Анализ и прогнозирование временных рядов
Опубликованно 22.06.2019 00:06
На протяжении многих лет люди предсказывают климатические условия, экономические и политические события и спортивные результаты, в последнее время этот обширный список разрежь ее. Для предсказания различных событий существует много способов разработки прогнозов. Например, интуиция, экспертные мнения, использование прошлых результатов по сравнению с традиционной статистики и прогнозирования временных рядов, является только одним из них, наиболее современный и точный вид прогнозов с широкой областью применения. Метод рядов времени
Метод с использованием временных рядов (TS) - это набор данных, который собирает информацию в течение определенного периода времени. Существуют специальные методы для выделения этого типа: линейные и нелинейные; параметрические и непараметрические; одномерные и многомерные.
Прогнозирование временных рядов приносит с собой уникальный набор возможностей для решения современных задач. Моделирование основывается на исследовании, чтобы установить движущей силой для изменения данных. Процесс происходит в долгосрочной перспективе тенденции сезона, или влияние нерегулярных колебаний, которые характерны для TS, и не наблюдались в других видах анализа.
Автоматическое обучение является компьютерной отрасли, где алгоритмы основаны на данных, и включают в себя искусственные нейронные сети, глубокое обучение, правила ассоциации, дерева решений, обучения с подкреплением и байесовские сети. Разнообразие алгоритмов обеспечивает варианты решения проблем, и каждый из них имеет свои собственные требования и обязательства, для ввода данных, скорость и точность результатов. Они, наряду с точностью конца предсказания, он весил, когда пользователь решает, какой алгоритм лучше работает для изучения ситуации.
Прогнозирование временных рядов принятия области статистики, но дает новые подходы для моделирования задач. Основная проблема для машинного обучения и временных рядов один и тот же - прогнозировать результаты в базе данных ранее известных. Цель моделей прогнозирования
TS-это набор точек данных, собранных через постоянные интервалы времени. Анализируются для определения долгосрочного тренда, чтобы предсказать будущее или выполнять любой другой вид анализа. Есть 2 вещи, которые отличают TS типичных проблем регрессии: Они зависят от времени. Таким образом, основное предположение о модели линейной регрессии, что указывает на то, что наблюдения являются независимыми, в этом случае не выполняется. Наряду с тенденцией к увеличению или уменьшению, большинство чаев имеют какой-либо формы сезонность, то есть, изменений, характерных для определенного периода времени.
Цель модели прогнозирования временных рядов, дать точный прогноз запросу. Временной ряд-это время (t) в качестве независимой переменной и зависимой переменной. В большинстве случаев прогноз является конкретный результат, например, стоимость дома в продаже, спортивный, итог соревнований, результаты торгов на бирже. Прогноз медианы и среднего, и включает в себя доверительный интервал, выражает уровень силы в диапазоне от 80% до 95%. При установлении через регулярные промежутки времени, процессы называются временные ряды и выражаются двумя способами: это не было моим с индексом времени, что создает неявный порядок; набор из двух измерений: времени независимой переменной и зависимой переменной.
Создание ролей и является одной из самых важных и трудоемких задач в машинном обучении. Тем не менее, в прогнозировании временных рядов не создаются функции, по крайней мере, в традиционном смысле. Это особенно верно, когда требуется предсказать результат на несколько шагов вперед, и не только следующий параметр.
Это не означает, что функция строго запрещено. Только следует использовать с осторожностью по следующим причинам: Не ясно, какие они-будущие фактические значения для этих функций. Если объекты являются предсказуемыми и имеют некоторые закономерности, можно построить модель прогнозирования для каждого из них.
Однако, следует иметь в виду, что использование для прогнозирования значений как признаки распространен ошибка в целевой переменной и приводит к ошибкам или даст перемещенных прогнозы. Компоненты временного ряда
Тенденция существует, если ряд возрастает, уменьшается или остается постоянным во времени, поэтому он соглашается на роль. Сезонность ссылается на свойство временного ряда, которая показывает, газеты шаблоны, повторяющиеся с определенной частотой (m), например, m = 12 означает, что шаблон повторяется каждые двенадцать месяцев.
