Комментарии 1
Хорошая статья и интересный подход к прогнозированию. Однако по опыту работы с геофизическими временными рядами мне кажется, что погрешность можно заметно уменьшить, если заранее выделить из сигналов наиболее яркие квазидетерминированные составляющие (разные виды сезонности, тренды, календарные эффекты и др.) и построить для каждой из них отдельную модель. Эти составляющие затем убираются из сигналов (декомпозиция). Потом по описанной в статье схеме строится модель для квазислучайных (остаточных) составляющих, в которых на первом шаге не удалось заметить какой-либо регулярности. Ну и затем все эти модели объединяются в общую комбинированную модель. Мы у себя делаем именно так.
Правда, у нас задача прогноза не является первоочередной
У нас обычно на первом месте стоит поиск:
1) закономерностей в сигналах и
2) взаимосвязей между разными наблюдаемыми
с последующим проецированием статистических закономерностей на физические явления (которые мы знаем плохо и поэтому пытаемся к ним подобраться через статистику).
Но по большому счету это мало что меняет. Ведь любой прогноз - это по сути обнаружение закономерностей в поведении изучаемой системы, их формализованное описание и экстраполяция в будущее. Если первые два подпункта решены (что мы и делаем у себя), то третий шаг уже почти тривиален ;-)
Единственное, с поставленной задачей "минимизации затрат" наш подход не особо дружит. Но когда данных не так уж много, а их получение (геодинамический и геофизический мониторинг) стоит огромных усилий, то объем трудозатрат на обработку сигналов уже не особо критичен. Так как это лишь малый процент от усилий по получению этих данных.
Temporal Fusion Transformer: улучшение прогнозирования в ритейле с минимальными затратами