Uzun illərdir insanlar hava şəraitini, iqtisadi və siyasi hadisələri və idman nəticələrini proqnozlaşdırırdılar, bu yaxınlarda bu geniş siyahı kriptovalyutalarla tamamlandı. Çox yönlü hadisələri proqnozlaşdırmaq üçün proqnozlar hazırlamağın bir çox yolu var. Məsələn, intuisiya, ekspert rəyləri, ənənəvi statistika ilə müqayisə etmək üçün keçmiş nəticələrdən istifadə və zaman sıralarının proqnozlaşdırılması onlardan yalnız biridir, eyni zamanda geniş tətbiq spektrinə malik ən müasir və dəqiq proqnoz növü.
Zaman seriyası metodu
Vaxt seriyası (TS) metodu müəyyən vaxt ərzində məlumat toplayan verilənlər toplusudur. Bu növü çıxarmaq üçün xüsusi üsullar var:
- xətti və qeyri-xətti;
- parametrik və qeyri-parametrik;
- birölçülü və çoxölçülü.
Proqnoz vaxtıseriyası bugünkü çağırışlara cavab vermək üçün unikal imkanlar dəsti gətirir. Modelləşdirmə məlumat dəyişikliyinin arxasında duran hərəkətverici qüvvənin yaradılmasını öyrənməyə əsaslanır. Proses TS üçün xarakterik olan və digər analiz növlərində görünməyən uzunmüddətli tendensiyalar, mövsümi təsirlər və ya qeyri-müntəzəm dalğalanmalardan irəli gəlir.
Maşın öyrənməsi alqoritmlərin verilənlərdən tərtib edildiyi və süni neyron şəbəkələri, dərin öyrənmə, assosiasiya qaydaları, qərar ağacları, gücləndirici öyrənmə və Bayes şəbəkələrini əhatə edən kompüter elminin bir sahəsidir. Müxtəlif alqoritmlər problemlərin həlli üçün seçimlər təqdim edir və hər birinin öz tələbləri və verilənlərin daxil edilməsi, sürət və nəticələrin dəqiqliyi baxımından üstünlükləri var. İstifadəçi tədqiq olunan vəziyyət üçün hansı alqoritmin daha yaxşı işləyəcəyinə qərar verdikdə bunlar, yekun proqnozların dəqiqliyi ilə yanaşı ölçüləcək.
Vaxt seriyalarının proqnozlaşdırılması statistika sahəsindən götürür, lakin problem modelləşdirməsinə yeni yanaşmalar verir. Maşın öyrənməsi və zaman seriyası üçün əsas problem eynidir - əvvəllər məlum olan məlumatlar əsasında yeni nəticələri proqnozlaşdırmaq.
Proqnoz modelinin hədəfi
TS müntəzəm intervallarla toplanan məlumat nöqtələri toplusudur. Onlar uzunmüddətli tendensiyanı müəyyən etmək, gələcəyi proqnozlaşdırmaq və ya başqa bir növ təhlil aparmaq üçün təhlil edilir. TS-ni normal reqressiya problemindən fərqləndirən 2 şey var:
- Onlar zamandan asılıdır. Belə kimüşahidələrin müstəqil olduğuna dair xətti reqressiya modelinin əsas fərziyyəsi bu halda uyğun gəlmir.
- Artan və ya azalan tendensiya ilə yanaşı, əksər TS-lərdə mövsümilik var, yəni müəyyən zaman dövrünə xas olan dəyişikliklər.
Vaxt seriyasının proqnozlaşdırılması modelinin məqsədi tələb üzrə dəqiq proqnoz verməkdir. Zaman seriyası müstəqil dəyişən və hədəf asılı dəyişən kimi vaxta (t) malikdir. Əksər hallarda proqnoz konkret nəticədir, məsələn, evin satış qiyməti, müsabiqənin idman nəticəsi, birjada ticarətin nəticələri. Proqnoz medianı və ortanı təmsil edir və 80-95% diapazonunda etimad səviyyəsini ifadə edən etimad intervalını ehtiva edir. Onlar müntəzəm intervallarla qeydə alındıqda, proseslər zaman sıraları adlanır və iki şəkildə ifadə edilir:
- gizli sifariş yaradan zaman indeksi ilə bir ölçülü;
- iki ölçüsü olan dəst: müstəqil dəyişənli vaxt və başqa asılı dəyişən.
