نحوه استفاده از RStudio برای ایجاد مدل های پیش بینی ترافیک

## Load packages
library("tidyverse")
library("tsibble")
library("fabletools")
library("bsts")

# 1-year
pred1 <- predict(model1, horizon = 365)
plot(pred1, plot.original = 200)

plot(model1, "comp")

این مقاله اصول اولیه نحوه تولید پیش‌بینی سری‌های زمانی در RStudio را از داده‌های کلیک کنسول جستجوی Google شما پوشش می‌دهد.

اما اول، R چیست؟

## Install packages
install.packages("tidyverse")
install.packages("tsibble")
install.packages("fabletools")
install.packages("bsts")

این یک زبان برنامه نویسی نسبتا ساده تر برای یادگیری است و از طریق راهنماها و وبلاگ ها برای جامعه SEO قابل دسترسی است.

## Read data
mdat <- read_csv("example data csv.csv",
col_types = cols(Date = col_date(format = "%d/%m/%Y")))

و نموداری مانند این را برمی گردانید:

نمودار پیش بینی 1 ساله

اولین دستوری که باید اجرا شود این است:

اما اگر اصول اولیه را درک می کنید و می خواهید اصول تجسم داده ها را در R بیاموزید، من پروژه هدایت شده Coursera را توصیه می کنم. کاربرد تجزیه و تحلیل داده ها در کسب و کار با برنامه نویسی R.

یا اگر می‌خواهید داده‌های خود را از طریق RStudio مستقیماً از API کنسول جستجوی Google استخراج کنید، توصیه می‌کنم دنبال کنید. این راهنما از JC Chouinard.

R جدید نیست و از سال 1993 وجود داشته است. با این حال، یادگیری برخی از اصول R – از جمله نحوه تعامل با API های مختلف Google – می تواند برای SEO مفید باشد.

سپس دو دستور آخر در رسم داده‌های شما این است که سری زمانی را به عنوان شیء تبدیل کنید، سپس خود نمودار را رسم کنید:

اولین دستوری که باید اجرا کنیم این است که داده هایمان را با مدل BSTS مطابقت دهیم:

اکثر بازاریابان این مدل را دیده اند یا حداقل با آن آشنا هستند زیرا معمولاً در بسیاری از صنایع برای اهداف پیش بینی استفاده می شود.

اگر این کار را از طریق رابط انجام دهید، یک فایل فشرده با CSV های مختلف دانلود خواهید کرد، که از آن می خواهید کتاب کار با نام “Dates” را از آن دانلود کنید:

ss <- AddLocalLinearTrend(list(), ts_data$Clicks)
ss <- AddSeasonal(ss, ts_data$Clicks, nseasons = 52)
model1 <- bsts(ts_data$Clicks,
state.specification = ss,
niter = 500)

در حال حاضر شور و شوق زیادی در صنعت سئو برای پایتون وجود دارد.

آنچه در زیر می آید مراحل ایجاد مدل های پیش بینی ترافیک در RStudio با استفاده از داده های کلیکی است.

مرحله 1: داده ها را آماده کنید

اما اگر می‌خواهید زبان جدیدی برای تجزیه و تحلیل و تجسم داده‌های جستجوی خود یاد بگیرید، به دنبال R باشید.

درباره نویسنده

دن تیلور

دن تیلور رئیس بخش سئو فنی در آژانس SALT، متخصص سئو فنی مستقر در بریتانیا و برنده جایزه کوئینز 2022. Dan با یک تیم کار می کند و بر آن نظارت می کند که با شرکت هایی از شرکت های فناوری و SaaS گرفته تا تجارت الکترونیک سازمانی کار می کنند.


منبع: https://searchengineland.com/create-traffic-forecasting-models-rstudio-389823

اولین قدم این است که داده های کنسول جستجوی گوگل خود را صادر کنید. می توانید این کار را از طریق رابط کاربری و صادر کردن داده ها به صورت CSV انجام دهید:

صادرات GSX

محدوده تاریخ شما می تواند از یک چهارم، شش ماه یا 12 ماه باشد – تنها چیزی که مهم است این است که مقادیر را به ترتیب زمانی داشته باشید که این صادرات به راحتی تولید می کند. (شما فقط باید ستون A را مرتب کنید، بنابراین قدیمی ترین مقادیر در بالا هستند.)