Фиктивные переменные, похожее на сезонности, можно добавить в виде бинарной функции. Может, например, иметь в виду, праздников, специальных мероприятий, маркетинговых кампаний, независимо от того, если значение отличается, или нет. Однако, нужно помнить, что эти переменные должны иметь определенные шаблоны. При этом количество дней может быть легко вычислено даже для будущих периодов и влияния на прогноз на основе временных рядов, особенно в финансовой сфере.
Циклы-это время года, которые не производят на фиксированной скорости. Например, ежегодные атрибуты воспроизведения, рыси, канадский отражают сезонные и циклические. Которые не повторяются регулярно и могут возникнуть даже в том случае, если частота равна 1 (m = 1).
Lagged values - в качестве предикторов может включать запаздывающие значения переменной. Некоторые модели, такие, как ARIMA, векторный авторов (VAR), или профессиональные писатели нейронные сети (NNAR), работают именно таким образом.
Компонентов с переменной скоростью, очень важны для анализа временных рядов и прогнозирования, чтобы понять его поведение, шаблоны, а также иметь возможность выбрать подходящую модель. Атрибутов в наборе данных
Возможно, программист, привык писать тысячи, миллионы и миллиарды точек данных в модели машинного обучения, но не является обязательным для временных рядов. На самом деле, можно работать с малым и средним TS, в зависимости от частоты и типа переменной, и это не является недостатком метода. Кроме того, в самом деле, в таком подходе есть ряд преимуществ: Эти наборы данных будут соответствовать возможностям хозяев. В некоторых случаях, проводят анализ временных рядов и прогнозирование, используя весь набор данных, а не только образец. Длина TS полезна для создания диаграмм, которые могут быть проанализированы. Это очень важно, потому что программисты основаны на диаграмме этапа анализа. Это не означает, что они не работают с крупными сериями времени в начале, но должны быть в состоянии обрабатывать более мелких TS. Любой набор данных, который содержит поля, связанные со временем, могут извлечь выгоду из анализа временных рядов и прогнозирования. Однако, если разработчик имеет больший набор данных, баз данных (TSDB) может быть наиболее подходящим.
Некоторые из этих групп происходят события, записанные временные метки записей системы и финансовых данных. Потому что TSDB изначально работает с временными рядами, является прекрасной возможностью, чтобы применить эту технику крупномасштабных наборов данных. Машинное обучение
Машинное обучение (МО), можно преодолеть традиционные методы прогнозирования временных рядов. Есть много исследований, в которых методы машинного обучения в сравнении с более классическими статистическими данными TS. Нейронные сети-это одна из технологий, которая широко исследована и применяется подходов TS. Методы машинного обучения, являются лидерами в рейтинге по сбору данных на основе временных рядов. Эти подходы доказали свою эффективность, преодоление подходов, с чистыми TS в соревнованиях с М3 или Kaggle.
МО имеет свои конкретные проблемы. Развитие функций или создание новых предикторов набор данных-это важный шаг для него и может оказать огромное влияние на производительность и, при необходимости, чтобы решить проблемы, тенденции и сезонности данных TS. Кроме того, некоторые модели проблем, что хорошо коррелирует с данными, а если нет, то можно пропустить основную тенденцию.
Временные ряды и подходов машинного обучения не должны существовать изолированно друг от друга. Могут быть объединены вместе, чтобы дать преимущества каждого подхода. Методы прогнозирования и анализ временных рядов хорошо, разложение данных, тренда и сезонных элементов. Затем этот анализ можно использовать в качестве входных данных для модели mo, который имеет в своем алгоритме информации, касающейся тенденций и сезонности, что дает лучшее из двух вариантов. Понимание задачи
Для примера можно рассмотреть TS, связанные с предсказанием количества пассажиров нового скоростного железнодорожного транспорта. Например, имеются данные за 2 года (август, 2016 сентябрь 2018 г.), и с помощью этих данных необходимо спрогнозировать количество пассажиров на ближайшие 7 месяцев, данные 2 года (2016-2018) в почасовом количество путешественников, и необходимо оценить количество из них в будущем.
