Прогнозная аналитика и временные ряды

Лекция 10

План лекции

1. Что такое временные ряды.
2. Методы прогнозирования (ARIMA, LSTM).
3. Применение в финансовой сфере и логистике.

1. Что такое временные ряды

Временные ряды — это последовательность наблюдений, упорядоченных по времени.

Пример

Данные о продажах в цветочном магазине по месяцам, где можно выявить рост и спад по сезонам

Основные характеристики временных рядов

Тренд: общее направление изменения данных со временем (например, рост цен).

Сезонность: повторяющиеся изменения в данных с определенной периодичностью (например, сезонный рост продаж летом).

Шум: случайные колебания, не связанные с трендом или сезонностью.

Тренд

Сезонность

Шум

Вопрос

Что такое временные ряды, и какие их характеристики наиболее важны?

2. Методы прогнозирования (ARIMA, LSTM)

ARIMA (AutoRegressive Integrated Moving Average)

AR

I

MA

предсказание основывается на прошлых значениях временного ряда

разность между значениями ряда для устранения тренда

предсказание основывается на предыдущих ошибках прогноза

ARIMA (AutoRegressive Integrated Moving Average)

Этапы применения:

Стационаризация: преобразование временного ряда для удаления тренда и сезонности.

Выбор параметров модели: p (авторегрессия), d (интеграция), q (скользящее среднее).

​

​

​

​

Обучение модели: настройка коэффициентов AR и MA на исторических данных.

Прогнозирование: использование модели для предсказания будущих значений ряда.

ARIMA (AutoRegressive Integrated Moving Average)

Прогнозирование продаж на основе исторических данных

Предсказание цен на акции

Вопрос

Как работает модель ARIMA,

и в каких случаях она применяется?

LSTM (Long Short-Term Memory)

LSTM — это тип рекуррентной нейронной сети (RNN), который хорошо работает с временными рядами, благодаря способности "запоминать" важные данные из прошлого и игнорировать незначительные.

Input Gate

Output Gate

Forget Gate

LSTM (Long Short-Term Memory). Этапы применения

Предобработка данных

Обучение модели

Прогнозирование

нормализация данных и создание последовательностей для обучения

настройка весов сети на тренировочных данных

использование обученной модели для предсказания следующих значений

LSTM (Long Short-Term Memory). Примеры применения

прогнозирование спроса на товары в интернет-магазинах

анализ электрической нагрузки и предсказание пиков потребления

прогнозирование цен на акции и криптовалюты

Вопрос

Чем LSTM отличается от ARIMA, и какие преимущества она имеет?

3. Применение временных рядов в финансовой сфере

3. Применение временных рядов в логистике

3. Применение временных рядов в других областях

прогнозирование эпидемий

управление и распределение электроэнергии

прогнозирование погоды

Заключение

1. Временные ряды — это последовательность наблюдений, упорядоченных по времени.
2. Основные характеристики временных рядов: тренд, сезонность и шум.
3. ARIMA моделирует временные ряды на основе авторегрессии (AR), скользящего среднего (MA) и интеграции (I). Он хорошо работает, если данные имеют тренд и сезонность, но не слишком сложные зависимости.
4. LSTM (Long Short-Term Memory) работает на основе нейронных сетей. В отличие от ARIMA, он способен учитывать сложные нелинейные зависимости и долгосрочные связи в данных. LSTM особенно полезен для временных рядов с высокой динамикой, где традиционные методы работают хуже.

Заключение (продолжение)

5. В финансовой сфере временные ряды используются для анализа и прогнозирования цен, предсказания рисков, связанных с изменением рыночных условий, прогнозирования вероятности невыплаты кредита на основе исторических данных
6. В сфере логистики временные ряды используются для прогнозирования спроса, планирования маршрутов доставки на основе исторических данных, прогнозирования объема продаж для предотвращения дефицита или излишков.

Прогнозная аналитика и временные ряды

Лекция 10