gut mit stationären Daten. Stationäre Daten sind Daten, die einen konstanten Mittelwert, eine konstante Standardabweichung und keine Saisonalität haben.
• Fehler, Trend und Saisonalität (ETS) funktionieren gut, wenn Ihr Geschäftsfall einfach ist und die Daten verschiedene Muster aufweisen, z. B. lineare oder exponentielle Trends, oder wenn die Prognose den neuesten Daten mehr Gewicht verleihen soll.
• Prophet funktioniert am besten mit komplexen, realen Daten.
• eXtreme Gradient Boost (XGBoost) kann eine Prognose basierend auf mehreren Eingaben generieren.

Darüber hinaus bietet die Bedarfsplanung einen am besten geeigneten Modellalgorithmus, der automatisch das Beste der verfügbaren Algorithmen für jede Produkt- und Dimensionskombination auswählt. Mit der Bedarfsplanung können Sie auch eigene benutzerdefinierte Algorithmen entwickeln und verwenden.

Bei der Bedarfsplanung wählen Sie einen Prognosealgorithmus aus, wenn Sie einen Prognose-Schritt oder einen Prognose mit Signalen-Schritt in einem Prognosemodell platzieren und konfigurieren. Anschließend verwenden Sie dieses Prognosemodell in einem Prognoseprofil , um eine Prognose zu generieren.

In diesem Artikel wird beschrieben, wie jeder Algorithmus funktioniert und wie er für verschiedene Arten von historischen Bedarfsdaten geeignet ist.

Wann jeder Prognosealgorithmus verwendet werden soll

Der von Ihnen verwendete Bedarfsprognose-Algorithmus hängt von den spezifischen Merkmalen Ihrer historischen Daten ab. In der folgenden Tabelle ist dargestellt, welche Algorithmen für die Eineingabevorhersage am besten für jedes der verschiedenen Geschäftsszenarien geeignet sind. XGBoost wird aus dieser Tabelle ausgeschlossen, da es immer für Mehrfacheingaben-Prognose verwendet wird. Verwenden Sie für die meisten anderen Szenarien den am besten geeigneten Modellalgorithmus, da er automatisch den richtigen Prognosealgorithmus für jede Produkt- und Dimensionskombination auswählt.

Szenario	Auto-ARIMA	ETS	Prophet
Einfacher Geschäftsfall	Akzeptabel	Empfohlen	Akzeptabel
Die Zeitreihe weist einen anderen (linearen/exponentiellen) Trend und mehrere Saisonalitätstypen auf.	Nicht empfohlen	Empfohlen	Empfohlen
Die Zeitreihe zeigt einen klaren linearen Trend.	Empfohlen	Empfohlen	Akzeptabel
Die Daten sind stationär.	Empfohlen	Nicht empfohlen	Akzeptabel
Daten sind nicht stationär.	Nicht empfohlen	Akzeptabel	Empfohlen
Schnelle Prognose ist erforderlich.	Nicht empfohlen	Empfohlen	Akzeptabel
Die Prognose konzentriert sich auf einen aktuellen Zeitraum.	Akzeptabel	Empfohlen	Akzeptabel

Bestpassender Modellalgorithmus

Der beste Anpassungsmodellalgorithmus bestimmt automatisch, welche der anderen verfügbaren Single-Input-Algorithmen (Auto-ARIMA, ETS oder Prophet) am besten zu Ihren Daten für jede Produkt- und Dimensionskombination passt. Auf diese Weise können Sie verschiedene Modelle für verschiedene Produkte verwenden. In den meisten Fällen verwenden Sie das beste Passmodell, da es die Stärken aller anderen Standardmodelle kombiniert. Das folgende Beispiel zeigt, wie das geht.

Beispiel für die Funktionsweise des am besten geeigneten Modellalgorithmus

In diesem Beispiel verfügen Sie über historische Nachfrage-Zeitreihendaten, die die folgenden Dimensionskombinationen enthalten.

Produkt	Shop
Ein	1
Ein	2
b	1
b	2

Wenn Sie eine Prognoseberechnung mithilfe des Prophetenmodells ausführen, erhalten Sie die folgenden Ergebnisse. In diesem Beispiel verwendet das System immer das Prophet-Modell, unabhängig vom berechneten mittleren absoluten Prozentfehler (MAPE) für jede Produkt- und Dimensionskombination.

