ForecastingParameters Класс

Имя столбца времени. Этот параметр требуется при прогнозировании для указания столбца datetime в входных данных, используемых для создания временных рядов и вывода его частоты.

Требуемый максимальный горизонт прогнозирования в единицах частоты временных рядов. Значение по умолчанию — 1.

Единицы основаны на интервале времени обучающих данных, например ежемесячно, еженедельно, что прогнозировщик должен прогнозировать. При прогнозировании типа задачи этот параметр является обязательным. Дополнительные сведения о настройке параметров прогнозирования см. в статье "Автоматическое обучение модели прогнозирования временных рядов".

Имена столбцов, используемых для группировки таймерий. Его можно использовать для создания нескольких рядов. Если имена столбцов идентификаторов временных рядов не определены или указанные столбцы идентификаторов не определяют все ряды в наборе данных, идентификаторы временных рядов будут автоматически созданы для набора данных.

Число прошлых периодов задержки от целевого столбца. По умолчанию задержки отключены.

При прогнозировании этот параметр представляет количество строк для задержки целевых значений на основе частоты данных. Это представляется как список или одно целое число. Задержка должна использоваться, если связь между независимыми переменными и зависимыми переменными не соответствует или не сопоставляется по умолчанию. Например, при попытке прогнозировать спрос на продукт, спрос в любом месяце может зависеть от цены конкретных товаров за 3 месяца до этого. В этом примере может потребоваться отстать от целевого объекта (спроса) отрицательно на 3 месяца, чтобы модель обучала правильную связь. Дополнительные сведения см. в статье "Автоматическое обучение модели прогнозирования временных рядов".

Обратите внимание на автоматическое обнаружение задержек целевых объектов и размер окна скользящего окна. См. соответствующие комментарии в разделе скользящего окна. Мы используем следующий алгоритм для обнаружения оптимальной целевой задержки и размера скользящего окна.

1. Оцените максимальный порядок задержки для выбора функции обратного просмотра. В нашем случае это число периодов до следующей частоты детализации даты, т. е. если частота ежедневно, это будет неделя (7), если это неделя, это будет месяц (4). Это значения, умноженные на два, являются самыми большими возможными значениями задержек или скользящими окнами. В наших примерах мы рассмотрим максимальный порядок задержки 14 и 8 соответственно).

2. Создайте де-сезонизованную серию, добавив тенденции и остаточные компоненты. Это будет использоваться на следующем шаге.

3. Оцените PACF - частичное функцию автоматической корреляции для данных из (2) и выполните поиск точек, где автоматическая корреляция имеет значительное значение, т. е. его абсолютное значение больше 1,96/square_root(максимальное значение задержки), которое соответствует значению 95%.

4. Если все точки являются значительными, мы считаем, что это сильный сезонность и не создавайте функции оглядки назад.

5. Мы сканируем значения PACF с самого начала и значение, прежде чем первая незначимая автоматическая корреляция назначит задержку. Если за первым значительным элементом (значение коррелирует с собой) следует незначительный, задержка будет 0, и мы не будем использовать функции обратного просмотра.

Флаг для создания задержек для числовых функций с параметром auto или None.

Количество прошлых периодов, используемых для создания скользящего среднего окна целевого столбца.

При прогнозировании этот параметр представляет n исторических периодов, используемых для создания прогнозируемых значений, <= размера обучающего набора. Если опущено, n — это полный размер набора обучения. Этот параметр следует задавать в том случае, если при обучении модели нужно учитывать только определенный объем данных за предыдущие периоды. Если задано значение auto, скользящее окно будет оценено как последнее значение, где PACF больше порогового значения. Дополнительные сведения см. в разделе target_lags.

Задайте сезонность временных рядов в качестве целого числа, кратного частоты ряда. Если для сезонности задано значение auto, он будет выводиться. Если задано значение None, предполагается, что временные ряды не являются сезонными, что эквивалентно сезонности=1.

Страна или регион, используемый для создания функций праздников. Это должны быть коды стран и регионов ISO 3166, например "US" или "GB".

Настройте декомпозицию STL целевого столбца временных рядов. use_stl может принимать три значения: None (по умолчанию) - нет разкомпозиции stl, "season" - только генерировать компонент сезона и season_trend - создавать как сезон, так и компоненты тренда.

Настройте обработку коротких рядов для задач прогнозирования.

Параметр, определяющий, как autoML должен обрабатывать короткие временные ряды.

Возможные значения: "auto" (по умолчанию), "pad", "drop" и None.

• Автоматическая короткая серия будет заполнена, если нет длинных рядов, в противном случае короткие ряды будут удалены.
• закладка всех коротких рядов будет заполнена.
• удалить все короткие ряды будут удалены".
• Ни один короткий ряд не будет изменен. Если задано значение "pad", таблица будет заполнена нулями и пустыми значениями для регрессоров и случайных значений для целевого объекта со средним значением медиана целевого значения для заданного идентификатора временных рядов. Если медиана больше или равно нулю, минимальное заполненное значение будет обрезано нулем. Входные данные:

Выходные данные, предполагая минимальное количество значений, равное четырем:

Заметка: У нас есть два параметра short_series_handling_configuration и устаревшие short_series_handling. Если оба параметра заданы, мы синхронизируем их, как показано в таблице ниже (short_series_handling_configuration и short_series_handling для краткости помечаются как handling_configuration и обрабатываются соответственно).

Частота прогнозирования.

При прогнозировании этот параметр представляет период, с которым нужно, например ежедневно, еженедельно, ежегодно и т. д. Частота прогноза — это частота набора данных по умолчанию. При необходимости можно задать значение больше (но не меньше), чем частота набора данных. Мы объединим данные и создадим результаты на частоте прогнозирования. Например, для ежедневных данных можно задать частоту ежедневно, еженедельно или ежемесячно, но не почасовой. Частота должна быть псевдонимом смещения pandas. Дополнительные сведения см. в документации по pandas: https://pandas.pydata.org/pandas-docs/stable/user_guide/timeseries.html#dateoffset-objects

Функция, используемая для агрегирования целевого столбца временных рядов для соответствия заданной пользователем частоте. Если задана target_aggregation_function, но параметр freq не задан, возникает ошибка. Возможные функции агрегирования целевых значений: sum, max, min и среднее.

• Значения целевого столбца агрегируются на основе указанной операции. Как правило, в большинстве ситуаций подходит операция "sum".

• Числовые столбцы прогнозирования в данных агрегируются по сумме, среднему значению, минимальному и максимальному значению. В результате автоматизированное ML создает новые столбцы с суффиксом, соответствующим имени примененной функции агрегирования, и применяет к ним выбранную операцию агрегирования.

• Для столбцов категориального прогноза данные агрегируются по моде — наиболее выраженной категории в окне.

• Столбцы прогнозирования дат агрегируются по минимальному значению, максимальному значению и моде.

Количество периодов между origin_time одного свертывания CV и следующего свертывания. Например, если n_step = 3 для ежедневных данных, время источника для каждого свертывания будет составлять три дня.

Настройте для проверки входных параметров.