Библиотеки для прогнозирования временных рядов
Не могли бы вы посоветовать методы и, если можно, примеры их применения для прогнозирования временных рядов? fbprophet и LGBMRegressor дают неутешительные результаты.
Про имеющиеся данные: есть день и уровень продаж позиции в этот день; продажи, разумеется, нерегулярны (предположительно, поэтому fbprophet и ошибается, прогнозируя существенно ниже факта). Возможно, решением будет агрегация по неделям.
Пример:
ds y
0 2018-01-03 7.0
1 2018-01-04 14.0
2 2018-01-05 0.0
3 2018-01-06 0.0
4 2018-01-07 0.0
.. ... ...
744 2020-01-17 0.0
745 2020-01-18 0.0
746 2020-01-19 0.0
747 2020-01-20 0.0
748 2020-01-21 0.0
В целом, есть вся информация о продажах.
Ответы (2 шт):
Вы, очевидно, совсем недавно занимаетесь анализом данных. Вам следует понять одну вещь. Любая библиотека машинного обучения -- это не чёрный ящик, который творит магию. Это конкретный алгоритм, который решает конкретную задачу с конкретными данными. Если данные вы подаёте не те, для которых предназначен алгоритм, то можете получить всё, что угодно.
Таким образом, Вам следует, для начала, понять, что Вы хотите. Понять, что хочет бизнес. Проанализировать глазами зависимости, которые есть в данных. И лишь потом, тренировать классификатор или регрессор на этих зависимостях.
Следует также отметить, что далеко не все задачи могут быть эффективно решены с помощью технологии машинного обучения. Также, следует отметить, что существуют задачи, которые в принципе нельзя решить. Например, вряд ли Вы на исторических данных по котировкам акций Газпрома сможете предсказать прогноз погоды. Да, связь может быть. Но это не то, что Вам нужно.
Помимо абсолютно правильно предыдущего ответа, добавлю несколько библиотек -
модуль statsmodels.tsa.statespace модель sarimax
модуль statsmodels.tsa.holtwinters модель Хольта
модуль statsmodels.tsa.holtwinters модель ExponentialSmoothing (включает модель Хольта-Винтерса)
библиотека Prophet от Facebook
LSTM в Kerаs
-.....
Только как вам сказали выше - не ждите чуда и "Мне кажется, имея исторические данные продаж вполне возможно предсказывать будущий объем продаж." - не совсем правильный тезис. Это действительно возможно, но чтобы это сделать - надо не поверхностно разобраться с темой.