Модели прогноза временных рядов

Проверьте себя

Пять вопросов из банка по этой подтеме. Всего их 15, остальные разбираются в тренажёре.

1. #ts_modeling1 / 5
   Когда переход на DL (LSTM, N-BEATS, temporal fusion) для прогноза реально оправдан против бустинга?

   A)Глубокие сети точнее бустинга на большинстве временных рядов и объёмов данных

   B)Нет: нейросети технически неприменимы к задаче прогнозирования временных рядов

   C)Много длинных рядов с общими паттернами, сложная сезонность и длинные зависимости; на малых данных выигрывает бустинг/классика

   D)DL оправдан ровно тогда, когда в ряду меньше сотни точек, потому что на коротких рядах сети переобучаются медленнее

   показать ответ и разбор

   +C)Много длинных рядов с общими паттернами, сложная сезонность и длинные зависимости; на малых данных выигрывает бустинг/классика

   // разбор: DL для рядов выстреливает, когда есть масштаб и общая структура: тысячи связанных рядов, длинные зависимости, сложная множественная сезонность, много экзогенных входов (модели типа TFT это используют). На небольших данных и одиночных рядах бустинг и классические модели обычно точнее, проще и дешевле. Универсального превосходства DL нет — это вопрос объёма и структуры данных.

2. #ts_modeling2 / 5
   Что делает экспоненциальное сглаживание (Holt-Winters)?

   A)Прогнозирует, взвешивая прошлое экспоненциально убывающими весами; версии учитывают уровень, тренд и сезонность

   B)Обучает глубокую нейросеть на ряде, подбирая её веса градиентным спуском по множеству эпох обучения

   C)Строит прогноз как простое среднее всех прошлых значений ряда, никак не учитывая их давность во времени

   D)Раскладывает ряд на частоты Фурье и предсказывает каждую отдельную гармонику независимо от прочих

   показать ответ и разбор

   +A)Прогнозирует, взвешивая прошлое экспоненциально убывающими весами; версии учитывают уровень, тренд и сезонность

   // разбор: Экспоненциальное сглаживание строит прогноз как взвешенную сумму прошлых наблюдений, где свежие весят больше (веса убывают экспоненциально). Holt добавляет компоненту тренда, Holt-Winters — ещё и сезонную (аддитивную или мультипликативную). Это простой, быстрый и на удивление сильный бейзлайн для рядов с трендом и сезонностью. Это не нейросеть, не простое среднее и не Фурье-разложение.

3. #ts_modeling3 / 5
   Ряд с недельной сезонностью подали в обычную ARIMA, сезонность осталась в остатках. Что взять?

   A)Просто увеличить порядок обычного дифференцирования d, пока недельная сезонность не исчезнет из ряда сама собой

   B)Ничего менять не нужно: ARIMA по построению сама учитывает сезонность ряда автоматически

   C)Вручную удалить все сезонные пики из ряда перед обучением обычной несезонной модели ARIMA на нём

   D)SARIMA: сезонные члены (P,D,Q)_s с сезонным дифференцированием на лаг периода недели

   показать ответ и разбор

   +D)SARIMA: сезонные члены (P,D,Q)_s с сезонным дифференцированием на лаг периода недели

   // разбор: Обычная ARIMA моделирует только несезонную зависимость, поэтому недельная сезонность оседает в остатках (сезонные пики ACF). SARIMA добавляет сезонные компоненты (P,D,Q) с периодом s (здесь 7) и сезонное дифференцирование на лаг s, снимающее сезонность напрямую. Наращивать обычное d вместо сезонного неверно (переусердствуешь, а сезон останется), ручное вырезание пиков ломает структуру.

4. #ts_modeling4 / 5
   Когда Prophet — уместный выбор для прогноза?

   A)Для сверхвысокочастотных рядов (биржевые тики) с миллисекундной гранулярностью и полным отсутствием сезонности

   B)Когда данных крайне мало — якобы именно Prophet работает на десятке-другом точек ряда

   C)Бизнес-ряды с сильной сезонностью, праздниками и пропусками: аддитивная модель тренд+сезонность+события, настраиваемая аналитиком

   D)Для рядов без сезонности и тренда — Prophet моделирует один лишь чистый шум

   показать ответ и разбор

   +C)Бизнес-ряды с сильной сезонностью, праздниками и пропусками: аддитивная модель тренд+сезонность+события, настраиваемая аналитиком

   // разбор: Prophet — аддитивная модель тренд + (множественная) сезонность + эффекты праздников, устойчивая к пропускам и выбросам и настраиваемая интерпретируемыми ручками. Удобна на бизнес-рядах уровня день/неделя с выраженной сезонностью и календарными событиями, когда нужен быстрый разумный прогноз без тонкого тюнинга. Для тиковых данных и задач с максимальной точностью чаще берут бустинг, DL или ARIMA.

5. #ts_modeling5 / 5
   Спрос на запчасть — редкие ненулевые всплески среди множества нулей. Чем плох прогноз среднего и что берут?

   A)Обычная модель идеальна для таких рядов; никакие специальные методы для прерывистого спроса тут не нужны

   B)Прерывистый спрос: усреднение размазывает редкие продажи в дробное «около нуля»; берут Croston и его варианты

   C)Такие ряды сложно прогнозировать — остаётся держать большой запас на складе про запас

   D)Нужно просто выкинуть все нулевые дни из ряда и прогнозировать оставшиеся ненулевые продажи как обычный ряд

   показать ответ и разбор

   +B)Прерывистый спрос: усреднение размазывает редкие продажи в дробное «около нуля»; берут Croston и его варианты

   // разбор: При прерывистом (intermittent) спросе большинство периодов нулевые, продажи — редкие всплески. Модель, минимизирующая MSE, выдаёт сглаженное дробное значение около нуля — бесполезное для планирования запаса и обманчивое по MAPE. Специальные методы (Croston, SBA, TSB) моделируют раздельно размер всплеска и интервал между ними. Выкидывать нули нельзя — теряется информация о частоте спроса.