Прогнозирование временных рядов с помощью Facebook Prophet, ETNA, sktime и LinkedIn Greykite

Содержание книги "Прогнозирование временных рядов с помощью Facebook Prophet, ETNA, sktime и LinkedIn Greykite : строим, настраиваем, улучшаем модели прогнозирования временных рядов с помощью специальных библиотек"

Предисловие
Проблема с зависимыми данными
Скользящее среднее и экспоненциальное сглаживание
Линейная регрессия
ARIMA
ARCH/GARCH
Градиентный бустинг
Нейронные сети
ЧАСТЬ 1. БИБЛИОТЕКА FACEBOOK PROPHET
1. Математический аппарат Facebook Prophet (на основе адаптированного перевода статьи «Forecasting at scale» от Шона Дж. Тейлора и Бенджамина Летама, входящих в команду разработчиков Facebook Prophet)
1.1. Введение
1.2. Особенности временных рядов в бизнес-задачах
1.3. Прогнозная модель Prophet
1.4. Автоматизация оценки качества прогнозов
1.5. Библиография
2. Установка Prophet
2.1. Установка в macOS
2.2. Установка в Windows
3. Построение простых моделей Prophet
3.1. Ежедневные данные
3.2. Ежемесячные данные
3.3. Почасовые данные
3.4. Данные с гэпами
4. Работа с сезонностью
4.1. Понимание аддитивной и мультипликативной сезонностей
4.2. Моделирование сезонности с помощью порядка Фурье
4.3. Добавление собственных сезонностей
4.4. Добавление условных сезонностей
4.5. Регуляризация сезонности
5. Добавление праздников
5.1. Добавление национальных праздников
5.2. Добавление праздников штатов/провинций
5.3. Добавление собственных праздников
5.4. Создание многодневных праздников
5.5. Регуляризация влияния праздников
6. Типы роста
6.1. Применение линейного роста
6.2. Знакомство с логистической функцией
6.3. Получение прогнозов для моделей логистического роста с насыщением
7. Точки изменения тренда
7.1. Автоматическое определение точек изменения тренда
7.2. Регуляризация точек изменения
7.3. Назначение пользовательских точек изменения
8. Добавление регрессоров
8.1. Добавление бинарных регрессоров
8.3. Интерпретация регрессионных коэффициентов
9. Выбросы и особые события
9.1. Обработка выбросов, вызывающих сезонные скачки
9.2. Обработка выбросов, являющихся причиной широких доверительных интервалов
9.3. Автоматическое обнаружение выбросов
9.4. Моделирование выбросов как особых событий
9.5. Моделирование шоков типа локдаунов во время пандемии COVID-19
10. Доверительные интервалы
10.1. Моделирование неопределенности тренда
10.2. Моделирование неопределенности сезонности
11. Перекрестная проверка
11.1. Перекрестная проверка с автоматически сгенерированными пороговыми точками
11.2. Перекрестная проверка с пользовательскими пороговыми точками
11.3. Обычная оптимизация гиперпараметров по сетке на основе перекрестной проверки
11.4. Байесовская оптимизация гиперпараметров на основе перекрестной проверки
12. Прогнозирование нескольких временных рядов
ЧАСТЬ 2. БИБЛИОТЕКА ETNA
1. Общее знакомство
1.1. Создание объекта TSDataset
1.2. Визуализация рядов объекта TSDataset
1.3. Получение сводки характеристик по объекту TSDataset
2. Модель наивного прогноза
2.1. Один временной ряд
2.2. Несколько временных рядов
3. Модель скользящего среднего
3.1. Один временной ряд
3.2. Несколько временных рядов
4. Модель сезонного скользящего среднего
4.1. Один временной ряд
4.2. Несколько временных рядов
5. Модель SARIMAX
5.1. Один временной ряд
5.2. Несколько временных рядов
6. Модель Хольта–Винтерса (модель тройного экспоненциального сглаживания, модель ETS)
6.1. Один временной ряд
6.2. Несколько временных рядов
7. Модель Prophet
7.1. Один временной ряд
7.2. Несколько временных рядов
8. Модель CatBoost
8.1. Один временной ряд
8.2. Несколько временных рядов
9. Модель линейной регрессии с регуляризацией «эластичная сеть»
9.1. Один временной ряд
9.2. Несколько временных рядов
10. Объединение процедуры построения модели, оценки качества и визуализации прогнозов в одной функции
10.1. Один временной ряд
10.2. Несколько временных рядов
