В качестве исходных данных приведена статистика продаж помесячно. Требуется подготовить прогноз на 6 месяцев и рассчитать доверительный интервал.
Необычно было увидеть на входе одномерный ряд. Пришлось вспоминать какой метод работает с одномерными временными рядами. Кроме того, интересно было найти решение для расчёта доверительного интервала. Кстати по доверительному интервалу не так уж и много информации. В основном всё общего плана - дана последовательность, посчитан интервал. А вот что делать, когда в датафрейме дана статистика продаж помесячно, с учетом общего тренда и сезонности. Вот это было интересно!
В качестве метода прогнозирования было выбрано экспоненциальное сглаживание. Т.к. данный метод широко используется для анализа одномерных временных рядов.
В модели заданы следующие параметры:
- период сезонности 12 количество месяцев в году (seasonal_periods = 12)
- необходимость учета тренда (trend='add')
- необходимость учёта сезонности (seasonal='add')
Построен доверительный интервал (с уровнем доверия 95%) для всей последовательности значений (генеральной совокупности).
А вот потом, самое интересное! Построим доверительный интервал для выборки по каждому месяцу в отдельности.
Итоговый датафрейм для экспорта
Возможно, кому-то данный пример сократит время на подготовку подобной задачи.
Ссылка на код https://github.com/NikLaz25/Different-tasks/blob/main/test_1_1.ipynb