Статья подготовлена для студентов курса «Data Scientist» в образовательном проекте OTUS.
Анализ временных рядов — тема, достойная отдельного освещения в рамках изучения Data Science. К сожалению, ей уделено мало места в стандартных программах ВУЗов, зато она повсеместно встречается на практике. Именно поэтому на курсе «Data Scientist» в OTUS анализу временных рядов посвящена отдельная лекция, состоящая из двух академических часов.
Что такое временной ряд?
К временному ряду можно отнести любой процесс, который так или иначе выдаёт свои характеристики в развёртке времени, то есть речь идёт о данных, последовательно измеренных через некоторые промежутки.
Простой пример временного ряда — летательный объект, который посылает свои координаты на средства локации. К временным рядам относят и статистические данные о продажах, посещаемости и других процессах, рассматриваемых в определённом срезе дней/часов/минут.
Типовые задачи и способы их решения
Анализ и прогнозирование временных рядов позволяет решать задачи разной степени важности и в расширенном спектре областей. В частности, временные ряды анализируют в следующих целях:
— прогнозирование продаж на ближайший год и планирование логистики магазина на основании истории объёмов продаж за предыдущий год;
— прогнозирование нагрузки на серверы многопользовательской онлайн-игры на основании статистики увеличения количества посетителей;
— планирование производства каких-нибудь товаров на основании спроса за предыдущие периоды;
— составление годового прогноза землетрясений мощностью 7 баллов с учётом сейсмической активности за последние 50 лет и многое другое.
Основные подходы к решению задач
На текущий момент выделяют два глобальных подхода, позволяющих решать задачи, где данные представлены в виде временных рядов:
1. В классическом случае мы строим модель процесса и пытаемся математически аппроксимировать этот процесс.
2. Используя второй подход, мы не рассматриваем процесс во времени в чистом виде, а переходим к векторам признаков.
Кроме того, возможно комбинирование методов в виде ансамблей (блендинг, стекинг).
Подробнее ознакомиться с подходами к решению задач вы сможете в рамках курса «Data Scientist». Будем рады видеть вас в числе студентов!
Материал подготовлен для студентов курса «Data Scientist» в образовательном проекте OTUS. Чтобы присоединиться к ближайшей группе, обязательно пройдите вступительное тестирование:
ПРОЙТИ ТЕСТИРОВАНИЕ