Прогнозирование временных рядов (Time Series Forecasting, ARIMA, Prophet)

Аналитик применяет обычную линейную регрессию к данным о ежемесячных продажах, используя месяц как единственный предиктор, — модель систематически недооценивает пиковые декабрьские продажи и переоценивает январский спад, потому что не способна корректно уловить именно сезонную структуру временного ряда. Специализированные методы прогнозирования временных рядов, такие как ARIMA или Prophet, изначально спроектированы для учёта тренда, сезонности и зависимости текущего значения от предыдущих значений того же показателя.

Временной ряд — это не просто данные с датой на оси X, это данные с особой структурой зависимостей, которую нужно учитывать инструментом, для этого предназначенным.

Происхождение и исследовательская база

ARIMA (Autoregressive Integrated Moving Average) систематизирована Джорджем Боксом и Гвилимом Дженкинсом в книге «Time Series Analysis: Forecasting and Control» (1970) как классический статистический метод, явно моделирующий автокорреляцию временного ряда — предложенная ими процедура построения модели (методология Бокса-Дженкинса) состоит из трёх повторяющихся этапов: идентификация (определение порядка модели по автокорреляционной и частной автокорреляционной функциям), оценка (подбор коэффициентов модели) и диагностическая проверка (анализ остатков на предмет оставшихся неучтённых закономерностей) — при обнаружении проблем на этапе диагностики цикл повторяется с уточнённой идентификацией.

Prophet — более поздний инструмент, представленный в статье Шона Тейлора и Бенджамина Летама «Forecasting at Scale» (The American Statistician, том 72, № 1, 2018), разработанный командой Facebook специально для практического бизнес-прогнозирования в больших масштабах (тысячи рядов одновременно внутри компании), автоматически обрабатывающий множественную сезонность, праздники и пропуски в данных с меньшей необходимостью в глубокой статистической экспертизе, чем ручная настройка ARIMA.

Ключевые идеи и принципы

1. Принцип: Разложение ряда на тренд, сезонность и остаток

   Методы прогнозирования временных рядов явно разделяют наблюдаемый показатель на долгосрочный тренд (устойчивое направление изменения), сезонную компоненту (регулярно повторяющиеся колебания) и случайный остаток — это разложение позволяет прогнозировать каждую составляющую отдельно и затем комбинировать их в итоговый прогноз.

2. Принцип: Учёт автокорреляции — зависимости от собственных прошлых значений

   В отличие от обычной регрессии, где предикторы — это внешние факторы, методы временных рядов явно моделируют, как текущее значение показателя зависит от его же значений в прошлые периоды, — эта зависимость часто оказывается сильным предиктором сама по себе.

3. Принцип: Выбор метода в зависимости от сложности данных и экспертизы

   ARIMA требует более глубокой статистической настройки (подбор параметров модели по методологии Бокса-Дженкинса) и лучше подходит для рядов со стабильной структурой; Prophet автоматизирует многое из этой настройки и лучше справляется с множественной сезонностью, праздниками и пропусками, что делает его более доступным для практического бизнес-использования без глубокой статистической экспертизы.

4. Принцип: прогноз без доверительного интервала — неполный прогноз

   Точечный прогноз («в следующем месяце будет 1000 продаж») без указания диапазона неопределённости создаёт ложное ощущение точности. И ARIMA, и Prophet математически рассчитывают доверительный интервал прогноза, который естественно расширяется на более дальних горизонтах — это прямое количественное выражение принципа «точность снижается на длинных горизонтах» из раздела ограничений. Prophet, в частности, использует байесовский подход к подбору кривой (аддитивная модель: тренд + сезонность + эффект праздников), что делает получение содержательного доверительного интервала встроенной частью метода, а не отдельным дополнительным расчётом.

5. Принцип: комбинирование методов часто превосходит любой отдельный метод

   Крупнейшее эмпирическое подтверждение этому принципу дал M4-конкурс прогнозирования (Makridakis, Spiliotis, Assimakopoulos, «The M4 Competition: Results, findings, conclusion and way forward», International Journal of Forecasting, 2018) — сравнение методов на 100 000 реальных временных рядов. M4 — часть длинной серии конкурсов, организованных Спиросом Макридакисом с 1982 года: M1 (1982, 1001 ряд, 15 методов), M2 (1993), M3 (2000, 3003 ряда), а позже M5 (2020-2022, около 42 000 иерархических рядов реальных продаж сети Walmart) — то есть это не разовый эксперимент, а сорокалетняя традиция систематической проверки, какие методы прогнозирования реально работают лучше на практике, а не в теории. Результат M4 оказался неожиданным для многих: шесть представленных методов чистого машинного обучения показали результат ХУЖЕ простых статистических эталонов, а не лучше, как ожидалось. Победителем стал Славек Смыл (Slawek Smyl, старший специалист по данным в Uber) с гибридным методом ES-RNN, сочетающим классическое экспоненциальное сглаживание (ручную статистическую часть) с рекуррентной нейронной сетью — итоговая точность (sMAPE) оказалась примерно на 10% выше комбинированного эталона конкурса. Практический вывод для методики: ни чистая статистика (ARIMA), ни чистое машинное обучение по отдельности не являются автоматически «лучшим» выбором — гибридные и ансамблевые подходы систематически превосходят любой отдельный метод на разнородных реальных данных.

