Artykuł pomocniczy · pojęcie · Pojęcia · Pozostałe
Prognozowanie szeregów czasowych
także: prognozowanie szeregów czasowych · forecasting methods · Time-Series Forecasting · Prognozowanie szeregów czasowych
Metody statystyczne i uczenia maszynowego oparte na analizie historycznych obserwacji zmiennej w czasie w celu przewidywania przyszłych wartości.
Definicja
Prognozowanie szeregów czasowych polega na budowaniu modeli matematycznych dopasowanych do danych historycznych i wykorzystywaniu ich do predykcji przyszłych wartości.
Rozszerzona definicja
Prognozowanie szeregów czasowych (time-series forecasting) to podejście statystyczne lub uczenia maszynowego, które modeluje historyczne dane szeregów czasowych w celu przewidywania przyszłych punktów czasowych1.
Szereg czasowy można rozłożyć na trzy komponenty: trend (ruch w górę lub w dół według przewidywalnego wzorca), sezonowość (powtarzająca się w określonym okresie, np. dziennym, tygodniowym, miesięcznym) oraz składnik losowy (resztkowe wahania)2.
Jak to działa
Przed zbudowaniem modelu szereg czasowy poddaje się dekompozycji: wyodrębnia się trend (ruch w górę lub w dół według przewidywalnego wzorca), sezonowość (wzorzec powtarzający się w określonym horyzoncie czasowym, takim jak dzień, tydzień, miesiąc czy pora roku) oraz składnik losowy, czyli resztkowe wahania2.
Wybór między podejściem parametrycznym a nieparametrycznym wpływa na dokładność prognoz — seria prac Perrettiego i współautorów wykazała, że metody nieparametryczne mogą przewyższać parametryczne w zaszumionych, nieliniowych systemach3.
Dlaczego to ważne
Prognozy popytu oparte na danych historycznych pozwalają przewidywać produkty i usługi, które mogą zacząć zyskiwać większe zainteresowanie w ciągu najbliższych 180 dni — co dokumentuje Google w opisie funkcji prognoz popytu4.
Analiza historycznych trendów wyszukiwania, jak podaje Google w dokumentacji Google Trends, pomaga lepiej zrozumieć, jak ludzie znajdują informacje w Google Search, co wspiera rozwój strategii treści i dopasowanie komunikacji do odbiorców5.
Przykłady
- Prognozy popytu Google wykorzystują dane historyczne do przewidywania produktów i usług, które mogą zacząć doświadczać zwiększonego zainteresowania wyszukiwania w ciągu najbliższych 180 dni4.
- Przykładem komponentu sezonowego jest wzorzec powtarzający się w horyzoncie dziennym, tygodniowym, miesięcznym lub sezonowym, wyodrębniany podczas dekompozycji szeregu2.
Częste błędy i mity
- Błąd: traktowanie składnika losowego jako pomijalnego szumu — tymczasem stanowi on odrębny, trzeci komponent dekompozycji szeregu czasowego (resztkowe wahania), obok trendu i sezonowości2.
- Błąd: pomijanie sezonowości przy budowaniu modelu — sezonowość jest jednym z trzech wyodrębnionych komponentów szeregu czasowego i może powtarzać się w różnych horyzontach: dziennym, tygodniowym, miesięcznym lub sezonowym2.
Powiązane hasła
Źródła i odwołania
-
Time-series forecasting is a type of statistical or machine learning approach that tries to model historical time-series data in order to make predictions about future time points.
-
Time Series Forecasting with Vertex AI and BigQuery ML | Google Codelabs
A time-series can be decomposed into components: - **Trend**: moves up or down in a reasonably predictable pattern - **Seasonal**: repeats over a specific period such as a day, week, month, season, etc. - **Random**: residual fluctuations
-
Why preferring parametric forecasting to nonparametric methods? - PubMed
A recent series of papers by Charles T. Perretti and collaborators have shown that nonparametric forecasting methods can outperform parametric methods in noisy nonlinear systems.
-
Demand forecasts on the Insights page - Google Ads Help
They use historical data to forecast the products and services that may start to experience increased search interest within the next 180 days.
-
Get started with Google Trends
Google Trends can help you better understand how people find information on Google Search, which can help you to develop your content strategy and refine how you talk to your audience.
Każde zdanie powyżej odsyła do dosłownego cytatu ze źródła. Daty to daty publikacji lub pobrania źródła.
Źródła faktów
- SEO/references/seo/REFS-SEO-R22-Organic-Traffic-Forecasting.md