Анализ временных рядов ч.1

Для лекции используйте файл parcel.csv.

Загрузка данных и роль переменных

Начинаем работу с временными рядами. Подключим набор данных. В нём две переменные: первая — характеристика parsel, значения которой меняются во времени, вторая — поле Date с соответствующей датой. После загрузки заглянем в узел Type. Оба поля помечены как входные. Это объясняется природой временного ряда: текущее значение определяется через предыдущие. Такой процесс называют авторегрессией (autoregression). По сути, одна и та же величина служит и входом, и выходом, но на этапе настройки мы оставим её в роли входа.

Визуальный анализ графика

Подключим к потоку узел графика Time Plot. На полученном изображении видна траектория ряда. Сразу заметны две ключевые составляющие:
• Тренд — наклонная прямая, показывающая устойчивое повышение значений с течением времени.
• Периодичность (сезонность) — повторяющийся волнообразный паттерн. Один квадратик по оси времени охватывает две недели, и на нём видны два «холма». Это указывает на недельный цикл: каждые семь дней картина воспроизводится.

Настройка узла Time Series

Добавим в поток узел Time Series. При попытке присоединить его получаем предупреждение: отсутствуют переменные-цели. Заходим в настройки:
• На вкладке Fields выбираем пользовательское назначение ролей (Custom field roles). Указываем parsel как целевую переменную.
• Переходим в Data Specifications. В качестве поля, отвечающего за время, устанавливаем Date. Временной интервал задаём Days (дни).
• В Build Options определяем горизонт прогнозирования: опция Extend records into the Future — 7 дней. Так модель проанализирует историю и выдаст предсказание на неделю вперёд.

Запускаем выполнение узла.

Результаты моделирования

После завершения анализа смотрим Model Information. В качестве базового метода автоматически выбрано экспоненциальное сглаживание (Exponential Smoothing). Основной показатель точности — MAPE (Mean Absolute Percentage Error — средняя абсолютная процентная ошибка). Его значение составило 7,347 %, что говорит о достаточно высокой точности прогноза (ошибка примерно 7 %). Приемлема ли такая точность, зависит от конкретной бизнес-задачи и требуемого порога.

Также выводятся графики автокорреляционной функции остатков, позволяющие оценить, насколько хорошо модель учла зависимости.

Визуализация прогноза

Цифры полезны, но нагляднее сравнить прогноз с реальными данными на графике. Снова добавим узел Time Plot и соединим его с выходом модели Time Series. В настройках графика:
• В поле Series выбираем предсказанное поле — Time Series parsel.
• По оси X (X Label) откладываем Date.
• Снимаем флажок Display Series in Separate Panels, чтобы фактические и прогнозные значения отображались на одном графике.
• Отключаем опцию нормализации, чтобы видеть исходный масштаб ряда.

Выполнив построение, получаем совмещённый график. Синяя линия — предсказание модели, включая участок на семь дней вперёд. Видно, что кривая повторяет недельный рисунок с двумя пиками на квадратик, а отклонение от фактических точек минимально. Это подтверждает: автоматически построенная модель временных рядов даёт весьма правдоподобный прогноз.

Так с помощью узла Time Series, который сам подбирает модель и рассчитывает будущие значения, решается сложная задача прогнозирования. При необходимости каждую модель можно настраивать более детально.

Краткие итоги

Прогнозирование временных рядов в современной аналитической платформе строится вокруг идеи автоматизации при сохранении прозрачности ключевых этапов. Начальный шаг — загрузка данных, где обязательно присутствуют как минимум две переменные: временна́я метка и интересующая нас количественная характеристика. Уже на этом этапе важно осознать фундаментальную особенность таких рядов: будущее значение объясняется прошлыми значениями этого же показателя. Это свойство авторегрессии оправдывает то, что при моделировании переменная фигурирует одновременно и как предиктор, и как целевой признак, хотя первоначальная конфигурация часто оставляет её только на входе.

Визуальная диагностика выступает обязательной практикой перед запуском алгоритмов. По графику временного хода аналитик выявляет структурные элементы — трендовую и сезонную составляющие. Их присутствие определяет не только выбор класса моделей, но и понимание горизонта, на котором возможен осмысленный прогноз. В рассмотренном примере недельная цикличность и общий повышательный тренд стали очевидны уже при беглом осмотре, что дало основания ожидать от модели способности уловить эти паттерны.

Настройка инструмента прогнозирования сводится к трём решениям: назначение целевого поля, указание временной переменной с её фактическим интервалом и определение периода упреждения — числа шагов в будущее. Эти параметры полностью определяют задачу, и любая ошибка на данном этапе делает последующий анализ бессмысленным. Автоматический подбор метода, в данном случае экспоненциального сглаживания, избавляет от рутинного перебора моделей, но не отменяет необходимости критически оценить полученный результат.

Главный критерий качества здесь — средняя абсолютная процентная ошибка (MAPE). Её величина около 7 % свидетельствует о хорошей точности, однако практическая интерпретация всегда требует контекста: в одних бизнес-сценариях такая погрешность приемлема, в других — нет. Диагностика остатков и графическое сопоставление прогноза с историей дают дополнительную уверенность. Наложение линий на одном поле позволяет визуально убедиться, что модель верно воспроизводит и амплитуду, и фазу сезонных колебаний, а также не отклоняется систематически от факта.

Таким образом, даже при использовании «чёрного ящика» в виде автоматической ноды аналитик сохраняет контроль над процессом, начиная от формализации задачи и заканчивая проверкой результата. Подобный подход резко сокращает время прототипирования прогнозов, делая их доступными для широкого круга специалистов, при этом не исключая возможности углублённой ручной настройки в более ответственных случаях.