دستور زیر یک پیش‌بینی BSTS آینده یک ساله برای داده‌های شما ایجاد می‌کند:

R یک زبان و محیطی برای محاسبات آماری و گرافیک است پروژه R برای محاسبات آماری.

دریافت خبرنامه جستجوی روزانه بازاریابان به آن تکیه می کنند.


مرحله 2: داده های سری زمانی را در RStudio رسم کنید

pred2 <- predict(model1, horizon = 365*2)
plot(pred2, plot.original = 365)

و سپس شما همچنین باید نصب کنید:

و در رابط RStudio خود، یک نمودار سری زمانی ظاهر می شود:

مرحله 3: داده های خود را در RStudio مدل سازی و پیش بینی کنید

اگر می خواهید R را به عنوان یک زبان جدید انتخاب کنید، دوره های خوبی برای یادگیری عبارتند از:

## Make time series object
ts_data <- mdat %>%
as_tsibble(index = "Date")

## Make plot
autoplot(ts_data) +
labs(x = "Date", subtitle = "Time series plot")

به دنبال:

و همانطور که BSTS یک کران بالا و پایین را در نظر می گیرد، از یک نقطه خاص نیز بسیار بی معنی می شود.

نظرات بیان شده در این مقاله نظرات نویسنده مهمان است و لزوماً سرزمین موتور جستجو نیست. نویسندگان کارکنان در اینجا فهرست شده اند.


برای تولید یک نمودار پیش بینی دو ساله از داده های خود، می خواهید دستور زیر را اجرا کنید:

به دنبال:

سپس می خواهید داده های خود را وارد کنید. تنها تغییری که باید در دستور زیر ایجاد کنید، نام نوع فایل (با حفظ پسوند CSV) به رنگ قرمز است:

در این مرحله، مهم است که اذعان کنیم که پیش‌بینی یک علم دقیق نیست و بر چندین حقیقت و مفروضات متکی است. اینها هستند:

  • مفروضاتی مبنی بر اینکه روندها و الگوهای تاریخی باید با درجات مختلف در طول زمان تکرار شوند.
  • پیش‌بینی حاوی خطاها و ناهنجاری‌هایی خواهد بود زیرا مجموعه داده‌های شما (داده‌های کلیک‌های واقعی شما) حاوی ناهنجاری‌هایی است که می‌تواند به عنوان خطا تعبیر شود.
  • پیش‌بینی‌ها معمولاً حول میانگین می‌چرخند و پیش‌بینی‌های گروهی را قابل اعتمادتر از اجرای یک سری پیش‌بینی‌های خرد می‌کند.
  • پیش‌بینی کوتاه‌مدت معمولاً دقیق‌تر از پیش‌بینی با برد بلندتر است.

اکنون باید داده های خود را وارد و رسم کنیم. برای این کار ابتدا باید چهار بسته را نصب و سپس بارگذاری کنیم.

هرچه آینده را پیش‌بینی کنید، این محدوده بیشتر می‌شود و به نظر من، پیش‌بینی مفیدتر می‌شود.


همانطور که می بینید، محدوده بالا و پایین در پیش بینی یک ساله دارای دامنه ای از 50- تا 150+ بود، در حالی که پیش بینی دو ساله دارای محدوده 200- تا 600+ است.

جدید در زمین موتورهای جستجو

و سپس اجزای مدل را رسم کنید:

برای این مقاله، داده‌هایمان را به‌عنوان پیش‌بینی سری‌های زمانی ساختاری بیزی (BSTS)، یکی از بسته‌هایی که قبلاً نصب کردیم، تجسم می‌کنم. این نمودار توسط اکثر روش های پیش بینی استفاده می شود.

و با این کار نموداری مانند این تولید می شود:

نمودار پیش بینی 2 ساله

با خارج شدن از این راه، می‌توانیم مدل‌سازی و پیش‌بینی داده‌های ترافیک خود را آغاز کنیم.

با بازگشت به قوانین پیش‌بینی کلی که قبلا ذکر شد، هرچه آینده را پیش‌بینی کنید، دقت کمتری خواهد داشت. بنابراین، هنگام انجام این کار به دو سال می مانم.

و اکنون می توانیم پیش بینی های یک و دو ساله را تجسم کنیم.