JMP 재귀 분석을 이용한 예측안녕하세요 여러분,
JMP 재발 분석을 사용하여 기계의 향후 수리 및 비용을 예측하려고 했지만 과대 예측 문제가 발생했습니다. 최대 90일 전의 봇 수명 데이터를 사용하여 모델(로그 선형 NHPP)을 학습한 다음 현재 추가된 수리 및 비용을 예측했습니다. 기본적으로 모델링 및 예측에는 90일 전 데이터를 사용하고 현재 데이터를 사용하여 결과를 검증합니다. 결과는 약 30%의 과대 예측을 보여줍니다. 비례 NHPP 모델도 시도했고 비슷한 양의 과대 예측을 얻었습니다. 모델의 적합도는 좋아 보입니다. 총 수리에 대한 예측 측면에서 모델은 잘 작동합니다(10% 미만의 과대 예측). 새로 발생한 수리 이벤트에 대한 예측만 좋지 않습니다.
제 질문은 다음과 같습니다.
이러한 과도한 예측을 줄일 방법이 있을까요? 90일 대신 45일 동안 이벤트를 예측하여 짧은 기간을 확보하는 것을 고려하고 있습니다. 하지만 다른 방법을 시도해 볼 수 있을지 궁금합니다.
예측을 위한 다른 모델들이 있다는 것을 알고 있습니다. 저는 수리 연구를 위해 재발을 사용해 왔고 이미 익숙해졌기 때문에 이 연구를 최대한 활용하고 싶습니다.
감사해요.
기본 데이터 분석 및 모델링Re: JMP 재귀 분석을 이용한 예측분석 결과를 첨부하여 익명화된 데이터(표 > 익명화) 또는 부분집합 데이터를 게시해 주실 수 있을까요? 그러면 저희가 대안을 제시하는 데 도움이 될 수 있습니다.
Re: JMP 재귀 분석을 이용한 예측안녕하세요. 좋은 제안이네요.
다음 스크린샷을 통해 제가 한 작업을 설명드리겠습니다. 이 스크린샷은 한 봇에 대한 데이터를 보여줍니다. 실제 데이터 세트에는 약 15,000개의 봇이 포함되어 있습니다. 제가 제시한 예시 값을 모델에 적용하지 마십시오. 예측값은 15,000개의 봇에서 생성된 누적 공식을 기반으로 합니다.
왼쪽 표의 처음 세 열에는 90일 전 데이터, BOT ID, 연령, 비용(1은 수리, 0은 연구 종료)이 포함되어 있으며, 이 세 열은 JMP 재발 분석 비례 포아송 과정 모델을 적합하는 데 사용되었습니다(표시하지 않은 15,000개의 추가 봇이 있습니다. 한 봇만 사용하여 제가 수행한 작업을 보여주고 싶습니다). 그런 다음 모델의 누적 공식을 얻었습니다. 네 번째 열인 연령 + 90일(현재 연령)을 이 공식에 대입하여 다섯 번째 열인 90일 후 예상 수리(현재 시점의 예측)를 계산했습니다.
가치 6.28은 이 봇이 941세일 때 예상되는 총 수리 횟수를 나타냅니다. 따라서 최근 90일 동안 이 봇에 대한 수리 횟수는 다음과 같습니다. 6.28 − 3 = 3.28 . 총 개수를 계산하기 위해 각 봇의 가장 오래된 연령대에서 예측된 모든 수리 횟수를 합산하여 총 예측값을 구합니다. 각 봇의 모든 실제 수리 횟수(90일 전)를 합산하여 총 실제 수리 횟수를 구합니다. 그런 다음 두 합계의 차이(최근 90일 동안의 총 예측 수리 횟수)를 구합니다.
오른쪽 표(현재 데이터)는 941일까지 실제로 발생한 수리가 3건뿐임을 보여주는데, 이는 90일 전과 동일합니다. 따라서 이 봇의 최근 90일 동안의 실제 수리는 3 - 3 = 0 입니다. 또한 최근 90일 동안 모든 봇의 실제 수리를 계산했습니다.
두 수치를 비교해 보면 항상 과대 예측이 나타납니다. 예를 들어, 15,000개의 봇 전체에 대해 최근 90일 동안 실제 수리 횟수는 다음과 같습니다. 6,996 , 동일한 봇에 대한 예상 수리는 다음과 같습니다. 9,306 — 아 33.0% 과대 예측입니다 . 여러 시간대를 시도해 봤는데 항상 30% 정도의 과대 예측이 나왔습니다.
