Аналіз часових рядів

🔬 Компоненти часових рядів

Тренд

Довгострокова зміна середнього значення. Зростання, спад, стабільність. Виявляється через детрендинг, різниці. Моделюється через лінійну/поліноміальну регресію.

Сезонність

Періодичні коливання з фіксованою частотою (добова, тижнева, річна). Виявляється через сезонну декомпозицію. Моделюється через сезонні ARIMA, додаткові змінні.

Циклічність

Коливання без фіксованої частоти (бізнес-цикли). Відрізняється від сезонності нерегулярністю. Моделюється через AR компоненти.

Шум

Випадкові коливання, непередбачувана частина. Білий шум (некорельований) або автокореляція. Моделюється через MA компоненти.

🎯 Моделі

ARIMA

AutoRegressive Integrated Moving Average: AR (авторегресія), I (інтеграція для стаціонарності), MA (ковзне середнє). (p,d,q) параметри. Класична модель, добре для стаціонарних рядів.

SARIMA

Seasonal ARIMA: додає сезонні компоненти (P,D,Q,s). Моделює сезонність явно. Використовується для рядів з сезонністю.

LSTM

Long Short-Term Memory: рекурентні нейронні мережі для часових рядів. Запам'ятовує довгі залежності. Добре для складних нелінійних патернів. Популярний у deep learning.

Prophet

Facebook Prophet: автоматична модель для часових рядів з трендами, сезонністю. Робоча з викидами, відсутніми даними. Простий у використанні, добре для бізнесу.

💻 Техніки

Стаціонарність

Властивість: середнє та дисперсія не змінюються в часі. ARIMA потребує стаціонарності. Достигається через диференціювання (differencing). Перевірка: ADF test.

Декомпозиція

Розкладання на компоненти: тренд, сезонність, залишок. STL (Seasonal and Trend decomposition), classical. Допомагає розуміти структуру, очистити дані.

Ковзне середнє

Simple Moving Average, Exponential Smoothing для згладжування, базове передбачення. Прості, швидкі методи. Використовуються для базових прогнозів.

🏭 Застосування

Фінанси

Курси валют, акцій, передбачення ринків. Висока волатильність, складні патерни. LSTM, трансформери для складних залежностей.

Продажі

Передбачення попиту, планування. Сезонність важлива. Prophet, SARIMA для автоматичного моделювання сезонності.

Погода

Температура, опади, клімат. Фізичні моделі + ML. Deep learning для складних залежностей.

IoT

Дані з сенсорів, передбачення відмов. Real-time обробка, виявлення аномалій. Важливо для автоматизації.

Спробуйте наживо

Усе, що вище, працює прямо у вашому браузері — відкрийте Hash Function Avalanche Visualizer і змінюйте параметри під час роботи. Нічого не встановлюється, нічого не завантажується на сервер, уся модель живе в одній вкладці.