Produkt	Shop	Prognosemodell	Mittlerer absoluter prozentualer Fehler (MAPE)
Ein	1	Prophet	0.12
Ein	2	Prophet	0.56
b	1	Prophet	0.65
b	2	Prophet	0.09

Wenn Sie eine Prognoseberechnung mithilfe des ETS-Modells ausführen, erhalten Sie die folgenden Ergebnisse. In diesem Beispiel verwendet das System immer das ETS-Modell, unabhängig von der berechneten MAPE für jede Produkt- und Dimensionskombination.

Produkt	Store	Prognosemodell	MAPE
Ein	1	ETS	0.18
Ein	2	ETS	0.15
b	1	ETS	0.21
b	2	ETS	0.31

Wenn Sie eine Prognoseberechnung mithilfe des am besten geeigneten Modells ausführen, optimiert das System die Modellauswahl für jede Produkt- und Bemaßungskombination. Die Auswahl ändert sich basierend auf Mustern, die in den historischen Verkaufsdaten zu finden sind.

Produkt	Shop	Prophet MAPE	Auto-ARIMA MAPE	ETS MAPE	Bestes Anpassungsprognosemodell	Beste Passform MAPE
Ein	1	0.12	0.34	0.18	Prophet	0.12
Ein	2	0.56	0,23	0.15	ETS	0.15
b	1	0.65	0.09	0.21	Auto-ARIMA	0.09
b	2	0,10	0,27	0.31	Prophet	0,10

Das folgende Diagramm zeigt die Gesamtumsatzprognose in allen Dimensionen (alle Produkte in allen Filialen) in den nächsten neun Monaten, die mit drei verschiedenen Prognosemodellen ermittelt werden. Die grüne Linie stellt das best angepasste Modell dar. Da das am besten geeignete Modell das beste Prognosemodell für jede Produkt- und Bemaßungskombination auswählt, werden die Ausreißer vermieden, die auftreten können, wenn ein einzelnes Modell für alle Dimensionskombinationen verwendet wird. Daher ähnelt die beste Gesamtprognose dem Durchschnitt der Einzelmodellprognosen.

Legende:

• Rot – Nur Prophet.
• Blau – Nur ETS.
• Grün – Am besten geeignet.

Optimale Anpassung der Modellversionen

Der beste Anpassungsmodellalgorithmus ist in mehreren Versionen verfügbar, wie in der folgenden Tabelle beschrieben. In der Regel sollten Sie die neueste Version verwenden, die verfügbar ist. Um jedoch sicherzustellen, dass alle vorhandenen Prognosemodelle weiterhin funktionieren, bleiben die älteren Versionen weiterhin verfügbar und werden bis auf weiteres unterstützt. Um einen dieser Algorithmen zu verwenden, wählen Sie die entsprechende Version in den Konfigurationseinstellungen für den Prognoseschritt in Ihrem Prognosemodell aus.

Name	Version erforderlich	Description
Bestes Passmodell - Version 1	Bedarfsplanung Version 1.0.0.1067 oder höher	Funktioniert wie in diesem Abschnitt beschrieben
Bestes Passmodell - Version 2 (Vorschau)	Bedarfsplanung Version 1.0.0.3424 oder höher	Identisch mit Version 1, aber mit den folgenden Änderungen: Bietet Unterstützung für naive Prognose als Möglichkeit zur Behandlung von Szenarien mit niedrigen Daten. Daten, die für Schulungs- und Testmodelle verwendet werden, sind auf Werte vor dem Startdatum der Prognose beschränkt.
Optimale Anpassungsmodell - Version 3 (Vorschau)	Bedarfsplanung Version 1.1.0.4 oder höher	Identisch mit Version 2, fügt jedoch Unterstützung für die Croston-Methode für die Prognose basierend auf intermittierenden Nachfragen hinzu (die Nachfragedaten mit vielen Null-Nachfrage-Zeiträumen und gelegentlichen Nicht-Null-Anforderungen).

Important

• Am besten geeignetes Modell – Version 2 und Bestes Fit-Modell – Version 3 sind Vorschaufeatures.
• Funktionen in der Vorschauversion sind nicht für den Produktionseinsatz gedacht und können eine eingeschränkte Funktionalität aufweisen. Diese Features unterliegen ergänzenden Nutzungsbedingungen. Sie sind vor einer offiziellen Veröffentlichung verfügbar, damit Kunden frühzeitig zugriffen und Feedback geben können.

