Scaling forecasting algorithms using clustered modeling

İstatistiksel tahminleme konusunda yapılan araştırmalar geleneksel olarak daha çok verilen zaman serisi için daha doğru modeller oluşturmaya odaklanmaktadır. Bu modeller verimlilik ve ölçeklenebilirlik kısıtlarından dolayı sadece sınırlı sayıda zaman serisine uygulanabilmektedir. Ancak, Müşteri İlişkileri Yönetimi (MİY) ve Müşteri Deneyimi Yönetimi (MDY) gibi bazı kurumsal uygulamalar büyük veri seti üzerinde çalışabilen ölçeklenebilir tahminleme gerektirmektedir. Örnek olarak, telekomünikasyon ?rmaları müşterilerin ihtiyaçlarını ve davranışlarını anlamak veya müşteriye özel kampanya üretmek için her bir müşterinin ayrı ayrı tra?k yükünün tahminine ihtiyaç duyarlar. Tahminleme modelleri, gelir tahmini veya kaynak planlaması için gerekli olan toplam tra?k hacmi tahmininde toplu trak verisi üzerinde kolayca kullanılabilir. Bununla birlikte, çok sayıda kullanıcı için ayrı ayrı model oluşturmak çok fazla zaman aldığı için bu durumda tahminleme modelleri uygulabilirliğini yitirmektedir. Tahminleme sürecinin sürekli olduğu ve modellerin periyodik olarak güncellenmesi gerektiği durumlarda problem daha da içinden çıkılmaz hale gelmektedir. Biz bu çalışmada, birden fazla zaman serisi için tahminleme modellerini oluşturma ve sürekli bir şekilde güncelleme problemini ele almaktayız ve tahminleme için optimize edilmiş dinamik kümeleme modellemesini sunmaktayız. Çalışmada küme merkezleri için temsili model oluşturmayı ve bu modelleri tekrarlı doğrusal olmayan optimizasyon kullanarak her bir zaman serisine ayrı ayrı uygulamayı önermekteyiz. Öne sürülen yaklaşım, modelleme ve kümeleme işlemlerini eş zamanlı olarak yerine getirmekte, temsili modelleri her bir zaman serisine uygulayarak tahminleme yapmakta ve sürekli tahminleme süreci için model parametrelerini güncellemektedir. Elde ettiğimiz bulgular bireysel model davranışlarını kendi segment modeli üzerinden değerlendirmenin bireysel modeller hesaplamaya göre daha ölçeklenebilir ve daha doğru olduğunu göstermektedir. Gerçek bir telekom MİY uygulaması üzerinde yapılan deneyler, önerilen yöntemin her bir kişiyi ayrı ayrı modellemeye göre yüksek verimli, ölçeklenebilir ve daha doğru olduğunu ortaya koymaktadır.