Часть 1. Введение
Серия статей на тему Анализ временных рядов в науке о данных
Анализ временных рядов
Введение
В большинстве случаев обработки анализа данных вы можете иметь дело с данными временных рядов, т. е. с данными, которые были записаны последовательно в течение определенного периода времени. Данные временных рядов часто возникают, когда вы отслеживаете такие процессы, как продажи, в течение определенного периода времени.
Из этого вытекают два важных атрибута: переменная и время. Время является неотъемлемым атрибутом данных, собранных в этом случае. В случае данных о продажах время будет относиться к тому, когда были сделаны продажи: ежечасно, ежедневно, ежемесячно или ежегодно.
Анализ временных рядов — это способ анализа последовательных точек данных. При этом аналитики анализируют точки данных через равные промежутки времени в течение заданного периода времени, а не случайные записи.
Применения анализа временных рядов
Анализ временных рядов помогает нам узнать, как мы продвигаемся вперед или как развивается объект с течением времени. Вернемся к данным о продажах; как аналитик данных вы захотите понять различные тенденции, которые могут существовать в этих конкретных данных или продуктах в бизнесе.
Анализ покажетизменение данных с течением времени и даст представление о таких характеристиках, как сезонность, тенденция и уровни. Эти характеристики данных можно впоследствии использовать для получения сведений или прогнозирования событий, которые могут возникнуть. в будущем. Таким образом, анализ временных рядов помогает бизнесу понять причину изменений в продажах или данных, которые вы отслеживаете.
Анализ временных рядов помогает отслеживать закономерности во времени и определять, какие области требуют особого внимания и изучения, тем самым помогая в подготовке этих будущих событий или бизнес-процессов. Это также может помочь определить, какие продукты могут нуждаться в изменении, как показано в тенденциях их продаж.
Для анализа временных рядов требуется большой набор данных, чтобы ряды можно было использовать для прогнозирования или предсказания будущих данных на основе этих исторических данных.
Визуализации, которые демонстрируют тенденции и закономерности в данных, помогают бизнесу глубже изучить бизнес и данные, чтобы определить причины изменений.
Анализ временных рядов используется для нестационарных данных, то есть данных, которые постоянно меняются во времени. Это делает его важным инструментом в таких областях, как финансы, розничная торговля и экономика. Анализ фондового рынка – еще одна важная область, в которой возможности анализа временных рядов используются для создания отличных прогнозов, особенно в тех случаях, когда используются автоматические торговые алгоритмы. Метеоролог также может использовать анализ временных рядов для прогнозирования погоды на основе исторических данных о погоде.
Однако есть некоторые проблемы, которые могут возникнуть в результате анализа временных рядов. В случае сложных моделей может наблюдаться отсутствие подгонки, что приводит к тому, что модели не могут различать случайные ошибки и истинные отношения. Это делает прогноз неверным.
Определения
Данные временного ряда — данные, записанные за одинаковые промежутки времени, например, ежедневно, ежемесячно, еженедельно, ежечасно и т. д.
а. Кросс-секционные данные — состоят из нескольких переменных, записанных одновременно.
б. Объединенные данные — сочетание данных временных рядов и перекрестных данных.
в. Сезонность/сезонные колебания — события, происходящие через определенные и регулярные промежутки времени в течение года. Поэтому требуются большие наборы данных, чтобы гарантировать, что обнаруженные закономерности не являются результатом шума или выбросов, а являются результатом изменений в данных, т. е. учитывают сезонную дисперсию в данных.
г. Уровень — это среднее значение серии.
e. Анализ трендов — определение последовательного движения в определенном направлении. Можно обнаружить две тенденции: детерминированную, т. е. здесь мы можем найти основную причину, и стохастическую, случайную и необъяснимую.
ж. Функциональный анализ может выявить закономерности и взаимосвязи, существующие в данных, для идентификации видимых событий.
г. Циклическая составляющая — это колебания, происходящие вокруг линии тренда с временной продолжительностью между повторением или годовой. Он не показывает постоянного повторения или колебания, что отличает его от сезонных колебаний. Хорошим примером может служить изменение бизнес-показателей из-за рецессии или рыночного краха.
ч. Шум или нерегулярный компонент — это случайные некоррелированные изменения, которые следуют нормальному распределению со средним значением, равным нулю, и постоянной дисперсией.
Прогнозирование с помощью временных рядов.
Прогнозирование временных рядов влечет за собой прогнозирование будущего значения переменных на основе их собственных прошлых значений. Примером может служить прогнозирование стоимости акций или дохода от продукта на основе прошлых записей о том же продукте или акции.
Прогнозирование временных рядов отличается от проблемы регрессии тем, что при использовании регрессии для оценки или прогнозирования значения зависимой целевой переменной используются другие независимые признаки. , примером может служить прогнозирование цен на жилье с использованием площади дома, типа материала, кровли и местоположения. Однако когда дело доходит до прогнозирования временных рядов, других независимых функций нет, вместо этого есть только прошлые значения той же переменной, которую мы хотим предсказать.
Заключение
В общем, анализ временных рядов демонстрирует закономерности, позволяющие вам делать выводы из данных записей, а также помогать бизнес-плану на будущее на основе выводов из исторических и прогнозируемых тенденций данных. это делает его важным процессом в бизнес-кейсах.
Следите за обновлениями, часть 2 – Модели, используемые в анализе временных рядов.