Auto-ARIMA: Die Freude des Zeitreisenden

Der Auto-ARIMA-Algorithmus ist wie ein Zeitautomat. Es bringt Sie auf eine Reise durch vergangene Nachfragemuster, damit Sie fundierte Vorhersagen über die Zukunft machen können.

Auto-ARIMA verwendet eine Technik, die als ARIMA bezeichnet wird. Der Name ARIMA ist eine Abkürzung für die drei Schlüsselkomponenten, die die Technik kombiniert:

• AR ist kurz für "auto regressiv". Diese Komponente gibt die Zeitreihe auf ihre eigenen vorherigen Werte zurück. Er erfasst den Einfluss vergangener Werte auf den aktuellen Wert.
• I steht für "integriert". Diese Komponente, die auch als Differenzbildung bekannt ist, ist ein Schritt, den das Modell unternimmt, um eine nichtstationäre Zeitreihe in stationäre Daten zu konvertieren.
• MA ist kurz für "gleitender Durchschnitt". Diese Komponente sorgt für frühere Prognosefehler und verbessert die Genauigkeit des Modells durch Glätten des Rauschens.

Daher kombiniert die ARIMA-Technik Autoregression und gleitende Durchschnittswerte, nachdem sie die Daten differenziert. Die endgültige Vorhersage kombiniert den Einfluss vergangener Werte und der Anpassungen aus früheren Fehlern.

Der Auto-ARIMA-Algorithmus identifiziert automatisch die beste Kombination der drei Komponenten, um ein Prognosemodell zu erstellen, das zu Ihren Daten passt. Es folgt den folgenden Schritten, um Prognosen zu generieren:

1. Führen Sie eine Differenzbildung der Daten durch, wenn diese nicht stationär sind.
2. Suchen Sie die Korrelation zwischen verzögerten Datenpunkten.
3. Berechnen des gleitenden Mittelwertfehlers.

Auto-ARIMA funktioniert besonders gut mit Zeitreihendaten, die über die Zeit ein stabiles Muster zeigen, wie zum Beispiel saisonale Schwankungen oder Trends. Wenn Ihre historische Nachfrage einem vernünftigen konsistenten Weg folgt, sollten Sie auto-ARIMA als Prognosemethode verwenden.

Formeln des Auto-ARIMA-Algorithmus

Automatische regressive Berechnung

Die AR-Komponente verwendet die folgende Formel:

Y(t) = c + ɸ1Y(t−1) + ɸ2Y(t−2) + ... + ɸpY(t−p) + ε(t)

Schlüssel:

• Y(t) – Der Wert zum Zeitpunkt t.
• c – Eine Konstante.
• ɸ1, ɸ2, … ɸp – Koeffizienten des Modells.
• ε(t) – Der Fehlerbegriff für weißes Rauschen.

Berechnung des gleitenden Mittelwerts

Die MA-Komponente verwendet die folgende Formel:

Y(t) = c + ε(t) + Χ1ε(t−1) + Χ2ε(t−2) + ... + ϴqε(t−q)

Schlüssel:

• Y(t) – Der Wert zum Zeitpunkt t.
• c – Eine Konstante.
• ε(t), ε(t−1), ... ε(t−q) – Fehlerausdrücke zum Zeitpunkt t, t−1, ... t−q.
• ϴ1, ϴ2, … Θq – Koeffizienten des Modells.

ARIMA-Berechnung

Der Auto-ARIMA-Algorithmus kombiniert die AR- und MA-Komponenten mithilfe der folgenden Formel:

ARIMA = AR + MA (nach Differenzierung der Zeitreihe)

ETS: Die Formwandler

ETS ist ein vielseitiger Bedarfsprognose-Algorithmus, der sich an die Form Ihrer Daten anpasst. Er ändert seinen Ansatz basierend auf den Merkmalen Ihrer historischen Nachfrage. Daher eignet er sich für eine Vielzahl von Szenarien.

Der Name ETS ist eine Abkürzung für die drei wesentlichen Komponenten, in die der Algorithmus die Zeitreihendaten zerlegt:

• E ist kurz für "Fehler". Diese Komponente fasst das zufällige Rauschen oder die unregelmäßigen Schwankungen zusammen.
• T ist kurz für "Trend". Diese Komponente stellt die Gesamtrichtung der Daten im Laufe der Zeit dar: Erhöhen, Verringern oder Konstanten.
• S ist kurz für "Saisonalität". Diese Komponente spiegelt sich wiederholende Muster oder Zyklen in den Daten wider (z. B. jährlich oder monatlich).