Xüsusiyyətlərin yaradılması tətbiqi maşın öyrənməsində ən vacib və vaxt aparan vəzifələrdən biridir. Bununla belə, zaman sıralarının proqnozlaşdırılması ən azı ənənəvi mənada xüsusiyyətlər yaratmır. Bu, nəticəni yalnız növbəti dəyəri deyil, bir neçə addım irəlidə proqnozlaşdırmaq istədiyiniz zaman doğrudur.
Bu o demək deyil ki, funksiyalar tamamilə deaktiv edilib. Onlar yalnız aşağıdakı səbəblərə görə ehtiyatla istifadə edilməlidir:
- Gələcəyin real olduğu aydın deyildəyərlər bu funksiyalar üçün olacaq.
- Obyektlər proqnozlaşdırıla biləndirsə və bəzi nümunələr varsa, onların hər biri üçün proqnozlaşdırıcı model yarada bilərsiniz.
Lakin nəzərə alın ki, proqnozlaşdırıcı dəyərlərin xüsusiyyətlər kimi istifadə edilməsi xətanı hədəf dəyişənə yayacaq və səhvlərə və ya qərəzli proqnozlara gətirib çıxaracaq.
Zaman seriyası komponentləri
Trend zamanla seriya artdıqda, azaldıqda və ya sabit səviyyədə qaldıqda mövcuddur, ona görə də o, funksiya kimi qəbul edilir. Mövsümilik sabit tezlikdə (m) təkrarlanan dövri nümunələri göstərən zaman seriyasının xüsusiyyətinə aiddir, məsələn, m=12 nümunənin hər on iki aydan bir təkrarlanması deməkdir.
Mövsümiliyə bənzər dummy dəyişənlər binar funksiya kimi əlavə edilə bilər. Siz, məsələn, dəyərin xarici olub-olmamasından asılı olmayaraq bayramları, xüsusi tədbirləri, marketinq kampaniyalarını nəzərə ala bilərsiniz. Ancaq yadda saxlamaq lazımdır ki, bu dəyişənlərin müəyyən nümunələri olmalıdır. Bununla belə, günlərin sayı hətta gələcək dövrlər üçün də asanlıqla hesablana bilər və xüsusilə maliyyə sahəsində vaxt seriyalarının proqnozuna təsir göstərə bilər.
Sikkllər sabit sürətlə baş verməyən fəsillərdir. Məsələn, Kanada vaşaqının illik çoxalma atributları mövsümi və tsiklik nümunələri əks etdirir. Onlar müntəzəm fasilələrlə təkrarlanmır və tezlik 1 (m=1) olduqda belə baş verə bilər.
Gecikmiş dəyərlər -dəyişənin geridə qalan dəyərləri proqnozlaşdırıcılar kimi daxil edilə bilər. ARIMA, Vektor Avtoreqressiya (VAR) və ya Avtoreqressiv Neyron Şəbəkələri (NNAR) kimi bəzi modellər bu şəkildə işləyir.
Maraq dəyişənlərinin komponentləri zaman sıralarının təhlili və proqnozlaşdırılması, onların davranışını, nümunələrini anlamaq və uyğun modeli seçə bilmək üçün çox vacibdir.
Data dəsti atributları
Maşın öyrənmə modellərinə minlərlə, milyonlarla və milyardlarla məlumat nöqtələrini daxil etməyə öyrəşmiş ola bilərsiniz, lakin bu zaman seriyası üçün tələb olunmur. Əslində, dəyişənin tezliyindən və növündən asılı olaraq kiçik və orta TS ilə işləmək mümkündür və bu, metodun dezavantajı deyil. Üstəlik, bu yanaşmanın bir sıra üstünlükləri var:
- Belə məlumat dəstləri ev kompüterinin imkanlarına uyğun olacaq.