11. Перекрестная проверка нескольких моделей
11.1. Один временной ряд
11.2. Несколько временных рядов
12. Ансамбли
12.1. Один временной ряд
12.2. Несколько временных рядов
13. Стекинг
14. Создание собственных классов для обучения моделей
14.1. Использование функции train_and_evaluate_model() для быстрого построения базовых моделей
14.2. Ансамбли из собственных классов
15. Импутация пропусков
16. Работа с трендом и сезонностью
17. Обработка выбросов
18. Собираем все вместе
19. Модели нейронных сетей
20. Оптимизация гиперпараметров с помощью Optuna от разработчиков
21. Задача Райффайзен Банка (8 временных рядов)
21.1. Описание задачи
21.2. Построение прогнозной модели для горизонта в 90 дней (на продажи в конкретном магазине не влияют продажи и рекламная активность остальных магазинов)
21.3. Оптимизация гиперпараметров модели с горизонтом в 90 дней (на продажи в конкретном магазине не влияют продажи и рекламная активность остальных магазинов)
21.4. Построение прогнозной модели для горизонта в 729 дней (на продажи в конкретном магазине не влияют продажи и рекламная активность остальных магазинов)
21.5. Сравнение прогнозных конвейеров, созданных вручную и с помощью ETNA
22. Задача Store Sales – Time Series Forecasting (1782 временных ряда)
22.1. Описание задачи
22.2. Добавление экзогенных переменных – регрессоров
22.3. Добавление экзогенных переменных – регрессоров и экзогенных переменных – не регрессоров
23. Задача Store Item Demand Forecasting Challenge (500 временных рядов)
23.1. Описание задачи
23.2. Построение прогнозной модели на основе градиентного бустинга LightGBM
24. Отбор признаков (на примере задачи Store Item
Demand Forecasting Challenge)
25. Иллюстрация экспресс-решения с помощью функций transform_etna_format(), train_and_evaluate_ model(), etna_cv_optimize() и класса Auto (на примере задачи NN5)
26. Кластеризация временных рядов
27. Классификация временных рядов
28. Анализ прогнозируемости
29. Создание Streamlit-приложений на основе моделей библиотеки ETNA
ЧАСТЬ 3. БИБЛИОТЕКА LINKEDIN GREYKITE
1. Математический аппарат LinkedIn Greykite (на основе адаптированного перевода статьи «A flexible forecasting model for production systems» от R. Hosseini, K. Yang, A. Chen, S. Patra, входящих в команду разработчиков LinkedIn Greykite)
1.2. Модели условного среднего и волатильности
1.3. Поиск точек изменения
1.4. Пример применения на данных велопроката (байкшеринга)
1.5. Оценка качества и бенчмаркинг (сравнительный анализ)
1.6. Итоги
1.7. Библиография
2. Начало работы
2.1. Установка Greykite
2.2. Построение простых моделей Greykite
ЧАСТЬ 4. БИБЛИОТЕКА SKTIME
1. Общее знакомство
1.2. Разбиение набора на обучающую и тестовую выборки с учетом времени
1.3. Этапы построения прогнозной модели в sktime
1.4. Создание горизонта модели
1.5. Построение первых прогнозных моделей
1.6. Работа с экзогенными временными рядами
1.7. Скользящие обновления модели и прогнозов (скользящее развертывание модели)
1.8. Вероятностное прогнозирование: прогнозные интервалы, квантили, дисперсия, прогнозы на основе распределения
1.9. Перекрестная проверка расширяющимся или скользящим окном
1.10. Арсенал встроенных прогнозных моделей, предлагаемых sktime
1.11. Прогнозирование нескольких временных рядов
1.12. Продвинутое моделирование
1.13. Прогнозирование иерархических временных рядов
1.14. Получение справочной информации о прогнозных моделях
2. Подробный разбор стратегий многошагового прогнозирования
2.1. Прямая стратегия многошагового прогнозирования
2.2. Рекурсивная стратегия многошагового прогнозирования
2.3. Гибридная стратегия многошагового прогнозирования
2.4. Стратегия со множеством выходов
3. Дентрендинг и десезонализация для моделей бустинга
3.1. Временной ряд с трендом и мультипликативной сезонностью (набор данных Air Passengers)
3.2. Временной ряд с сильным трендом (набор данных WPI)