Durch das Verständnis und die Modellierung dieser Komponenten generiert ETS Prognosen, die die zugrunde liegenden Muster in Ihren Daten erfassen.

ETS prognostiziert zukünftige Datenpunkte, indem unterschiedliche Gewichtungen auf verschiedene Beobachtungen angewendet werden. Aktuellere Datenpunkte tragen mehr Gewicht als ältere. ETS kann die Zeitreihe auch in Fehler-, Trend- und Saisonalitätskomponenten zerlegen. (Der Fehler kommt aus Rauschen und Schwankungen in der Zeitreihe.) ETS verwendet den saisonbedingten Periodenparameter, den Sie als saisonalen Index festlegen, den Trend im bevorstehenden Horizont abschätzt und versucht mehrere Werte, um zu bestimmen, was passt. Schließlich prognostiziert sie den Fehler und kombiniert ihn mit den geschätzten Trend- und Saisonalitätskomponenten.

Die Bedarfsplanung in Supply Chain Management bestimmt, welcher "Geschmack" von ETS für jede Zeitreihe am besten geeignet ist und wendet sie entsprechend an.

Hier ist eine schrittweise Erläuterung des Algorithmus:

1. Zerlegen von Komponenten. Unterteilen Sie die Zeitreihen in die drei Komponenten: Fehler (E), Trend (T) und Saisonalität (S).

2. Wählen Sie Modelle für die Komponenten aus. Jede Komponente folgt einem additiven Modell:

   ETS(A;A;A) – Additiver Fehler, Additiver Trend, Additive Saisonalität.

3. Geben Sie die Anfangszustände an. Berechnen Sie die Anfangswerte für die Zustände "Level", "Trend" und "Saisonalität" des Modells, um den rekursiven Aktualisierungsprozess zu starten. Die Ebene ist die Basisprognose, die das Modell beim Trainieren aktualisiert.

4. Aktualisieren Sie die Status. Wenn neue Datenpunkte eingehen, aktualisieren Sie die Zustände des Modells (Ebene, Trend und Saisonalität), indem Sie gewichtete Glättungsgleichungen verwenden.

5. Prognose. Prognostizieren Sie zukünftige Werte, indem Sie die jüngsten Schätzungen des Niveaus, des Trends und der Saisonalität kombinieren.

Formel des ETS-Algorithmus

Der ETS-Algorithmus verwendet die folgende Formel:

F(t+1) = αA(t) + [1−α]F(t)

Schlüssel:

• F(t+1) – Der prognostizierte Wert.
• F(t) – Der vorherige prognostizierte Wert.
• A(t) – Der tatsächliche historische Wert.
• α – Eine Glättungskonstante (0 ≤ α ≤ 1).

Prophet: Der visionäre Vorhersage-Guru

Das Forschungsteam von Facebook entwickelte Propheten. Es handelt sich um einen modernen und flexiblen Vorhersagealgorithmus, der die Herausforderungen realer Daten bewältigen kann. Es ist besonders effektiv beim Umgang mit fehlenden Werten, Ausreißern und komplexen Mustern. Es erzielt die besten Ergebnisse mit saisonalen Daten, berücksichtigt Feiertage während der Prognose und bedarf keiner umfassenden Vorverarbeitung.

Prophet zerlegt die Zeitreihendaten in mehrere Komponenten, beispielsweise Trend, Saisonalität und Feiertage, und passt dann für jede Komponente ein Modell an. Dieser Ansatz ermöglicht es Prophet, die Nuancen in Ihren Daten genau zu erfassen und zuverlässige Prognosen zu erstellen. Prophet ist ideal für Unternehmen, die unregelmäßige Nachfragemuster oder häufige Ausreißer haben. Es ist auch ideal für Unternehmen, die von speziellen Veranstaltungen wie Feiertagen oder Werbeaktionen betroffen sind.

Der Prophetenalgorithmus folgt diesen Schritten, um Prognosen zu generieren:

1. Zerlegen Sie die Zeitreihen in Trend-, Saisonalitäts- und Feiertagskomponenten.
2. Erkennen und Verarbeiten von Änderungspunkten, um Trendverschiebungen zu erkennen.
3. Verwenden Sie Fourier-Reihen für saisonale Muster.
4. Fügen Sie Feiertagsregressoren für unregelmäßige Ereignisse hinzu.
5. Passen Sie die Modellparameter mithilfe der Bayesian-Optimierung an.
6. Generieren Sie Vorhersagen und Unsicherheitsintervalle.

Formel des Prophetenalgorithmus

Der Prophetenalgorithmus verwendet die folgende Formel:

y(t) = g(t) + s(t) + h(t) + ε(t)

Schlüssel:

• g(t) – Ein Wert, der die nichtperiodischen Trendänderungen im Laufe der Zeit erfasst. Der Algorithmus berechnet diesen Wert mithilfe einer linearen Trendgleichung.
• s(t) – Ein Wert, der wiederkehrende Saisonalitätsmuster wie tägliche, wöchentliche oder jährliche Muster darstellt. Der Algorithmus modelliert diesen Wert mithilfe von Fourier-Datenreihen.
• h(t) – Ein Wert, der bekannte, unregelmäßige Auswirkungen von Feiertagen oder besonderen Ereignissen ausmacht. Der Algorithmus behandelt diese Effekte als zusätzliche Regressoren, die Flexibilität beim Modellieren spezieller Ereignisse bieten.
• ε(t) – Zufälliges Rauschen oder ungeklärte Variabilität.

XGBoost

Im Gegensatz zu den anderen Algorithmen, die in diesem Artikel beschrieben werden, generiert eXtreme Gradient Boost (XGBoost) eine Prognose basierend auf mehreren Eingaben. Es ist derzeit der einzige Algorithmus, den Sie mit dem Prognose mit SignalenSchritt des Prognosemodells in der Bedarfsplanung verwenden können. Darüber hinaus unterstützt nur diese Art von Schritt dies. Erfahren Sie mehr über das Einrichten von Prognosemodellen, die XGBoost und Signaleingaben in Prognose mit Signalen verwenden.

XGBoost ist eine hocheffiziente und skalierbare Implementierung des Gradienten-Boostings. Es baut ein Ensemble von Entscheidungsbäumen auf, um Vorhersagen zu treffen. Die folgenden Unterabschnitte unterteilen die einzelnen Komponenten.

Entscheidungsbäume

Eine Entscheidungsstruktur ist ein Machine Learning-Modell, das Daten basierend auf Signalwerten (auch als Dimensionen oder Features bezeichnet) in Teilmengen aufteilt und eine strukturähnliche Struktur bildet. Das folgende Beispiel zeigt Verkäufe basierend auf Wetterdaten.

                          [Is temp > 25°C?]
                          /               \
                        Yes                No
                       /                     \
        [Is temp > 30°C?]               [Is temp > 15°C?]
            /      \                        /           \
         Yes        No                    Yes             No
         /            \                   /                \
    Leaf: 80      Leaf: 60        [Is temp > 10°C?]     Leaf: 20
                                        /       \
                                    Yes         No
                                    /            \
                                Leaf: 40      Leaf: 10

Diese Entscheidungsstruktur verläuft wie folgt:

1. Stammknoten – Der Baum teilt sich danach, ob die Temperatur über 25°C liegt:

   • Ja – Gehe zum linken Teilbaum.
   • Nein – Wechseln Sie zum rechten Teilbaum.

2. Linker Teilbaum (temp > 25°C) – Der Baum verzweigt sich weiter, je nachdem, ob die Temperatur über 30°C liegt:

   • Ja – Vorhersage von 80 Verkäufen .
   • Nein – Prognostiziert 60 Verkäufe.

3. Rechter Teilbaum (Temp ≤ 25°C) – Der Baum teilt sich entsprechend, wenn die Temperatur 15°C überschreitet:

   • Ja – Der Baum teilt sich weiter, je nachdem, ob die Temperatur 10°C überschreitet:

     • Ja – Vorhersage von 40 Verkäufen .
     • Nein – 10 Verkäufe vorhersagen.

   • Nein – Schätze 20 Verkäufe.

Ensemble lernen

Ensemble Learning ist ein maschineller Lernansatz, der mehrere Modelle (oft als schwache Lernende bezeichnet) kombiniert, um Vorhersagen zu machen. Die kombinierte Ausgabe vieler Modelle ist oft präziser und robuster als jedes einzelne Modell.

Eine Art von Ensemble-Lernen wird als Verstärkung bezeichnet. Bei diesem Ansatz werden Modelle sequenziell erstellt, und jedes Modell korrigiert die Fehler des vorherigen Modells.

