Сравнение неспециализированных подходов к решению задачи прогнозирования временных рядов

В данной работе предлагается сравнение специализированных методов построения прогнозов временных рядов: ARIMA, PROPHET, LSTM с более универсальными методами машинного обучения: случайный лес, экстремальный градиентный бустинг, ANN, скрытая Марковская модель, а также предлагается альтернативный метод прогнозирования, основанный на выявлении схожих подпоследовательностей. Качество прогнозных моделей дополнительно контролируется сравнением с «наивным прогнозом» (в качестве прогноза берётся последняя известная точка). Сравнение проводится на основе открытых данных по количеству преступлений, различных типов, совершенных в Чикаго с две тысячи первого года по две тысячи семнадцатый год. Прогнозы строятся независимо друг от друга по восемнадцати типам преступления, с применением подбора гиперпараметров для каждого отдельного вида преступления на период в один, три, шесть, девять, двенадцать, четырнадцать дней и их качество оценивается на основе метрик MAE и SMAPE. Впоследствии, методы прогнозирования ранжируется для каждого вида преступления периода и метрики и агрегируются по видам преступления. В результате получается финальное ранжирование методов прогнозирования для каждой метрики на каждом временном отрезке. Наиболее эффективным себя показал себя метод ANN он оказался лучшим почти по всем метрикам, однако он потребовал подбора гиперпараметров, трудноинтерпретируем и долго обучается. На втором месте ARIMA с небольшим отставанием в точности, зато он лишен описанных выше недостатков. Предложенный подход, основанный на поиске наиболее похожей подпоследовательности обошел большинство методов, однако показался себя хуже, чем ANN, ARIMA и LSTM. Prophet, HMM и экстремальный градиентный бустинг оказались хуже «наивного» подхода, что может быть связано со спецификой данных. Наилучшим методом «из коробки» показал себя случайный лес