До сих пор я говорил о классических подходах к прогнозированию данных временных рядов. Однако важно изучить альтернативные методы, включающие в себя передовые методологии, такие как машинное обучение и глубокое обучение. Существуют разные мнения относительно точности этих последних методов. Некоторые говорят, что эти передовые методы уступают классическим. Тем не менее, полезно учитывать классические методы при работе с данными за короткий период времени и выбирать подходы машинного обучения или глубокого обучения при работе с данными за длительный период.
Отказ от ответственности: некоторые части этой статьи были улучшены с помощью ИИ с использованием сгенерированного ИИ кода Python в качестве основы или перефразирования абзацев в целях повышения ясности.
Классические модели
Прежде чем продолжить, давайте обсудим, что именно мы называем классическими моделями. Эти модели используют традиционные статистические методы и основаны на предположении, что прошлые значения можно использовать для прогнозирования будущих значений. Эти модели относительно просты для понимания и реализации, и они могут быть очень эффективными для прогнозирования многих типов временных рядов, особенно в ситуациях, когда данные не демонстрируют сложных взаимосвязей.
Некоторые модели, которые мы можем найти в этой группе:
- Семейство моделей Авторегрессионное интегрированное скользящее среднее (ARIMA): одномерные модели, такие как AR, MA, ARMA, ARIMA, SARIMA и SARIMAX.
- Экспоненциальное сглаживание: одномерные модели, такие как модели простого, двойного и тройного (Холта-Винтерса) экспоненциального сглаживания.
- Векторная авторегрессия (VAR): расширение моделей AR для обработки многомерных данных. Также включает дополнительные расширения, такие как модели VARMA.
Хотя они в целом эффективны в вычислительном отношении, у них есть некоторые потенциальные недостатки:
- Чувствителен к наличию выбросов
- Чувствителен к нестационарности
- Они могут быть не в состоянии уловить долгосрочные тенденции в данных.
Продвинутые модели
Это несколько причин рассмотреть более сложные и продвинутые модели, основанные на машинном обучении и глубоком…
