Time Series — Chuỗi thời gian
Tải chuỗi lịch sử lên, nhận dự báo VÀ điểm số trung thực: mô hình có thắng nổi dự báo ngây thơ hay không. Dữ liệu mẫu là chuỗi hành khách hàng không kinh điển.
Phần holdout (12 kỳ cuối) là dữ liệu mô hình CHƯA nhìn thấy khi huấn luyện. Chỉ đoạn đó mới nói được mô hình có dự báo được hay không.
MASE là MAE của mô hình chia MAE của 'kỳ này bằng kỳ trước'. Từ 1 trở lên nghĩa là mô hình không tạo ra giá trị nào so với quy tắc đơn giản nhất có thể.
Đo trên 12 kỳ holdout mà mô hình chưa từng nhìn thấy. Đo trên dữ liệu huấn luyện luôn cho kết quả đẹp hơn thực tế.
Sai số lệch hẳn một phía nghĩa là mô hình có thiên lệch hệ thống — chỗ này sửa được, khác với nhiễu ngẫu nhiên.
Dựng từ độ lệch chuẩn phần dư trên holdout. Nó rộng, và đó là sự thật về mức bất định — con số điểm duy nhất che mất điều đó.
| Số điểm dữ liệu | 48 (train 36 · holdout 12) |
| Chu kỳ mùa vụ | 12 |
| MAE mô hình / naive | 14.7529 / 26.8333 |
| Bias | -14.7529 — dự báo thấp hơn thực tế |
| Dự báo 6 kỳ | 190.84 · 196.43 · 212.75 · 202.76 · 202.13 · 222.83 |
| Khoảng 90% kỳ tới | 176.69 – 204.99 |
| Phương pháp | Holt–Winters cộng tính (α=0.4, β=0.1, γ=0.3) |
Phần holdout (12 kỳ cuối) là dữ liệu mô hình CHƯA nhìn thấy khi huấn luyện. Chỉ đoạn đó mới nói được mô hình có dự báo được hay không.
Cột sáng thấp hơn cột tối ở đa số kỳ thì mô hình mới thực sự thắng, chứ không phải chỉ thắng ở trung bình.
| Số điểm dữ liệu | 48 (train 36 · holdout 12) |
| Chu kỳ mùa vụ | 12 |
| MAE mô hình / naive | 14.7529 / 26.8333 |
| Bias | -14.7529 — dự báo thấp hơn thực tế |
| Dự báo 6 kỳ | 190.84 · 196.43 · 212.75 · 202.76 · 202.13 · 222.83 |
| Khoảng 90% kỳ tới | 176.69 – 204.99 |
| Phương pháp | Holt–Winters cộng tính (α=0.4, β=0.1, γ=0.3) |
MASE = MAE(mô hình) / MAE(naive) — dưới 1 mới có giá trị
Đây là công thức thật mà mã nguồn chạy, không phải mô tả gần đúng.
API tại /api/v1/tools/ts-forecast gọi đúng hàm
này, nên kết quả trên trang và qua API không thể lệch nhau.
1.234.567 lẫn 1.234,56.Phân tích chuỗi thời gian xử lý dữ liệu có thứ tự thời gian, nơi quan sát gần nhau tương quan với nhau. Chính tính tương quan này làm hỏng mọi phương pháp giả định mẫu độc lập — gồm cả cross-validation ngẫu nhiên.
| MASE | sai số so với dự báo naive; dưới 1 mới có giá trị |
| MAPE | dễ hiểu nhưng vô nghