Прогнозування часових рядів (Time Series Forecasting)

Реалізація прогнозування часових рядів (Time Series Forecasting)

Ми регулярно стикаємося з ситуацією, коли дані — продажі, IoT-датчики або біржові котирування — містять часові залежності, які легко порушити невірним обробленням. Неправильний split або ігнорування сезонності призводять до data leakage та хибно-оптимістичних результатів на backtest. Наприклад, в одному проекті з прогнозування попиту на запчастини seasonal naive давав MAPE 40%, а Prophet — 28%, але тільки після walk-forward валідації з'ясувалося, що Prophet на 10% гірший на останніх трьох місяцях. За кілька років реальних проектів ми реалізували понад 20 систем прогнозування та виробили robust-методологію, якою ділимося нижче. Для кожної задачі підбираємо стек: від класичних SARIMA до сучасних Transformer-архітектур, враховуючи бюджет та вимоги до інтерпретованості. Отримайте консультацію щодо вашого проекту — ми проаналізуємо дані та запропонуємо roadmap за 2–3 дні.

Класифікація часових рядів

Перед вибором методу — аналіз властивостей ряду:

• Стаціонарність: ADF-тест (Augmented Dickey-Fuller). Нестаціонарні ряди вимагають диференціювання або спеціальних методів.
• Сезонність: ACF/PACF аналіз. Одиночна (тижнева) або множинна (тижнева + річна) сезонність впливає на вибір моделі.
• Переривчастість (intermittency): ADI (Average Demand Interval) > 1.32 — спеціальні методи (Croston, IMAPA).
• Нелінійність: тест Teräsvirta / BDS-тест. Лінійні моделі (ARIMA) неадекватні при сильній нелінійності.

Як вибрати модель для часового ряду?

Універсальної відповіді немає — ми порівнюємо кандидатів на історичних даних. Ось типові варіанти з їх trade-off:

• Naive / Seasonal Naive — найпростіший baseline для перевірки, чи складні методи дійсно кращі.
• ETS (Exponential Smoothing) з автоматичним підбором — добре працює на рядах з одиночною сезонністю, але не підтримує множинні сезонності.
• SARIMA — класика з довірчими інтервалами, але повільна при великій кількості спостережень.
• Prophet — зручний для бізнес-даних зі святами, інтерпретований, але програє нейромережам на складних патернах.
• LightGBM з лагами — дає високу точність при множині зовнішніх факторів, але вимагає інженерної роботи над фічами.
• N-BEATS / N-HiTS — SOTA на змаганнях M4/M5, працюють без зовнішніх фіч, але залишаються чорним ящиком.
• Temporal Fusion Transformer — лідер для ансамблів множини рядів, але вимогливий до GPU та даних.
• TimesGPT / TimesFM — foundation-моделі для zero-shot прогнозу, прискорюють старт, але дорогі та менш контрольовані.

Правильний бектестинг

Проблема: стандартний train/test split порушує temporal ordering. Walk-Forward Validation:

|---Train---| Test | |----Train----| Test | |-----Train-----| Test | Average metrics across all windows 

Розмір тестового вікна = прогнозний горизонт. Крок зсуву = горизонт / 2 або = горизонт (без overlap).

Data leakage sources:

• Використання майбутніх даних у scaling (fit scaler на всьому датасеті)
• Target encoding з майбутніми значеннями
• External features з майбутньою інформацією (known future covariates vs. past covariates)

Чому walk-forward валідація обов'язкова?

Без неї будь-яка метрика на тесті буде оптимістичною. Ми гарантуємо, що всі моделі проходять часовий split без overlap. У проектах використовуємо бібліотеку statsforecast з автоматичним підбором вікна. Це єдиний спосіб отримати реалістичну оцінку якості та уникнути переплати за хибні очікування.

Feature Engineering для ML-підходу

Часові features:

df['hour'] = df.index.hour df['day_of_week'] = df.index.dayofweek df['week_of_year'] = df.index.isocalendar().week df['month'] = df.index.month df['is_weekend'] = df['day_of_week'].isin([5, 6]).astype(int) # Cyclical encoding df['sin_hour'] = np.sin(2 * np.pi * df['hour'] / 24) df['cos_hour'] = np.cos(2 * np.pi * df['hour'] / 24) 

Lag features: t-1, t-7, t-14, t-28 для денних даних; t-1, t-24, t-168 для погодинних.

Rolling statistics: середнє, std, min, max за 7/28/90 днів. Різниці: (t-1) - (t-7) для захоплення тренду.

Probabilistic Forecasting

Точковий прогноз без невизначеності — недостатньо для бізнес-рішень. Квантильні прогнози:

• Quantile Regression: LightGBM з objective='quantile', alpha=0.1/0.5/0.9
• Conformal Prediction: теоретично обґрунтовані інтервали, не передбачають розподіл
• Monte Carlo Dropout: у нейромережах — ensemble через dropout в inference
• N-HiTS з квантилями: нативна підтримка в бібліотеці neuralforecast

Production Pipeline

# Приклад з Nixtla / statsforecast from statsforecast import StatsForecast from statsforecast.models import AutoARIMA, AutoETS, AutoTheta models = [AutoARIMA(season_length=7), AutoETS(season_length=7), AutoTheta()] sf = StatsForecast(models=models, freq='D', n_jobs=-1) sf.fit(train_df) forecasts = sf.predict(h=28, level=[80, 95]) 

MLflow tracking: кожен експеримент — версія даних, гіперпараметри, метрики, артефакт моделі. Scheduling: Airflow DAG для щоденного перенавчання та публікації прогнозів у Data Warehouse.

Моніторинг: Evidently для відстеження data drift вхідних фіч та prediction drift виходу моделі.

Порівняння підходів до валідації

Ми використовуємо walk-forward з overlap, оскільки він дає найбільш стабільні метрики та відповідає продакшен-навантаженню.

Порівняння моделей за критеріями

Поетапний план впровадження системи прогнозування

1. Аналіз вихідних даних та виявлення закономірностей (стаціонарність, сезонність, переривчастість).
2. Вибір baseline та 3–5 кандидатів (від простих до складних).
3. Walk-forward валідація кожної моделі та порівняння за метриками (MAPE, RMSE, MASE).
4. Розробка production pipeline: версіонування експериментів у MLflow, оркестрація в Airflow, моніторинг дрейфу в Evidently.
5. Інтеграція прогнозів у Data Warehouse та налаштування алертів при відхиленнях.

Терміни: від 2–3 тижнів для baseline до 8–12 тижнів для повної системи з квантилями та дрифт-моніторингом. Вартість розраховується індивідуально — зв'яжіться з нами для оцінки вашого проекту. Для отримання детальної комерційної пропозиції залиште заявку.

Досвід нашої команди — понад 20 реалізованих проектів, середнє зниження MAPE на 15–30% після налаштування моделі. Звертайтеся — оцінимо ваш часовий ряд, підберемо стек та підготуємо roadmap за 2–3 дні.