Подмножество набора данных для прогноза временных рядов: Создание поездов и тестовый файл для тестирования. Первые 14 месяцев (август 2016 - октябрь 2017 года, используются в качестве данных для обучения и следующих 2 месяцев (ноябрь 2017, декабрь 2017 года) - данные тестирования. Добавление набора данных на ежедневной основе.
Выполняют визуализацию данных, чтобы знать, как изменяются в течение определенного периода времени.
Метод построения Naive Approach
Библиотеки, которые в данном случае были использованы для прогнозирования TS, - statsmodels. Необходимо установить, прежде чем применять любой из этих методов. Возможно, statsmodels уже установлен в среде Python, но не поддерживает методы прогнозирования, которые необходимо клонировать из репозитория и установить с исходным кодом.
Для этого примера, что означает, что цены на перевозки монет стабильными с начала и в течение всего периода времени. Этот метод предполагает, что надежда точка равна последней наблюдаемой точки и называется Naive Approach (Наивный метод).
Теперь вычисляются стандартные отклонения, для проверки точности модели в наборе тестовых данных. Значения СКО и диаграммы можно сделать вывод, что Байеса не подходит для случаев с высокой изменчивостью, и используется для более стабильными. Среднее арифметическое стиль
Чтобы продемонстрировать графический метод, предполагая, что ось y показывает цену, а ось X-это время (в днях).
Из него можно сделать вывод, что цена увеличивается и уменьшается случайным образом с небольшим отрывом, так что, в среднем остается постоянной. В этом случае, вы можете прогнозировать цены на следующий период похож на средний каждый день.
Этот метод прогнозирования ожидаемой в среднем от ранее наблюдаемых точек, называется простой средней, метод.
При этом принимают известные ранее значения, вычисляет среднее арифметическое и принимают в качестве следующего значения. Конечно, это не совсем верно, но очень близко, и есть моменты, в которых этот метод работает лучше всего.
Из результатов, приведенных в диаграмме, можно увидеть, что этот метод работает лучше всего, когда среднее значение для каждого периода времени остается постоянной. Хотя наивный метод-это лучше, чем среднее, но не для всех наборов данных. Рекомендуется шаг за шагом проверить каждую модель и посмотреть, улучшает ли он результат или нет. Модель скользящего среднего
На основе этой диаграммы можно сделать вывод, что цены в несколько раз увеличилось прошлом, с большим отрывом, но сейчас стабильные. Чтобы использовать метод, описанный выше скользящей средней, нужно взять среднее значение из всех исторических данных. Цены начального периода сильно влияют на перспективы на следующий период. Поэтому, так как улучшения по сравнению с простым средним берут среднее значение цен за последние периоды времени.
Этот метод прогнозирования называется методикой скользящего среднего, которое иногда называют "скользящее окно" размер "n". С помощью простой модели, предсказывают следующее значение Ц для проверки точности способа. Очевидно, что Наивная превышает в среднем и Moving Average для этого набора данных.
Существует вариант прогноза методом экспоненциального сглаживания. В методе скользящей средней, также были взвешены последние "n" наблюдений. В этом случае, вы можете столкнуться с ситуаций, в каждой из прошлого 'n' влияет на прогноз в своем роде. Этот параметр, который по-разному весит более ранних наблюдений, называется методом взвешенного скользящего среднего. Экстраполяция шаблоны
Одной из самых важных характеристик, необходимых для рассмотрения алгоритмов прогнозирования временных рядов, является способность экстраполировать шаблоны, за рамки обучающих данных. Многие алгоритмы МО, не имеют такой возможности, потому что, как правило, ограничиваться только областью, которая определяется с помощью обучающих данных. Таким образом, не подходят для TS, для прогнозирования результатов в будущем.
Еще одно важное свойство алгоритма TS является возможность получения доверительных интервалов. Хотя это свойство по умолчанию для модели TS, и большинство моделей МО-не имеют этой возможности, поскольку не все они основаны на статистических распределений.
Не стоит думать, что для прогнозирования TS используются только простые статистические методы. Это совсем не так. Есть много сложных методов, которые могут быть очень полезны в особых случаях. Резюме авторизации условного спасибо (GARCH), байесовского и VAR - только некоторые из них.
