Анализ временных рядов

2022/2023

Статус: Маго-лего

Кто читает: Департамент больших данных и информационного поиска

Когда читается: 2, 3 модуль

Охват аудитории: для своего кампуса

Преподаватели: Романенко Алексей Александрович

Язык: русский

Кредиты: 6

Контактные часы: 26

Полная версия программы учебной дисциплины

Аннотация

В данном курсе студенты узнают о широком классе прикладных задач, в которых применяются методы time series forecasting, а также смогут применить полученные знания при решении примеров задач. В качестве прикладных задач прогнозирования временных рядов будут рассмотрены примеры из ритейл-индустрии, производства (manufacturing), финансовых рынков, социально-демографической сферы, медицины. В структуру курса заложено ознакомление с теорией статистических алгоритмов таких как ETS, ARIMA, GARCH, GAS (Generalized Autoregressive), композиции над алгоритмами прогнозирования временных рядов. Наряду с этим ряд занятий посвящено использованию классических Machine Learning алгоритмов в пайплайне методов прогнозирования временных рядов. Ключевое внимание будет уделено особенностям работы, реализации и применения изучаемых методов в прикладных задачах, практические задания будут включать как самостоятельную разработку алгоритмов, так и применение разработанных пакетов/библиотек алгоритмов прогнозирования временных рядов. В результате прохождения курса студенты смогут использовать изученные алгоритмы для прогнозирования временных рядов на практике.

Цель освоения дисциплины

После освоения курса студенты должны уметь следующее. Знать разновидности алгоритмов семейства экспоненциального сглаживания, преимущества и недостатки использования конкретных алгоритмов из семейства экспоненциального сглаживания. Знать преимущества и недостатки использования алгоритмов из семейства ARIMA(X) Уметь обучать (подбирать оптимальные параметры) алгоритмы из семейства ARIMAX для конкретного временного ряда и заданного набора каузальных переменных Знать преимущества и недостатки алгоритмов из семейства GARCH, уметь обучать алгоритмы из семейства GARCH для прогнозирования временных рядов Знать не менее 10 различных критериев измерения точности прогнозов (метрика точности) методов прогнозирования временных рядов, знать ключевые особенности каждого критерия. Знать преимущества и недостатки простых алгоритмов ансамблирования алгоритмов прогнозирования временных рядов, уметь реализовывать и применять ансамбли алгоритмов прогнозирования временных рядов из числа Adaptive Composition, Adaptive Selection, Strong Aggregating Algorithm. Уметь применять альтернативные подходы к прогнозированию временных рядов на основе ML подхода: Random Forest, XGBoost, LSTM, знать преимущества и недостатки альтернативных подходов Знать постановки задачи сегментации временных рядов, понимать особенности применения Dynamic Time Series Warping алгоритма, подходов на базе классических Machine Learning алгоритмов, подходов на базе статистической информации о временном ряде. Знать идею иерархического прогнозирования, реализовывать различные методы согласования (реконсиляции) прогнозов (bottom-up, top-down).

Планируемые результаты обучения

уметь проводить визуальный анализ временных рядов, строить наивный прогноз, обучать авторегрессию по истории временного ряда
знать формулу простого экспоненциального сглаживания, умение записывать в рекуррентном виде и в виде поправки на ошибку, уметь настраивать параметр сглаживания, знать тонкости реализации алгоритма простого экспоненциального сглаживания
знать таксономию алгоритмов экспоненциального сглаживания, умение записывать в рекуррентном виде и в виде поправки на ошибку алгоритмов Хольта, Винтерса, Тейла-Вейджа, уметь настраивать параметры сглаживания уровня временного ряда, сглаживания тренда, сглаживания сезонности, знать тонкости реализации алгоритмов Хольта, Винтерса, Тейла-Вейджа
знать определение стационарности в узком смысле, уметь применяя преобразования Бокса-Кокса, также оператор дифференцирования приводить временной ряд к стационарному виду
знать ACF, PACF, знать пайплайн обучения алгоритма из семейства ARIMA для конкретного временного ряда
знать пайплайн применения
знать формулы расчета ошибок прогнозов, преимущества и недостатки формул MAE, MAPE, WAPE, WAMAXPE
уметь реализовывать простые композиции алгоритмов прогнозирования временных рядов: Adaptive Composition, Adaptive Combination, Aggregating Algorithm
реализация пайплайна сбора основных фичей и обучения алгоритма XGBoost для прогнозирования временных рядов
знать различные варианты обучения DL алгоритмов для прогнозирования временных рядов
реализация алгоритма сегментации временных рядов для разделения исходного множества прецедентов для обучения нескольких алгоритмов прогнозирования временных рядов
уметь применять алгоритмы из семейства GARCH для прогнозирования временных рядов, прогнозирования временных рядов на базе регрессионных переменных
знать основные этапы прогнозирования временных рядов в ритейле и CPG компаниях

Содержание учебной дисциплины

Задачи прогнозирования временных рядов. Примеры задач из прикладных областей.
Семейство алгоритмов экспоненциального сглаживания
Семейство алгоритмов экспоненциального сглаживания 2
Семейство алгоритмов ARIMA, стационарность временных рядов
Семейство алгоритмов ARIMA, настройка параметров алгоритма ARIMA
Прогнозирования временных рядов алгоритмами из семейства ARIMAX
Измерение точности прогнозов, сравнение моделей прогнозирования временных рядов
Построение ансамблей алгоритмов прогнозирования временных рядов
Использование алгоритмов ML для прогнозирования временных рядов
Использование алгоритмов DL для прогнозирования временных рядов
Сегментация временных рядов
Специфичные задачи прогнозирования временных рядов
Прогнозирование временных рядов в ритейле

Элементы контроля

ДЗ1
ДЗ2
ДЗ3
Бонус
Участие в любом открытом соревновании по прогнозированию временных рядов (хакатоны, контесты), результаты участия в которых можно увидеть преподавателю, и финальный код решения которых студент может предоставить на проверку, могут поднять оценку. Баллы, полученные за этот элемент контроля, могут составлять не более 0,4 от итоговой оценки

Промежуточная аттестация

2022/2023 учебный год 3 модуль
0 * Бонус + 0.4 * ДЗ3 + 0.3 * ДЗ2 + 0.3 * ДЗ1

Программа дисциплины