Как глобальный каталог данных временных рядов может обеспечить более устойчивую глобальную экономику.
Мы живем во все более взаимосвязанном мире. Мировая экономика была остановлена вспышкой вируса в Китае. Корабль, блокирующий Суэцкий канал, вызвал глобальные задержки в цепочках поставок. Цены на газ по всей Европе выросли в результате таких факторов, как задержка строительства газопровода, высокие цены на нефть и год с низким уровнем ветроэнергетики. Наша глобальная экономика стала связана плотной паутиной причинно-следственных связей, некоторые из которых имеют почти мгновенный эффект.
Параллельно измеряется больше вещей, чем когда-либо, благодаря развитию облачных вычислений и хранилищ, недорогим датчикам и глобальному охвату сотовых сетей. Теперь мы отслеживаем все, от нагрузки на лопасти ветряной турбины до уровня кислорода в крови. Всякий раз, когда эти данные измеряются во времени, их можно назвать временными рядами. Временные ряды — один из самых быстрорастущих типов данных из-за их многочисленных применений.
Осмысление данных временных рядов
С таким взрывом данных временных рядов, как мы можем использовать всю эту новую информацию для принятия более эффективных решений? Введите машинное обучение.
Машинное обучение может использовать сложные отношения, которые могут существовать между временными рядами. Это позволяет создавать модели, которые могут изучать, как один или несколько временных рядов можно использовать для прогнозирования других временных рядов. Например, температуру наружного воздуха и относительную влажность в Сан-Франциско можно использовать для прогнозирования спроса на электроэнергию в городе с течением времени. Чем больше информативных данных вы сможете использовать в своей модели, тем точнее вы сможете предсказать свою цель.
Прогнозирование временных рядов сложно и требует много времени
Многие компании и частные лица строят модели временных рядов, чтобы предсказать будущее, от того, сколько яблок завтра продаст супермаркет, до цены на электроэнергию в Калифорнии в течение следующих 24 часов. Мы называем такое моделирование прогнозированием временных рядов.
Создание решений для прогнозирования временных рядов является сложным и трудоемким процессом. Во-первых, вам необходимо иметь доступ к чистым, стандартизированным источникам надежных данных. Во-вторых, вам нужно выбирать из невероятного множества моделей, функций и параметров настройки. В-третьих, когда вы, наконец, нашли отличную модель, вам нужно развернуть ее, чтобы она надежно создавала прогнозы и всегда обучалась на самых последних данных. Поскольку ни один сервис или платформа не решает эту проблему полностью, многим компаниям приходится заново изобретать колесо, чтобы решить эту проблему.
Что еще хуже, поскольку каждая компания решает эту проблему в своем собственном огороженном саду, очень сложно обмениваться данными временных рядов. И это несмотря на то, что причинно-следственные связи, существующие между временными рядами, могут выходить далеко за пределы компаний и даже отраслевых барьеров. В результате многие прогностические взаимосвязи остаются неиспользованными. Это может привести к неэффективности и потерям, например, когда прогнозы спроса и предложения не так точны, как могли бы быть. Возьмем энергетику, где производство солнечной и ветровой энергии сокращается, когда избыточное производство не соответствует прогнозируемому спросу на энергию.
Создание глобального каталога данных временных рядов
В Myst мы видим огромный потенциал в разрушении этих стен, поэтому мы создаем платформу прогнозирования временных рядов, где данные временных рядов могут быть легко разделены между пользователями и компаниями (при желании). Первоначально это облегчит специалистам по обработке и анализу данных доступ к данным временных рядов от различных сторонних поставщиков для использования в их моделях прогнозирования. В долгосрочной перспективе мы предполагаем глобальный каталог данных временных рядов для многих пользователей и поставщиков, доступ к которым можно получить через рынок.