Также есть модели, нейронные сети, которые можно применять для временного ряда, которые используют запаздывающие предсказателей и могут обрабатывать такие функции, как профессиональные нейронных сетей (NNAR). Существуют даже модели временных рядов, взятых из сложной рассмотреть, в частности, в семье — рекуррентной нейронной сети, такие как сети LSTM и ГРУ. Показатель оценки и диагностики отходов
Наиболее часто расчеты показателей для предсказания средних квадратов. средние значения, которые многие используют для решения проблем регрессии: MAPE, поскольку не зависит от масштаба и представляет собой отношение ошибки на фактические значения, в процентах; MASE, который показывает, насколько хорошо предсказывает, по сравнению с наивной media проекции.
После того, как методом прогнозирования было номера, важно оценить, насколько хорошо он способен фиксировать модель. Хотя оценки показателя помогают определить, насколько близкие значения являются реальными, они не оценивают, соответствует ли модель TS. Остатки-это хороший способ оценить это. Потому, что программист пытается применить шаблоны TS, можно ожидать, что ошибки могут вести себя как "белый шум", потому что они представляют то, что не может быть задокументировано в модели.
"Белый шум", должен иметь следующие свойства: Остатки корреляции (Acf = 0) Остатки имеют нормальное распределение с media ноль (не менее) и постоянной дисперсией. Если какое-либо из этих свойств не отображается, это означает, что в модели есть место для улучшения. Свойства нулевого среднего можно легко проверить с помощью T-критерия. Свойства нормальной и постоянной дисперсии визуально контролируют с помощью гистограммы остатков или одномерный тест нормальности. Модель ARIMA
ARIMA - модель AutoRegressive Integrated Moving Average, является одним из наиболее популярных методов, используемых в прогнозировании TS, главным образом, через автокорреляцию данных для создания модели высокого качества.
В оценке факторов, ARIMA, основное предположение состоит в том, что данные являются стационарными. Это означает, что тенденция и сезонность не влияет на разброс. Качество модели может быть оценено путем сравнения временной диаграммы фактических значений с нормативными. Если обе кривые близки, то можно предположить, что модель подходит сиреной случаю. Необходимо выявить все тенденции и сезонность, если таковые имеются.
Затем, анализ остатков должен отображаться, если модель: случайные остатки указывают на то, что она является точной. Адаптация ARIMA с параметрами (0,1,1) даст те же результаты, что экспоненциальное сглаживание, и использование параметров, (0,2,2), дает результаты двойного экспоненциального сглаживания.
Можно получить доступ к настройкам ARIMA в Excel: Начинаются Excel. На панели инструментов расположены XL MINER. На ленте в выпадающем меню выбирают ARIMA.
Набор возможностей модели ARIMA: ARIMA - разрешение интегрированного скользящего среднего. Модель прогнозирования, используемого в анализе временных рядов. Синтаксис параметров ARIMA : ARIMA (p, d, q), где p = номер разрешения членов, d = количество сезонных различий и q = число членов скользящего среднего. Алгоритмы SQL Server
Осуществление кросс прогнозирования является одной из важных характеристик временного ряда для прогнозирования финансовых задач. Если используются две взаимосвязанные серии, полученную модель можно использовать для прогнозирования результатов ряда на основе поведения других.
SQL Server 2008 имеет новые мощные функции временных рядов, которые нужно изучать и использовать. Средство легко доступны, данные, TS, простой в использовании интерфейс для моделирования и воспроизведения функций алгоритм и окно объяснить, со ссылкой на запросы расширений интеллектуального анализа данных на стороне сервера, чтобы можно было понять, что происходит внутри.
Временные ряды рынок-это широкая область, к которой могут быть применены модели и алгоритмы глубокого обучения. Банки, брокеры и фонды сегодня испытывают к ее реализации анализ и прогноз индексов, валют, фьючерсов, цены на стекло публичных акций и многое другое.
В прогнозировании временных рядов нейронной сети находится предсказуемые, при изучении структуры и тенденции рынка, и дает Совет торговцев. Эти сети также могут помочь в обнаружении аномалий, таких как непредвиденных скачков, падения, разворота тренда и изменения уровня. Многие модели искусственного интеллекта, используются для финансовых прогнозов.
Иван Фролов
Категория: Студентам