Прогнозирование

По опыту работы в службе технической поддержки и чтения лекций, можно сказать, что прогнозирование является чуть ли не основной целью и задачей большого числа специалистов, занимающихся анализом данных. Современные методы статистического прогнозирования позволяют с высокой точностью прогнозировать практически все возможные показатели. Данный раздел предназначен для того, чтобы облегчить пользователю решение задачи прогнозирования: задача выбора наилучшей модели прогнозирования, задача анализа адекватности и точности построенного прогноза.

Отметим прежде всего, что не существует универсально предпочтительных методов прогнозирования на все случаи жизни. В данном разделе мы будем рассматривать методы прогнозирования временных рядов, для получения более полной информации о методах прогнозирования данных которые не представляют собой временные ряды обратитесь к советнику по многомерным моделям.

Выбор метода прогнозирования и его эффективность зависят от многих условий, и в частности, от требуемой длины или времени прогнозирования:

Краткосрочный прогноз. Краткосрочный прогноз характеризует собой прогноз "на завтра", т.е. прогноз на несколько шагов вперед. Если подходить более формально, то под этим понятием понимается построение прогноза не более чем на 3% от наблюдений или на 1-3 шага вперед. Для данного типа прогнозов применяют практически все известные методы:
Экспоненциальное сглаживание - достаточно простой тип моделей, основывающийся на сглаживание и прогнозирование тренда с/без сезонной составляющей.
АРПСС (ARIMA) - является обобщением методов экспоненциального сглаживания и позволяет строить более точные прогнозы. Данный метод фактически замыкает набор линейных методов.
Нейронные сети - это раздел искусственного интеллекта, в котором для обработки сигналов используются явления, аналогичные происходящих в нейронах живых существ. Важнейшая особенность сети, свидетельствующая о ее широких возможностях и огромном потенциале, состоит в параллельной обработке информации всеми звеньями. Другое важное свойство - способность к обучению и обобщения накопленных знаний. Натренированная на ограниченном множестве данных сеть способна обобщать полученную информацию и позывать хорошие результаты на данных, не использовавшихся в процессе обучения.
Для получения более полной информации о методах построения краткосрочных прогнозов смотри Классификация методов по длине истории временного ряда.
Среднесрочный прогноз. Под среднесрочным прогнозом, как правило, понимают прогноз на 3-5% от объема наблюдений, но не более 7-12 шагов вперед. Также зачастую под этим понятием используют прогноз на один или на половину сезонного цикла. Для данного типа прогнозов применяют модели АРПСС и Экспоненциального сглаживания, которые позволяют отслеживать качество прогноза в зависимости от срока прогноза.
Долгосрочный прогноз. При построении данного типа прогнозов стандартные статистические методы практически не используются, кроме случаев очень "хороших" рядов, для которых прогноз можно просто "нарисовать".

Поэтому выбор метода прогнозирования следует производить с учетом всех специфических особенностей как целей прогноза, так и анализируемого временного ряда.

В смысле методологий, мы ограничим наше рассмотрение задачами кратко- и среднесрочного прогноза, которые могут решаться (и весьма эффективно) с привлечением только статистических методов. Серьезное решение задач долгосрочного прогноза требует использования комплексных подходов и, в первую очередь, привлечения различных технологий сбора и анализа эксперементальных оценок.

Примеры построения прогнозов временных рядов:

Прогнозирование индекса цен алмазов в системе STATISTICA 5.5.

Прогнозирование реального объема сельскохозяйственного производства Российской Федерации в системе STATISTICA 6.

Применение методов сезонной декомпозиции и методов экспоненциального сглаживания на примере построения прогноза объемов импорта Российской Федерации.

Стоит так же выделить классическое разбиение методов прогнозирования - "от простых к сложным":

Вводный обзор

Основные цели, идеи и понятия

Систематические составляющие и случайный шум

Анализ тренда

Немного о цикличности и как с ней работать

Анализ сезонности

Методы

Спектральный (Фурье) анализ

Экспоненциальное сглаживание

Общее введение и выбор модели

Пример

Сезонная декомпозиция (метод Census I)

Вводный обзор и общая модель

Пример

Сезонная корректировка X-11 (Census II)

Вводный обзор

Описание модели

Пример

Анализ распределенных лагов

Общая цель

Общая модель и распределенный лаг Алмона

Пример

АРПСС

Вводный обзор

Описание модели и выбор

Пример

Прерванные временные ряды

Вводный обзор

Пример