Навчання моделі передбачення часових рядів (Prophet, NeuralProphet, TimesFM)

Обучення моделі прогнозування часових рядів (Prophet, NeuralProphet, TimesFM)

Prophet, NeuralProphet та TimesFM — три покоління інструментів для прогнозування часових рядів з різними компромісами між простотою, гнучкістю та точністю. Правильний вибір залежить від даних, горизонту та вимог до інтерпретуємості.

Prophet: декомпозиційна модель

Meta Prophet (2017) — адитивна модель:

y(t) = trend(t) + seasonality(t) + holidays(t) + ε(t)

Тренд: кусково-лінійний або логістичний ріст. Changepoints — автоматичне виявлення точок зміни тренду через L1-регуляризацію.

Сезонність: Ряди Фур'є:

• Річна: N=10 (default)
• Тижнева: N=3
• Користувальницька: будь-який період

Навчання та тюнінг:

from prophet import Prophet
import pandas as pd

m = Prophet(
    changepoint_prior_scale=0.05,   # гнучкість тренду
    seasonality_prior_scale=10.0,   # гнучкість сезонності
    holidays_prior_scale=10.0,
    seasonality_mode='multiplicative'  # для зростаючих даних
)
m.add_country_holidays(country_name='UA')
m.add_seasonality(name='monthly', period=30.5, fourier_order=5)
m.fit(df)  # df з колонками ds, y

Параметри для тюнінгу:

• changepoint_prior_scale: 0.001-0.5, контролює overfitting тренду
• seasonality_mode: 'additive' для стаціонарних, 'multiplicative' для зростаючих рядів
• fourier_order: більше = гнучкіша сезонність = ризик переобучення

Cross-валідація Prophet:

from prophet.diagnostics import cross_validation, performance_metrics
df_cv = cross_validation(m, initial='730 days', period='180 days', horizon='365 days')
df_p = performance_metrics(df_cv)

NeuralProphet

NeuralProphet (2021) = Prophet + нейросетеві компоненти:

• Авторегресивний компонент (AR-Net): захоплює нелінійні лагові залежності
• Lagged regressors: нелінійний вплив зовнішніх факторів
• Навчання через PyTorch, значно швидше за MCMC-Prophet

from neuralprophet import NeuralProphet

m = NeuralProphet(
    n_forecasts=7,        # горизонт прогнозу
    n_lags=14,            # число лагів для AR
    seasonality_mode='auto',
    learning_rate=0.01
)
m = m.add_country_holidays('UA')
metrics = m.fit(df, freq='D', validation_df=df_val)

Коли NeuralProphet кращий за Prophet:

• Існують нелінійні лагові залежності
• Потрібні multiple-step ahead прогнози з конкретними кроками
• Доступні lagged external regressors (погода з затримкою, продажи конкурентів)

TimesFM: Foundation Model від Google

TimesFM (2024) — pretrained foundation model для zero-shot прогнозування:

import timesfm

tfm = timesfm.TimesFm(
    context_len=512,
    horizon_len=128,
    input_patch_len=32,
    output_patch_len=128,
    num_layers=20,
    model_dims=1280,
    backend='gpu'
)
tfm.load_from_checkpoint(repo_id="google/timesfm-1.0-200m")

# Zero-shot inference
forecast_input = [np.array(historical_data)]
frequency_input = [0]  # 0=high freq, 1=low freq
point_forecast, experimental_quantile_forecast = tfm.forecast(
    forecast_input, freq=frequency_input
)

Переваги TimesFM:

• Zero-shot: не вимагає навчання на ваших даних
• Швидкий старт: перший прогноз за хвилини
• Сильний результат на більшості бізнес-задач з коробки

Обмеження:

• Не враховує known future covariates (свята, промо) без fine-tuning
• Обмежена інтерпретуємість
• Потребує значного контексту (> 500 точок оптимально)

Порівняльний вибір

Практика навчання та валідації

Pipeline навчання (приклад з Prophet):

1. Підготовка даних: ресемплинг до потрібної частоти, обробка пропусків (interpolation / forward fill)
2. Аналіз: ACF/PACF, decompose, holiday analysis
3. Baseline: Seasonal Naive (прогноз = значення рік тому)
4. Prophet fit з default параметрами, cross-validation
5. Hyperparameter search: Optuna / grid search по 4-6 параметрам
6. Ансамблювання з конкурентом (ETS або NeuralProphet)
7. Productionization: Airflow DAG, MLflow tracking, API endpoint

Метрики порівняння: SMAPE, MASE (Mean Absolute Scaled Error — нормирована на Seasonal Naive), Winkler Score для інтервальних прогнозів.

Строки: тюнінг та навчання Prophet/NeuralProphet для одного ряду з cross-validation — 1-2 тижні. Production pipeline з моніторингом та авто-переквалікуванням — 4-6 тижнів.