Исследование влияния изменения параметров модели ARIMA на качество прогноза для коротких наборов данных

Временные ряды - это данные, собираемые в различные отрезки времени, которые, в свою очередь, в зависимости от задачи могут отличаться. Временные ряды используются для принятия решений. Анализ временных рядов позволяет получить некоторый результат, который определит характер принимаемого решения. Анализом временных рядов занимались в очень давние времена, например, следствием анализа стали различные календари. Позднее анализ временных рядов применялся для исследования и прогнозирования экономических, социальных и других систем. Временные ряды появились очень давно. Когда-то древневавилонские астрономы, изучая положение звезд, обнаружили периодичность затмений, что позволило в дальнейшем прогнозировать их появление. Позднее анализ временных рядов подобным образом привел к созданию различных календарей, например, урожайных. В дальнейшем помимо естественных областей добавились социальные и экономические. Цель исследования: поиск классификационных признаков временных рядов, позволяющих понять, можно ли для их краткосрочного (3 отсчета) прогноза применять модель ARIMA. Материалы и методы. Разработано специальное программное обеспечение, реализующее модели семейства ARIMA и необходимые интерфейсы. В работе были исследованы 59 наборов годовых данных с малой длиной, менее 20 значений. Данные обрабатывались с помощью Python бибиблиотек Statsmodels, Pandas. Для определения стационарности ряда использовался тест Дики - Фуллера. Стационарность временного ряда позволяет более качественно строить прогнозы. Для выбора наилучшей модели применялся информационный критерий Акаике. Получены рекомендации по обоснованному подбору параметров настройки ARIMA-моделей. Показана зависимость настроек от категории годовых рядов. Заключение. После обработки данных были выделены четыре категории, или шаблона, годовых рядов. В зависимости от категории были подобраны диапазоны параметров для настройки ARIMA-моделей. Предлагаемые диапазоны позволят определить начальные параметры для исследования аналогичных наборов данных. Даны рекомендации по улучшению качества постпрогноза и прогноза при помощи ARIMA-модели за счет подбора настроек.