Создание этого каталога требует стандартизации данных временных рядов. У этого есть еще одно преимущество: пользователям становится намного проще решать комплексные задачи прогнозирования. Наша платформа использует уникальную модель данных, которую мы разработали специально для вариантов использования временных рядов. Это обеспечивает новый рабочий процесс, в котором пользователи могут создавать и развертывать сложные модели прогнозирования быстрее и надежнее, чем когда-либо. Поскольку мы сами занимаемся данными, мы знаем, что это должно быть сбалансировано с гибкостью, обеспечиваемой инструментами с открытым исходным кодом. Наша цель — дать специалистам по данным возможность быстро и легко создавать, развертывать и поддерживать высокоточные модели прогнозирования.
Представьте это. Что, если бы для любого временного ряда, который вы хотите спрогнозировать, вы могли бы выполнять поиск по всему нашему глобальному каталогу данных временных рядов и автоматически выбирать данные с наибольшей предсказательной силой для вашей конкретной задачи? Затем их можно использовать в оптимизированной модели машинного обучения для создания прогнозов с беспрецедентной точностью. Мы считаем, что это может привести к созданию совершенно новой парадигмы, в которой все, что можно измерить, может автоматически превращаться во что-то, что можно прогнозировать.
Лучшее прогнозирование может обеспечить более устойчивую глобальную экономику
Более точное прогнозирование может быть использовано для улучшения оперативного принятия решений. Это актуально практически для всех отраслей, но особенно в тех случаях, когда спрос и предложение должны встретиться в какой-то момент в будущем. В зависимости от того, чем торгуют, неточные прогнозы спроса и предложения могут быть как дорогостоящими, так и расточительными.
Включение платформы прогнозирования, которая использует глобальный каталог данных временных рядов, может открыть огромную финансовую ценность и сократить потери. По оценкам Глобального института McKinsey в 2018 году, улучшенное прогнозирование на основе машинного обучения может создать ежегодную стоимость в размере 2 триллионов долларов — около 2% мирового валового внутреннего продукта.
В электроэнергетическом секторе неточные прогнозы спроса в энергосистеме могут привести к веерным отключениям электроэнергии или использованию энергоресурсов, сильно загрязняющих окружающую среду. Эти отключения электроэнергии ежегодно обходятся США в миллиарды долларов. Прогнозы также имеют решающее значение для оптимизации возобновляемых активов. Поскольку рыночные цены могут сильно различаться, продажа возобновляемой продукции в нужное время может оказать огромное влияние на стоимость возобновляемого актива. Таким образом, прогнозы рыночных цен и производства возобновляемой энергии могут повлиять на рентабельность возобновляемого актива.
В пищевой промышленности прогнозирование потребительского спроса на свежие продукты питания определяет объем создаваемого предложения. Каждый год в США выбрасывается 133 миллиарда фунтов еды на сумму 161 миллиард долларов. Если бы прогнозы были более точными и надежными, количество пищевых отходов можно было бы сократить за счет лучшего согласования спроса и предложения, что также привело бы к снижению затрат и выбросов углерода. Более того, сокращение пищевых отходов играет важную роль в борьбе с глобальным голодом.
Мы стремимся обеспечить светлое будущее
В Myst мы стремимся сделать глобальную экономику более устойчивой за счет улучшения прогнозирования. Мы считаем, что многие из самых серьезных проблем, с которыми сталкивается человечество, такие как изменение климата, необходимо будет частично решить за счет более точного прогнозирования.
Мы представляем себе мир, в котором спрос и предложение постоянно находятся в равновесии, а ресурсы используются эффективно и устойчиво. Энергетическая отрасль является отправной точкой для решения этой огромной задачи, учитывая, что прогнозирование является основой перехода к чистой энергии. Для решения климатического кризиса потребуется электроэнергетическая система без выбросов, включающая безуглеродное производство, такое как солнечная и ветровая энергия, и гибкий спрос, такой как электромобили и интеллектуальные термостаты. Чтобы сбалансировать эти два элемента, потребуется лучшее прогнозирование, чем когда-либо прежде.
Вы заинтересованы в том, чтобы стать частью миссии Myst, оказав влияние на нашу команду? Пожалуйста, свяжитесь с нами по [email protected] или ознакомьтесь с открытыми вакансиями на нашей странице вакансий. Мы хотели бы услышать от вас!
