2 of 20

Kovariánsok

Az idősorok előrejelzésében a kovariánsok olyan külső változók, amelyek befolyásolhatják az előrejelzett idősor kimenetét.

Például: Ünnepnap, Hétvége, Szezon

A múltbeli és jövőbeli kovariánsok bevonása az idősorok előrejelzésébe javíthatja az előrejelzés pontosságát a külső tényezők hatásának figyelembevételével az elemzett idősorra.

3 of 20

Kovariánsok

A múltbeli kovariánsok olyan külső változók, amelyek már bekövetkeztek és ismertek az előrejelzés időpontjában.

Ezek a változók magukban foglalhatják az idősor történelmi adatait, például az előző időszakok értékeit, valamint más külső tényezőket, amelyek hatással lehetnek az idősorra, például gazdasági mutatókat vagy időjárási mintákat.

https://ai.googleblog.com/2021/12/interpretable-deep-learning-for-time.html

4 of 20

Kovariánsok

Múltbeli kovariáns lehet egy reptér forgalmi idősor esetén:

Hőmérséklet
Időjárás
Üzemanyag ár
Ünnepek

5 of 20

Kovariánsok

A jövőbeli kovariánsok olyan külső változók, amelyek még nem következtek be, de várható, hogy befolyásolják az előrejelzett idősor kimenetét.

Például, ha értékesítéseket előrejelzünk egy kiskereskedelmi vállalkozásnál, akkor a jövőbeli kovariánsok magukban foglalhatják a várható fogyasztói magatartás változásait.

Pl az előttünk álló ünnepek vagy események.

6 of 20

Kovariánsok

Jövőbeli kovariáns lehet egy reptér forgalmi idősor esetén:

Ünnepnap
Időjárás-előrejelzés

7 of 20

Kovariánsok

A legtöbb modellünk kizárólag a múltbeli kovariánsok létét tudja kezelni. Ilyenek:

NBeast model
CNN alapú model (részben)

Léteznek olyan modellek melyek a múlt és jövőbeli kovariánsokat is képessek kezelni. Ilyenek:

Lineáris regressziós modellek
RNN alapú megközelítés
Statisztikai modellek

8 of 20

Miért fontosak a jövőbeli kovariánsok?

Távoli jövőbe történő előrejelzésnél csupán a historikus adatokra támaszkodhatunk
Sokszor a historikus adat nem elegendő
Egy ismert jövőbeli érték javíthatja a modell előrejelzési képességét.

9 of 20

Múlt/Jövőbeli kovariánsok

https://unit8co.github.io/darts/README.html

10 of 20

Idősor előrejelzés Deep Learning modelel

11 of 20

Hogyan készítsük elő az idősoros adatokat a

CNN-ek és LSTM-ek számára?

Az idősoros adatokat át kell alakítani, mielőtt egy felügyelt tanulási modellhez használhatók lennének.

Ebben a formában az adatok azonnal felhasználhatók egy felügyelt gépi tanulási algoritmushoz, és akár egy többrétegű DNN model-hez.

Azonban az RNN és CNN alapú modelekhez további transzformációra van szükség.

12 of 20

Hogyan készítsük elő az idősoros adatokat a

CNN-ek és LSTM-ek számára?

Az eddig használt kétdimenziós szerkezetű felügyelt tanulási adatokat háromdimenziós struktúrává kell átalakítani.

Ez talán a legnagyobb akadálya azoknak a szakembereknek, akik mély tanulási módszereket szeretnének alkalmazni idősorok esetében.

13 of 20

2D adatszerkezet

(sample,features)

features

samples

14 of 20

3D adatszerkezet

features

samples

15 of 20

3D adatszerkezet

(sample,timesteps,features)

features

samples

time

16 of 20

MLP alapú megközelítés

A többrétegű perceptronok, vagy röviden MLP-k alkalmazhatóak idősor-előrejelzésre.

Egy kihívás az MLP-k idősor-előrejelzésre való alkalmazásával kapcsolatban az adatok előkészítése.

Különösen a lag megfigyeléseket jellemző vektorok kell alakítani.

Valójában ez a megoldás semmiben sem különbözik a AR modelleknél eddig is alkalmazott módszernél.

17 of 20

LSTM alapú megközelítés

LSTM

18 of 20

CNN alapú megközelítés

CNN

19 of 20

CNN alapú megközelítés

CNN

https://towardsdatascience.com/how-to-use-convolutional-neural-networks-for-time-series-classification-56b1b0a07a57

20 of 20

Multistep forecast

Az AR-es modelleknél már beszéltünk a multistep-forecast-tól.

Természetesen ez a Deep Learning alapú modelleknél is lehetséges, csupán annyi a teendőnk, hogy az kimeneti layerünk méretét a kívánt szélességre állítjuk be.