- Bəzi hallarda, yalnız bir nümunə deyil, bütün məlumat dəstindən istifadə etməklə zaman sıralarının təhlili və proqnozlaşdırılmasını həyata keçirin.
- TS uzunluğu təhlil edilə bilən qrafiklər yaratmaq üçün faydalıdır. Bu çox vacib bir məqamdır, çünki proqramçılar təhlil mərhələsində qrafika etibar edirlər. Bu o demək deyil ki, onlar nəhəng vaxt seriyaları ilə işləmirlər, lakin əvvəlcə onlar daha kiçik TS-ləri idarə edə bilməlidirlər.
- Vaxtla əlaqəli sahəni ehtiva edən hər hansı verilənlər bazası zaman sıralarının təhlili və proqnozlaşdırılmasından faydalana bilər. Bununla belə, proqramçı daha böyük məlumat dəstinə malikdirsə, DB (TSDB)daha uyğun ola bilər.
Bu dəstlərin bəziləri vaxt damğası, sistem qeydləri və maliyyə məlumatları ilə qeydə alınmış hadisələrdən gəlir. TSDB yerli vaxt seriyası ilə işlədiyi üçün bu, bu texnikanı böyük miqyaslı verilənlər bazalarına tətbiq etmək üçün əla fürsətdir.
Maşın öyrənməsi
Maşın öyrənməsi (ML) ənənəvi zaman sıralarının proqnozlaşdırılması metodlarından üstün ola bilər. Maşın öyrənmə üsullarını TS məlumatlarında daha klassik statistik metodlarla müqayisə edən bir ton araşdırma var. Neyron şəbəkələri geniş şəkildə tədqiq edilmiş və TS yanaşmalarını tətbiq edən texnologiyalardan biridir. Maşın öyrənmə metodları zaman sıralarına əsaslanan məlumatların toplanması üçün reytinqlərə rəhbərlik edir. Bu dəstlər M3 və ya Kaggle ilə müqayisədə təmiz TS dəstlərini üstələməklə effektiv olduğunu sübut etdi.
MO-nun özünəməxsus problemləri var. Verilənlər toplusundan xüsusiyyətlərin inkişafı və ya yeni proqnozlaşdırıcıların yaradılması onun üçün mühüm addımdır və performansa böyük təsir göstərə bilər və TS məlumatlarının trend və mövsümi problemlərini həll etmək üçün zəruri bir yol ola bilər. Həmçinin, bəzi modellərin dataya uyğunluğu ilə bağlı problemlər var və uyğun gəlmirsə, onlar əsas trendi əldən verə bilərlər.
Zaman seriyası və maşın öyrənmə yanaşmaları bir-birindən təcrid olunmuş şəkildə mövcud olmamalıdır. Hər bir yanaşmanın faydalarını vermək üçün onlar birləşdirilə bilər. Proqnozlaşdırma üsulları və zaman seriyalarının təhlili məlumatları trend və mövsümi məlumatlara parçalamaqda yaxşıdır.elementləri. Bu təhlil daha sonra alqoritmində trend və mövsümilik məlumatı olan və hər iki dünyanın ən yaxşısını verən ML modelinə giriş kimi istifadə edilə bilər.
Problem ifadəsini başa düşmək
Məsələn, yeni yüksəksürətli dəmir yolu xidmətində sərnişinlərin sayının proqnozlaşdırılması ilə bağlı TS-i nəzərdən keçirək. Məsələn, sizin 2 illik məlumatınız var (avqust 2016 - Sentyabr 2018) və bu məlumatla siz növbəti 7 ay üçün sərnişinlərin sayını 2 illik məlumat (2016-2018) ilə saat səviyyəsində proqnozlaşdırmalısınız. səyahət edən sərnişinlərin sayı, və gələcəkdə onların sayını təxmin etmək lazımdır.
Vaxt seriyası ilə proqnozlaşdırma üçün verilənlər toplusunun alt dəsti:
- Simulyasiya üçün qatar və test faylı yaradılır.
- İlk 14 ay (Avqust 2016 - Oktyabr 2017) təlim datası kimi, sonrakı 2 ay isə (Noyabr 2017 - Dekabr 2017) sınaq datası kimi istifadə olunur.