Gradient Boosting

Gradient Boosting ist eine leistungsstarke maschinelle Lerntechnik, die Sie sowohl für Regressionsprobleme (wie hier der Fall ist) als auch für Klassifizierungsprobleme verwenden können. Es baut ein Ensemble schwacher Modelle (in der Regel Entscheidungsstrukturen) sequenziell auf, und jedes Modell konzentriert sich auf die Verringerung der Fehler (Reste), die die vorherigen Modelle vorgenommen haben.

Gradient Boosting erfasst effektiv komplexe Beziehungen zwischen Signalen (auch als exogene Variablen bezeichnet) und den Eingabedaten (auch als Zielvariable bezeichnet). Es bietet auch eine bessere prädiktive Leistung als andere Methoden.

Funktionsweise des XGBoost-Algorithmus

XGBoost ist eine hocheffiziente und skalierbare Implementierung des Gradienten-Boostings. Es baut ein Ensemble von Entscheidungsbäumen auf, um Vorhersagen zu treffen. Hier ist eine schrittweise Erläuterung der Funktionsweise:

1. Initialisieren Sie Vorhersagen.

   • Aufgabe – Beginnen Sie mit der Vorhersage eines Basiswerts für alle Instanzen.
   • Zweck – Der Basiswert ist in der Regel der Mittelwert der Zielvariable für Regression oder die Log-Odds für die Klassifizierung.

2. Berechnen der Residuen (Gradienten).

   • Vorgang – Berechnen Sie die Residuen oder Gradienten, die die Differenz zwischen den vorhergesagten und tatsächlichen Werten darstellen.
   • Zweck – Diese Reste dienen als Fehlersignal, das das Modell zu minimieren versucht.

3. Passen Sie einen Entscheidungsbaum an.

   • Aufgabe – Einen neuen Entscheidungsbaum trainieren, indem die Residuen (Gradienten) als Zielwerte verwendet werden.

   • Zweck – Der Baum prognostiziert Anpassungen an den Vorhersagen des vorherigen Modells.

   • Wichtige Details

     • XGBoost verwendet einen gierigen Algorithmus, um die Daten aufzuteilen.
     • Teilungen werden basierend auf dem Gewinn in der Zielfunktion ausgewählt, die regularisiert wird, um Überanpassung zu vermeiden.

4. Regulierung des Baumwachstums.

   • Vorgang – Wenden Sie Einschränkungen an, um eine Übereinpassung zu verhindern.

   • Zweck – Die Regularisierung hilft dabei, das Modell zu generalisieren und die Leistung bei nicht angezeigten Daten aufrechtzuerhalten.

   • Techniken

     • Baumtiefe – Beschränken Sie die maximale Tiefe von Bäumen.
     • Blattgewichte – Bestrafen Sie zu komplexe Bäume, indem Sie Abgrenzungsbegriffe hinzufügen.
     • Minimaler Teilungsgewinn – Eine Teilung nur zulassen, wenn eine minimale Verbesserung der Verlustfunktion erfolgt.

5. Aktualisieren Sie Vorhersagen.

   • Aufgabe – Passen Sie die Vorhersagen an, indem Sie die Ausgaben des neuen Baumes hinzufügen.
   • Zweck – Dieser Schritt reduziert den Fehler schrittweise.

6. Wiederholen Sie den Vorgang.

   • Aufgabe – Wiederholen Sie die Schritte 2 bis 5, um weitere Bäume sequenziell hinzuzufügen.

   • Zweck – Jeder Baum reduziert die Reste und verbessert daher das Modell schrittweise.

   • Abbruchkriterien

     • Eine feste Anzahl von Bäumen wird im Algorithmus der Demand-Planungs-App implementiert.
     • Es gibt keine signifikante Verbesserung der Verlustfunktion (Konvergenz).

7. Kombinieren Sie Bäume für die endgültige Vorhersage.

   • Aufgabe – Aggregiert die Ausgaben aller Strukturen, um die endgültige Vorhersage zu erzeugen.
   • Zweck – Jeder Baum trägt zum Endergebnis bei. Daher entsteht ein Ensembleeffekt.

Benutzerdefinierter Azure Machine Learning-Algorithmus

Wenn Sie über einen benutzerdefinierten Azure Machine Learning Algorithmus verfügen, den Sie mit Ihren Prognosemodellen verwenden möchten, können Sie ihn in der Bedarfsplanung verwenden.