Firma produkująca dobra konsumpcyjne posiada pełną historię sprzedaży wielu wariantów produktów i obecnie wykorzystuje modele ARIMA. Chce prognozować popyt na nowy produkt, który zostanie wkrótce wprowadzony na rynek. Jakie podejście powinien zastosować specjalista ds. uczenia maszynowego?

DeepAR to algorytm prognozowania szeregów czasowych, który jest szczególnie skuteczny w prognozowaniu popytu na nowe produkty (tzw. cold start problem). Wykorzystuje on sieci neuronowe do uczenia się wzorców z dużej liczby powiązanych szeregów czasowych (w tym przypadku historii sprzedaży wielu wariantów produktów), co pozwala mu generować dokładne prognozy nawet dla produktów bez wcześniejszych danych historycznych. Trenowanie niestandardowego modelu ARIMA dla nowego produktu jest niemożliwe, ponieważ ARIMA wymaga danych historycznych dla prognozowanego szeregu czasowego. K-means clustering jest algorytmem grupowania i nie służy do prognozowania szeregów czasowych. Trenowanie niestandardowego modelu XGBoost jest możliwe, ale XGBoost jest modelem opartym na drzewach decyzyjnych, który zazwyczaj nie radzi sobie tak dobrze z prognozowaniem szeregów czasowych, zwłaszcza w przypadku problemów typu cold start, jak wyspecjalizowane algorytmy takie jak DeepAR.