時間序列預測
本書說明如何預測未來一天的需求,並檢查預測是否可靠,內容包括:基準模型、不會看到未來資料的回測、統計模型、適用於所有客戶的單一 LightGBM 模型、加總後一致的總量,以及經過校準的預測區間。範例使用三十位客戶的每小時電力需求資料。
適合對象 寫給熟悉 pandas 與基本迴歸、被要求預測需求(例如銷售量、能源、票務或流量),且需要在接受檢驗時仍站得住腳的預測結果的資料科學家與分析師。
目錄
10 章,閱讀時間約 11 小時 29 分鐘,附有41 個範例。
-
1預測明日需求
本章建立第一個明日需求預測,以及之後每個預測都必須超越的簡單基準。
-
2設定模型必須超越的基準線
在本章中,你會為某位客戶的隔日預測計算三種基準線,分別是天真法(naive)、季節性天真法(seasonal naive)與週平均法(average of weeks),並以 MASE 衡量該客戶的誤差,其尺度只取用預測週之前的讀數。
-
3回測時不偷看未來
本章教你在一年份的預測截止時間點上,為隔日預測評分,同時不讓未來的資料進入它的歷史;教你處理資料中兩個因時鐘調整而出現的小時;也教你執行位移測試,找出讀取了截止時間之後資料的特徵。
-
4為每位客戶擬合統計模型
本章會針對每位客戶,在相同的回測上擬合 AutoETS 與固定的季節性 ARIMA,將兩者與季節性 naive 比較評分,並學習讓較晚開始的客戶從其第一筆讀數起算。
-
5加入日曆與落後特徵
讀完本章後,你將能把單一客戶的逐時歷史資料整理成特徵表,加入前一日預測可以使用的落後特徵、日曆特徵與假日特徵,在相同的視窗上衡量每個特徵帶來的增益,並找出讀取了被預測當天資料的落後特徵。
-
6以單一模型預測多位客戶
讀完本章後,你會得到一個涵蓋全部三十位客戶的全域模型、一條讓較晚啟用者開頭的零值不進入模型的起始規則,以及一項分數,能在相同的截止點上,逐一客戶將它與季節性簡單預測(seasonal naive)並列比較。
-
7讓總量加總一致
你會用兩種方式預測三十位客戶的總需求量,根據決策窗口在兩種方式之間做選擇,並且只使用各截止時間點之前的歷史資料,將該總量拆分為各客戶的占比。
-
8量化預測的不確定性
本章會為每一個隔日預測加上一個區間,讓你能判斷採購是否可以依賴該預測。
-
9比較 Prophet 與基礎模型
讀完本章後,你可以在本書的三個標準截止點上擬合 Prophet,載入一個已記錄的基礎模型(Chronos-2)與一個已記錄的神經網路模型(NHITS),並在同一個 MASE 尺度上,針對相同的讀數為所有模型評分。
-
10Keep the forecast running
Once a forecast runs every day, the question changes from whether it scored well to whether it still holds on the day it's used.