Ограничения, слепые зоны и критика

Типовые ошибки

1. Ошибка 1: Для временных рядов используется обычная регрессия без учёта сезонности и автокорреляции.

   Прогноз строится методом, не приспособленным для временной структуры данных, что приводит к систематическим ошибкам вокруг сезонных пиков и спадов.

   Как избежать

   Использовать специализированные методы прогнозирования временных рядов, явно учитывающие тренд и сезонность.

2. Ошибка 2: Модель применяется для прогноза после структурного изменения без переобучения.

   После значимого изменения рынка или бизнес-модели используется старая модель, построенная на паттернах, которые больше не действуют.

   Как избежать

   Переобучать модель после структурных изменений и явно проверять её точность на новых данных, а не полагаться на старую модель по инерции.

3. Ошибка 3: Выбор метода делается по репутации алгоритма, а не по проверке точности на своих данных.

   Команда выбирает сложную ML-модель просто потому, что она считается «более современной», без сравнения её реальной точности на своих временных рядах с более простыми статистическими методами — как показал M4-конкурс, чистое машинное обучение часто проигрывает даже простым эталонам на реальных данных.

   Как избежать

   тестировать несколько методов (включая простые статистические эталоны и гибридные подходы) на исторических данных своей организации и выбирать по фактической точности, а не по репутации метода.

4. Ошибка 4: прогноз публикуется без доверительного интервала, как единственное точное число.

   Руководство получает прогноз «продажи составят 1000 единиц» без указания диапазона вероятных значений, из-за чего любое отклонение от точной цифры воспринимается как провал модели, хотя оно могло находиться в пределах нормальной статистической неопределённости прогноза.

   Как избежать

   всегда сопровождать точечный прогноз доверительным интервалом (например, «900-1100 с вероятностью 80%») и явно объяснять получателям прогноза, что диапазон — не признак слабости модели, а честное отражение реальной неопределённости.

План внедрения

1. Неделя 1: собрать исторические данные показателя с достаточной глубиной истории.

2. Неделя 2: разложить ряд на тренд, сезонность и остаток для понимания структуры данных.

3. Неделя 3: построить модель (ARIMA или Prophet, при возможности — сравнить несколько методов) и проверить точность на исторических данных.

4. Неделя 4: использовать модель для прогноза с явным указанием доверительного интервала (не только точечное значение) и договориться с получателями прогноза, как трактовать отклонения фактических значений в пределах этого интервала.

   Далее: регулярно переобучать модель по мере накопления новых данных и после структурных изменений.

Как реализовать этот план с помощью фрейма «Прогнозирование временных рядов» в OrgDevTools

Фрейм методики в OrgDevTools — сетка из четырёх карточек (общий движок CardGridCanvas), напрямую соответствующих последовательности плана: «Разложение ряда» (Неделя 2) — сюда вносится тренд, сезонность и остаток, выявленные в данных; «Выбор метода» (Неделя 3) — сюда фиксируется обоснование выбора между ARIMA и Prophet по сложности данных, а не по репутации метода; «Точность модели» (та же Неделя 3) — сюда вносится результат проверки точности на исторических данных; «Переобучение» (Далее) — сюда вписывается план и триггеры для переобучения модели после структурных изменений рынка.

Вердикт фрейма прямо связывает проверку точности с планом переобучения — модель считается надёжной только тогда, когда точность проверена И есть явный план её обновления, а не когда она просто один раз построена и больше не пересматривается, — прямая защита от Ошибки 2.

Книги по теме

Бокс Дж., Дженкинс Г. — «Time Series Analysis: Forecasting and Control» (1970). Классическая систематизация метода ARIMA и трёхэтапной методологии построения модели.

Taylor S.J., Letham B. — «Forecasting at Scale» (The American Statistician, том 72, № 1, 2018). Первоисточник инструмента Prophet и его подхода к автоматизированному бизнес-прогнозированию.

Makridakis S., Spiliotis E., Assimakopoulos V. — «The M4 Competition: Results, findings, conclusion and way forward» (International Journal of Forecasting, 2018). Крупнейшее эмпирическое сравнение методов прогнозирования на 100 000 реальных рядов — источник вывода о превосходстве гибридных методов.