🔒Открыть пост
и посмотреть медиа
и посмотреть медиа
Как спрогнозировать сезонные данные на Python
Представим, что у нас есть временной ряд (например, продажи). И нужно понять, какая часть колебаний - это регулярный сезонный паттерн, а какая - тренд и "чистое" изменение показателя без сезонного шума.
❗️Так как тема достаточно объемная, код будет написан не весь, а только самые важные моменты. Считаю важным рассказать именно про логику и последовательность.
🟠Итак, для этих целей есть 2 вида моделей:
▶️Аддитивная модель используется тогда, когда амплитуда сезонных колебаний постоянна и не зависит от уровня ряда (например, каждый декабрь +500 продаж сверх тренда, всегда +500, вне зависимости от того, растёт бизнес или нет).
▶️Мультипликативная модель используется тогда, когда амплитуда колебаний растёт вместе с уровнем ряда (например, декабрь даёт +20% к тренду, и если тренд вырос, абсолютная прибавка тоже растёт).
🟠В реальных бизнес-данных мультипликативная модель встречается чаще, потому что рост бизнеса обычно масштабирует и сезонные всплески. Её мы и обсудим.
1️⃣Первым делом импортируем библиотеки и подготавливаем данные:
from statsmodels.tsa.seasonal import seasonal_decompose
from sklearn.linear_model import LinearRegression
import numpy as np
import pandas as pd
df = df.set_index('date').asfreq('MS')
Пропущенные месяцы нужно заполнить. Это критично, потому что без этого модель может сломаться.
2️⃣Затем подготовленные данные прогоним через встроенную функцию seasonal_decompose. В качестве аргументов выбирается имеющийся временной ряд, тип модели 👆и разбивка на 12 периодов (по месяцам):
result = seasonal_decompose(y, model='multiplicative', period=12)
seasonal = result.seasonal
deseasonalized = y / seasonal
Это нужно для того, чтобы убрать из данных сезонность. Для этого ряд делится на полученный из seasonal_decompose сезонный коэффициент. В результате получатся "чистые" данные, которые уже можно использовать для построения прогноза.
3️⃣Потом строится линейная регрессия на основе полученных ранее десезонализированных данных:
model = LinearRegression()
model.fit(X, Y)
trend_forecast = model.predict(X_future)
По факту это будет уже готовый прогноз на основе нашего ряда, только без фактора сезонности.
4️⃣Для того, чтобы прогноз получился наиболее полным, логичный шаг - вернуть в прогноз временно убранную сезонность:
seasonal_by_month = seasonal.groupby(seasonal.index.month).mean()
seasonal_forecast = future_dates.month.map(seasonal_by_month).values
forecast = trend_forecast * seasonal_forecast
Для этого нужно просто спрогнозированный тренд умножить на сезонный коэффициент.
В итоге получим готовый прогноз, но без проверки этого прогноза на точность. Но это уже отдельная история.