Взвешивание прошлых наблюдений с экспоненциально убывающими весами; модель Хольта — Винтерса добавляет тренд и .
Ключевые тезисы
- Очень сильный , который трудно побить на бизнес-рядах.
- Семейство ETS формализует сочетания уровня, тренда и .
- Быстро считается и легко масштабируется на тысячи рядов.
Подробный разбор
- коэффициент, задающий вес слагаемого или скорость обновления
- истинное значение целевой переменной
- коэффициент сглаживания (инерции)
- коэффициент, управляющий вкладом дальних членов
- истинное значение целевой переменной
Три параметра сглаживания задают, насколько быстро модель реагирует на новые данные. Прогноз строится как .
На бизнес-рядах это очень сильный : его трудно обыграть, он мгновенно считается и легко масштабируется на десятки тысяч рядов.
| Компонент | Варианты |
|---|---|
| Ошибка (E) | аддитивная / мультипликативная |
| Тренд (T) | нет / аддитивный / затухающий |
| (S) | нет / аддитивная / мультипликативная |
Комбинации дают 30 моделей; выбор делают по AICc автоматически. Затухающий тренд — почти всегда более реалистичное предположение на длинном горизонте, чем линейный рост без ограничений.
Связанные темы
Прогнозирование рядов
Stationarity85%
Стационарность · Временные рядыПостоянство статистических свойств ряда во времени — предпосылка большинства классических моделей.
Autocorrelation85%
Автокорреляция · Временные рядыСвязь ряда с собственными прошлыми значениями — главный источник признаков и диагностики.
AR / MA / ARIMA85%
AR / MA / ARIMA · Временные рядыКлассическое семейство: авторегрессия, скользящее среднее ошибок и их комбинация с дифференцированием.
SARIMA85%
SARIMA · Временные рядыARIMA с явными сезонными компонентами — для рядов с недельной, месячной или годовой периодикой.
Prophet85%
Prophet · Временные рядыАддитивная модель тренда, сезонностей и праздников с упором на удобство для аналитика.
Feature-based forecasting85%
Прогноз через признаки · Временные рядыРяд превращается в табличную задачу: лаги, скользящие статистики, календарь — и дальше градиентный бустинг.
RNN/LSTM85%
RNN/LSTM для рядов · Временные рядыНейросети, обучаемые сразу на множестве связанных рядов, улавливают общие паттерны.
Transformer forecasting85%
Трансформеры для прогноза · Временные рядыВнимание над длинными горизонтами: Informer, Autoformer, PatchTST, TFT.
Тема встречается в тесте по направлениям — ошибки приведут обратно на эту страницу.
Глава «Временные ряды» последний раз правилась . Нашли ошибку — напишите.