نحوه استفاده از RStudio برای ایجاد مدل های پیش بینی ترافیک

جدید در زمین موتورهای جستجو

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

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.

plot(model1, "comp")

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.

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:

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

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

درباره نویسنده

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

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.

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

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

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

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

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:

و با این کار نموداری مانند این تولید می شود:

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.

و نموداری مانند این را برمی گردانید:

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:

به دنبال:

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.

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

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

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

به دنبال:

و سپس اجزای مدل را رسم کنید:

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

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.)

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

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؟

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

اولین دستوری که باید اجرا شود این است:

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

سرزمین موتور جستجو را به فید Google News خود اضافه 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

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

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:

و سپس شما همچنین باید نصب کنید:

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

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

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

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

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

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

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.

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

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.

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.