Нейросети, обучаемые сразу на множестве связанных рядов, улавливают общие паттерны.
Ключевые тезисы
- Global-модели переносят знания между похожими рядами.
- DeepAR предсказывает распределение, а не только точку.
- Требуют существенно больше данных, чем ARIMA.
Подробный разбор
2 подтем — раскройте любую, чтобы увидеть объяснение, формулы, примеры и интерактивные графики.
1Глобальные модели
Одна сеть на тысячи рядов вместо тысячи моделей.
Классический подход обучает отдельную модель на каждый ряд. Глобальная нейросеть учится на всех рядах сразу и переносит закономерности с длинных рядов на короткие — это особенно ценно для новых товаров без истории.
- DeepAR предсказывает параметры распределения, а не точку — сразу получаются интервалы прогноза.
- Нужны сотни рядов и достаточная история, иначе классические методы выигрывают.
- Обязательна нормировка каждого ряда (например, на его среднее), иначе крупные ряды доминируют в потерях.
2Практика обучения
Что нужно сделать, чтобы нейросеть на рядах вообще заработала.
- Нормировать каждый ряд по его собственной статистике (или использовать логарифм) — иначе крупные ряды доминируют.
- Обучать на окнах фиксированной длины, а не на всей истории целиком.
- Добавлять календарные и статические признаки (категория товара, регион) как дополнительные входы.
- Валидация — строго по времени, с тем же горизонтом, что в проде.
Связанные темы
Последовательные модели · Прогнозирование рядов
Stationarity85%
Стационарность · Временные рядыПостоянство статистических свойств ряда во времени — предпосылка большинства классических моделей.
Autocorrelation85%
Автокорреляция · Временные рядыСвязь ряда с собственными прошлыми значениями — главный источник признаков и диагностики.
AR / MA / ARIMA85%
AR / MA / ARIMA · Временные рядыКлассическое семейство: авторегрессия, скользящее среднее ошибок и их комбинация с дифференцированием.
SARIMA85%
SARIMA · Временные рядыARIMA с явными сезонными компонентами — для рядов с недельной, месячной или годовой периодикой.
Exponential Smoothing85%
Экспоненциальное сглаживание · Временные рядыВзвешивание прошлых наблюдений с экспоненциально убывающими весами; модель Хольта — Винтерса добавляет тренд и сезонность.
Prophet85%
Prophet · Временные рядыАддитивная модель тренда, сезонностей и праздников с упором на удобство для аналитика.
Feature-based forecasting85%
Прогноз через признаки · Временные рядыРяд превращается в табличную задачу: лаги, скользящие статистики, календарь — и дальше градиентный бустинг.
Transformer forecasting85%
Трансформеры для прогноза · Временные рядыВнимание над длинными горизонтами: Informer, Autoformer, PatchTST, TFT.
RNN80%
Рекуррентные сети · Глубокое обучениеОбрабатывают последовательность шаг за шагом, перенося скрытое состояние между позициями.
LSTM80%
LSTM · Глубокое обучениеРекуррентная ячейка с состоянием и тремя вентилями, решающая проблему долгосрочной памяти.
GRU80%
GRU · Глубокое обучениеУпрощённая LSTM: два вентиля вместо трёх и отсутствие отдельного cell state.
RNN/LSTM for NLP80%
RNN/LSTM в NLP · Обработка естественного языкаПервое поколение нейросетевых моделей языка: последовательная обработка токенов со скрытым состоянием.
Sequence-to-Sequence80%
Seq2Seq · Обработка естественного языкаСхема «энкодер сжимает вход — декодер порождает выход» для перевода, суммаризации и диалога.
Backpropagation80%
Обратное распространение ошибки · Глубокое обучениеЭффективное вычисление градиентов по всем параметрам сети за один обратный проход с помощью правила цепочки.