- Data dəstini gündəlik olaraq toplayın.
Müəyyən müddət ərzində onun necə dəyişdiyini görmək üçün verilənlərin vizuallaşdırılmasını həyata keçirin.
Sadəlövh yanaşma tikinti metodu
Bu halda TS proqnozu üçün istifadə olunan kitabxana statsmodellərdir. Bu yanaşmalardan hər hansı birini tətbiq etməzdən əvvəl quraşdırılmalıdır. Ola bilsin ki, statsmodels artıq Python mühitində quraşdırılıb, lakin metodları dəstəkləmirproqnozlaşdırdığınız üçün onu depodan klonlamalı və mənbədən quraşdırmalısınız.
Bu misal üçün bu o deməkdir ki, sikkə ilə səyahət qiymətləri əvvəldən və bütün müddət ərzində sabitdir. Bu üsul növbəti gözlənilən nöqtənin sonuncu müşahidə olunan nöqtəyə bərabər olduğunu güman edir və Sadə yanaşma adlanır.
İndi test verilənlər toplusunda modelin düzgünlüyünü yoxlamaq üçün standart kənarlaşmanı hesablayın. RMSE dəyərindən və yuxarıdakı qrafikdən belə nəticəyə gələ bilərik ki, Naive yüksək dəyişkənlik opsionları üçün uyğun deyil, lakin stabil olanlar üçün istifadə olunur.
Sadə orta stil
Metodu nümayiş etdirmək üçün Y oxunun qiyməti, X oxunun isə vaxtı (günləri) ifadə etdiyini nəzərə alaraq diaqram çəkilir.
Bundan belə nəticəyə gələ bilərik ki, qiymət kiçik bir marja ilə təsadüfi olaraq artır və azalır, beləliklə, orta dəyər sabit qalır. Bu halda, bütün ötən günlər üçün orta qiymətə bənzər növbəti dövrün qiymətini proqnozlaşdıra bilərsiniz.
Əvvəllər müşahidə edilən balların gözlənilən ortası ilə proqnozlaşdırmanın bu üsulu sadə orta metod adlanır.
Bu zaman əvvəllər məlum olan qiymətlər götürülür, orta hesablanır və növbəti qiymət kimi götürülür. Bu, əlbəttə ki, dəqiq olmayacaq, lakin olduqca yaxındır və bu metodun ən yaxşı işlədiyi vəziyyətlər var.
Qrafikdə göstərilən nəticələrə əsasən, bu üsul hər zaman dövrü üzrə orta dəyər sabit qaldıqda ən yaxşı işləyir. Baxmayaraq ki, sadəlövh metod orta göstəricidən daha yaxşıdır, lakin bütün məlumat dəstləri üçün deyil. Hər bir modeli addım-addım sınamaq və onun nəticəni yaxşılaşdırıb-yaxşılamadığını görmək tövsiyə olunur.
Hərəkətli Orta Model
Bu qrafikə əsasən belə nəticəyə gələ bilərik ki, qiymətlər keçmişdə bir neçə dəfə geniş fərqlə artıb, lakin hazırda sabitdir. Əvvəlki orta hesablama metodundan istifadə etmək üçün bütün əvvəlki məlumatların ortasını götürməlisiniz. İlkin dövrün qiymətləri növbəti dövrün proqnozuna güclü təsir göstərəcək. Buna görə də, sadə orta göstəricidən irəliləyiş kimi yalnız son bir neçə dövr üçün qiymətlərin ortasını götürün.
Bu proqnozlaşdırma texnikası hərəkətli orta texnika adlanır, bəzən "n" ölçülü "hərəkətli pəncərə" kimi istinad edilir. Sadə bir modeldən istifadə edərək, metodun düzgünlüyünü yoxlamaq üçün TS-də növbəti dəyər proqnozlaşdırılır. Aydındır ki, Sadəlövh bu data dəsti üçün həm Orta, həm də Hərəkətli Ortadan üstündür.