내가 뭔가 잘못했을까 봐 걱정이에요.
어떻게 생각하세요? 감사합니다
또한, 이를 가지고 놀고 싶어하는 사람들을 위해 시뮬레이션 데이터를 첨부했습니다.
데이터에는 기계 ID, 비용(1은 수리, 0은 연구 종료), 그리고 기기 수명, 이렇게 세 개의 열이 있습니다. 질문은 이 데이터를 사용하여 향후 90일 동안의 수리를 어떻게 예측할 수 있느냐는 것입니다. 감사합니다.
Re: JMP 재귀 분석을 이용한 예측실제 데이터의 형태와 선택한 모델 매개변수에 따라 매우 다른 모델을 얻을 수 있습니다. 시뮬레이션 데이터에는 예측을 변경할 수 있는 이상치가 있습니다. 제공된 데이터에서 Age^2를 포함하느냐 마느냐에 따라 매우 다른 모델을 얻을 수 있습니다. 모델이 데이터에 얼마나 잘 적합합니까?
Re: JMP 재귀 분석을 이용한 예측마지막 부분의 이상 현상은 위험에 처한 기계가 두 대뿐이기 때문에 발생하며, 그 두 대의 기계가 가장 오래된 기계입니다.
저는 크기나 모양 효과 없이 비례 PP 모델을 사용했고 그 그림은 다음과 같습니다.
제가 이해하지 못하는 것이 두 가지 있습니다.
스케일 효과와 모양 효과로 나이를 선택하는 이유는 무엇인가요? 그렇게 하면 곡선이 생성되지 않습니다. 왜 그럴까요? 적합 곡선은 어디에 있나요?
왜 age^2를 시도하시나요?
감사해요.
Re: JMP 재귀 분석을 이용한 예측이것이 얼마나 심각한 문제인지는 잘 모르겠지만, Recurrence 모델의 경우 시스템 데이터는 시간 순서대로 정렬되어야 합니다. JMP가 자동으로 정렬해 주지는 않을 것 같지만, 이렇게 하면 모델에 영향을 줄 수 있습니다. 샘플 데이터에서 두 개의 머신 ID가 순서대로 정렬되지 않았습니다. 데이터에 이러한 내용이 없다면 무시해도 됩니다.
재발 분석은 데이터가 복구 가능한 시스템일 때 사용합니다. 복구 가능한 시스템이라고 해서 복구가 가능하다는 것을 의미하는 것은 아니지만, 복구 후의 상태를 분석하는 것입니다. 이벤트 발생 후 봇은 이벤트 발생 직전과 정확히 동일한 것으로 간주됩니까? 아니면 "새것과 다름없는" 상태로 간주됩니까? 봇이 "새것과 다름없는" 상태라면, 사실상 새 제품이기 때문에 복구 불가능한 시스템입니다.
이것이 중요한 이유는 데이터가 수리 가능한 시스템인 경우 지수 시스템으로 모델링되어 시간이 지남에 따라 이벤트가 더 자주 발생해야 하기 때문입니다. 데이터가 수리 가능한 시스템이 아닌 경우, 재발 분석을 사용하려고 하면 상황이 계속 악화될 것이라고 가정하기 때문에 예측을 과대평가하는 경우가 많습니다. 수리 불가능한 시스템은 시간이 지남에 따라 일정한 수리 횟수를 달성해야 하며, 이는 지수 시스템보다 훨씬 적은 경우가 많습니다.
봇이 "새것과 같다면" 각 이벤트를 독립적으로 모델링하는 것이 더 합리적일 수 있습니다(즉, 연령이 누적되지 않음) 그리고 Life Distribution 플랫폼을 사용하는 것이 더 합리적일 수 있습니다.
Re: JMP 재귀 분석을 이용한 예측안녕,
설명해주셔서 감사합니다.
시간순으로 정렬된 예제와 그렇지 않은 예제를 모두 시도해 보았습니다. JMP 재귀 분석이 이 과정을 올바른 순서로 자동화하는 것 같습니다.
저희 시스템은 수리 가능하며, 수리 전과 같은 성능으로만 가정됩니다. 따라서 봇은 시간이 지남에 따라 마모됩니다. 이것이 바로 저희가 재발 분석을 선택한 이유입니다. 과대 예측의 원인을 찾았다고 생각합니다. 봇이 수리되는 시간을 빼지 않아서 불멸 편향(방금 배운 멋진 단어)이 발생했습니다. 수리되는 시간을 제외하고 과대 예측이 다시 발생하는지 확인해 보겠습니다.
제안해 주셔서 감사합니다.
