Szeregi czasowe - modelowanie
Wprowadzenie
Szereg czasowy ma 4 komponenty, jak podano poniżej -
Level - Jest to średnia wartość, wokół której zmienia się szereg.
Trend - Jest to rosnące lub malejące zachowanie zmiennej w czasie.
Seasonality - To cykliczne zachowanie szeregów czasowych.
Noise - To błąd w obserwacjach dodanych ze względu na czynniki środowiskowe.
Techniki modelowania szeregów czasowych
Aby uchwycić te komponenty, istnieje wiele popularnych technik modelowania szeregów czasowych. Ta sekcja zawiera krótkie wprowadzenie do każdej techniki, jednak szczegółowo omówimy je w kolejnych rozdziałach -
Naiwne metody
Są to proste techniki estymacji, na przykład wartość przewidywana otrzymuje wartość równą średniej z poprzednich wartości zmiennej zależnej od czasu lub poprzedniej wartości rzeczywistej. Są one używane do porównania z zaawansowanymi technikami modelowania.
Automatyczna regresja
Regresja automatyczna przewiduje wartości przyszłych okresów jako funkcję wartości z poprzednich okresów. Prognozy autoregresji mogą lepiej pasować do danych niż metody naiwne, ale mogą nie być w stanie uwzględnić sezonowości.
Model ARIMA
Zintegrowana auto-regresywna średnia ruchoma modeluje wartość zmiennej jako funkcję liniową poprzednich wartości i błędów resztowych w poprzednich krokach czasowych stacjonarnych szeregów czasowych. Jednak rzeczywiste dane mogą być niestacjonarne i mieć sezonowość, dlatego opracowano Seasonal-ARIMA i Fractional-ARIMA. ARIMA działa na jednowymiarowych szeregach czasowych, do obsługi wielu zmiennych wprowadzono VARIMA.
Wygładzanie wykładnicze
Modeluje wartość zmiennej jako wykładniczą ważoną funkcję liniową poprzednich wartości. Ten model statystyczny może również obsługiwać trendy i sezonowość.
LSTM
Model pamięci długoterminowej (LSTM) to cykliczna sieć neuronowa, która jest używana w szeregach czasowych w celu uwzględnienia długoterminowych zależności. Można go szkolić przy użyciu dużej ilości danych, aby uchwycić trendy w szeregu zmiennym.
Wspomniane techniki modelowania są wykorzystywane do regresji szeregów czasowych. W następnych rozdziałach zbadajmy je teraz jeden po drugim.