Sadə eksponensial hamarlaşdırma üsulu ilə proqnozun variantı var. Hərəkətli ortalama metodunda keçmiş "n" müşahidələri bərabər ölçülür. Bu halda, keçmiş 'n' hər birinin proqnoza özünəməxsus şəkildə təsir etdiyi vəziyyətlərlə qarşılaşa bilərsiniz. Keçmiş müşahidələrə fərqli çəki verən bu variasiya metod adlanırçəkili hərəkətli orta.
Nümunələrin ekstrapolyasiyası
Vaxt silsiləsi proqnozlaşdırma alqoritmlərini nəzərə almaq üçün lazım olan ən vacib xüsusiyyətlərdən biri təlim məlumatı domenindən kənar nümunələri ekstrapolyasiya etmək bacarığıdır. Bir çox ML alqoritmləri bu imkana malik deyillər, çünki onlar təlim məlumatları ilə müəyyən edilən bölgə ilə məhdudlaşırlar. Buna görə də, onlar nəticəni gələcəyə proqnozlaşdırmaq olan TS üçün uyğun deyil.
TS alqoritminin digər mühüm xassəsi etimad intervallarını əldə etmək imkanıdır. Bu, TS modelləri üçün defolt xüsusiyyət olsa da, əksəriyyəti ML modellərində bu imkan yoxdur, çünki onların hamısı statistik paylanmalara əsaslanmamışdır.
TS-i proqnozlaşdırmaq üçün yalnız sadə statistik metodlardan istifadə edildiyini düşünməyin. Bu heç də belə deyil. Xüsusi hallarda çox faydalı ola biləcək bir çox kompleks yanaşmalar var. Ümumiləşdirilmiş Avtoreqressiv Şərti Heteroskedastiklik (GARCH), Bayesian və VAR onlardan yalnız bəziləridir.
Geriləmə proqnozlaşdırıcılarından istifadə edən və neyron şəbəkəsinin avtoreqressiyası (NNAR) kimi xüsusiyyətləri idarə edə bilən zaman sıralarına tətbiq oluna bilən neyron şəbəkə modelləri də var. Hətta LSTM və GRU şəbəkələri kimi təkrarlanan neyron şəbəkəsi ailəsində mürəkkəb öyrənmədən götürülmüş zaman seriyası modelləri var.
Təxmini Metriklər və Qalıq Diaqnostika
Ən ümumi proqnoz göstəriciləri bunlardırrms, bir çox insanın reqressiya problemlərini həll edərkən istifadə etdiyi deməkdir:
- MAPE, çünki o, miqyasdan müstəqildir və xətanın faktiki dəyərlərə nisbətini faizlə təmsil edir;
- MASE, bu, proqnozun sadəlövh orta proqnozla müqayisədə nə qədər yaxşı performans göstərdiyini göstərir.
Proqnozlaşdırma metodu uyğunlaşdırıldıqdan sonra onun modelləri nə dərəcədə yaxşı tuta biləcəyini qiymətləndirmək vacibdir. Qiymətləndirmə ölçüləri dəyərlərin həqiqi dəyərlərə nə qədər yaxın olduğunu müəyyən etməyə kömək etsə də, modelin TS-yə uyğun olub-olmadığını qiymətləndirmir. Qalanlar bunu qiymətləndirmək üçün yaxşı bir yoldur. Proqramçı TS nümunələrini tətbiq etməyə çalışdığı üçün səhvlərin "ağ səs-küy" kimi davranacağını gözləyə bilər, çünki onlar model tərəfindən tutula bilməyən bir şeyi təmsil edir.
"Ağ səs-küy" aşağıdakı xüsusiyyətlərə malik olmalıdır:
- Əlaqəsiz qalıqlar (Acf=0)
- Qalıqlar sıfır orta (qərəzsiz) və sabit dispersiya ilə normal paylanmaya əməl edir.
- İki xüsusiyyətdən biri yoxdursa, modeldə təkmilləşdirmə üçün yer var.
- Sıfır orta xüsusiyyət T-testindən istifadə etməklə asanlıqla yoxlana bilər.
- Normallıq və sabit dispersiyanın xassələri qalıqların histoqramı və ya müvafiq birdəyişənli normallıq testindən istifadə etməklə vizual olaraq idarə olunur.
