Анализ временных рядов - + конспект от YandexGPT

Анализ временных рядов - конспект от YandexGPT 00:22 Комбинированные методы предсказания • В видео обсуждаются комбинированные методы предсказания, которые могут быть использованы для улучшения точности прогнозирования временных рядов. • Комбинированные методы могут включать в себя ручные настройки, пайплайн предсказания и методы машинного обучения или глубокого обучения. 02:43 Аддитивная сумма составляющих • Комбинированные методы позволяют представить временной ряд в виде аддитивной суммы составляющих, где одна часть описывается моделью, а другая - нормальным шумом. • Это позволяет использовать более сложные методы для улучшения точности прогнозирования. 07:25 Примеры комбинированных методов • В видео приводятся примеры комбинированных методов, включая использование авторегрессии скользящего среднего, сезонной компоненты и трендовой части. • Комбинированные методы могут быть использованы для моделирования нескольких сезонных компонент и улучшения точности прогнозирования. 13:50 Проблемы с нестационарной сезонностью • Комбинированные методы могут столкнуться с проблемами при работе с нестационарной сезонностью, когда периоды сезонности могут быть разными. • В таких случаях, возможно, потребуется использовать методы, основанные на разложении по ряду Фурье или преобразовании Фурье для более точного прогнозирования. 16:40 Моделирование временных рядов • Видео обсуждает различные модели для анализа временных рядов, включая авторегрессию, регрессию и модель с огибающей. • Отмечается, что авторегрессия может быть полезна для анализа временных рядов с детерминированными компонентами, но может быть недостаточно для анализа временных рядов с шумом. 20:09 Авторегрессия и авторегрессия с шумом • Авторегрессия с шумом, или авторегрессия с авторегрессией, может быть использована для анализа временных рядов с шумом, но может быть недостаточно для анализа временных рядов с детерминированными компонентами. • Обсуждается возможность использования авторегрессии для предсказания дисперсии временного ряда. 23:37 Модификации авторегрессии • Рассматриваются различные модификации авторегрессии, включая использование полносвязных слоев, изменение функции потерь и использование регуляризации. • Обсуждаются преимущества и недостатки этих модификаций. 33:05 Практика предсказания временных рядов • Видео обсуждает использование различных фреймворков для предсказания временных рядов, включая профет, анти-IP и другие. • Отмечается, что не все случаи могут быть учтены в этих фреймворках, и что необходимо строить свои комбинации для решения конкретных задач. 37:25 Построение комбинированной модели • В видео обсуждается несколько подходов к построению комбинированной модели, включая использование временных рядов и ML-моделей. • В частности, рассматривается подход, который заменяет нерегулярные данные и производит предсказание на основе исторических данных. 42:01 Тестирование и валидация модели • Обсуждается проблема использования кросс-валидации для временных рядов, так как это может привести к некорректным результатам. • Вместо этого предлагается использовать несколько модификаций, включая разделение данных на несколько участков для тестирования и валидации. 47:43 Визуализация результатов тестирования • В видео демонстрируется, как можно визуализировать результаты тестирования, используя различные стратегии и метрики. • Обсуждаются преимущества использования нескольких моделей для сравнения и бенчмаркинга. 55:03 Оценка разброса и метрики • В видео обсуждаются различные стратегии получения вероятностного предсказания и оценки разброса. • Разброс может быть оценен с помощью дисперсии, квантилей или интервального разброса. • Интервальный разброс может быть оценен с использованием метода predict interval. 01:03:19 ML Series и редукция временного ряда • ML Series - это практика сведения моделей машинного обучения к анализу временных рядов. • Редукция временного ряда может быть выполнена с использованием различных стратегий, включая рекурсивную, прямую и пакетную. • В видео также обсуждаются возможности использования временных рядов в пайплайнах и их преимущества перед ручным построением цепочек. 01:13:21 Настройка гиперпараметров и выбор моделей • Обсуждение важности настройки гиперпараметров и выбора моделей для конвейеров машинного обучения. • Примеры использования алгоритмов для настройки сезонности и выбора стратегий для прогнозирования. 01:22:04 Ансамбли моделей и развернутое тестирование • Рассмотрение различных вариантов ансамблей моделей, включая ручные, автоансамбли и особые варианты. • Рекомендации по использованию простых моделей для начала работы и развернутого тестирования для оценки эффективности моделей.