ARIMA Model
ARIMA - AvtoReqressiv İnteqrasiya edilmiş Hərəkətli Orta model, TS proqnozlaşdırmasında istifadə edilən ən populyar metodlardan biridir, əsasənyüksək keyfiyyətli modellər yaratmaq üçün verilənlərin avtokorrelyasiyası vasitəsilə.
ARİMA əmsallarını qiymətləndirərkən əsas fərziyyə verilənlərin stasionar olmasıdır. Bu o deməkdir ki, trend və mövsümilik fərqə təsir edə bilməz. Modelin keyfiyyəti faktiki dəyərlərin zaman planını proqnozlaşdırılan dəyərlərlə müqayisə etməklə qiymətləndirilə bilər. Hər iki əyri yaxındırsa, modelin təhlil edilən vəziyyətə uyğun olduğunu güman etmək olar. O, hər hansı tendensiyaları və mövsümiliyi, əgər varsa, açıqlamalıdır.
Qalıqların təhlili daha sonra modelin uyğun olub olmadığını göstərməlidir: təsadüfi qalıqlar onun dəqiq olduğunu bildirir. ARIMA-nın (0, 1, 1) parametrləri ilə uyğunlaşdırılması eksponensial hamarlaşdırma ilə eyni nəticələri verəcək və parametrlərdən (0, 2, 2) istifadə ikiqat eksponensial hamarlaşdırma nəticələrini verəcək.
Siz Excel-də ARIMA parametrlərinə daxil ola bilərsiniz:
- Excel'i başladın.
- Alətlər panelində XL MINER tapın.
- Lentdə, açılan menyudan ARIMA seçin.
ARIMA Model imkanlarının xülasəsi:
- ARIMA - Avtoreqressiv İnteqrasiya edilmiş Hərəkətli Orta.
- Vaxt seriyalarının təhlilində istifadə olunan proqnozlaşdırma modeli.
- ARIMA parametr sintaksisi: ARIMA (p, d, q) burada p=avtoreqressiv şərtlərin sayı, d=mövsümi fərqlərin sayı və q=hərəkət edən orta şərtlərin sayı.
SQL Serverdə alqoritmlər
Çarmıx proqnozu yerinə yetirmək vacib olanlardan biridirmaliyyə tapşırıqlarının proqnozlaşdırılmasında zaman sıralarının xüsusiyyətləri. İki əlaqəli seriya istifadə edilərsə, nəticədə əldə edilən model digərlərinin davranışına əsaslanaraq bir seriyanın nəticələrini proqnozlaşdırmaq üçün istifadə edilə bilər.
SQL Server 2008 öyrənmək və istifadə etmək üçün güclü yeni zaman seriyası xüsusiyyətlərinə malikdir. Alət asanlıqla əldə edilə bilən TS məlumatlarına, alqoritm funksiyalarını simulyasiya etmək və təkrar istehsal etmək üçün istifadəsi asan interfeysə və içəridə nə baş verdiyini başa düşməyiniz üçün server tərəfindəki DMX sorğularına keçidi olan izahat pəncərəsinə malikdir.
Bazar zaman seriyası dərin öyrənmə modelləri və alqoritmlərin tətbiq oluna biləcəyi geniş sahədir. Banklar, brokerlər və fondlar indi indekslər, valyuta məzənnələri, fyuçerslər, kriptovalyuta qiymətləri, hökumət səhmləri və s. üçün təhlil və proqnozlaşdırmanın tətbiqi ilə təcrübə keçirirlər.
Time seriyalarının proqnozlaşdırılmasında neyron şəbəkə bazarların strukturlarını və meyllərini öyrənməklə proqnozlaşdırıla bilən nümunələr tapır və treyderlərə məsləhətlər verir. Bu şəbəkələr həmçinin gözlənilməz zirvələr, enişlər, trend dəyişiklikləri və səviyyə dəyişiklikləri kimi anomaliyaları aşkar etməyə kömək edə bilər. Bir çox süni intellekt modelləri maliyyə proqnozları üçün istifadə olunur.
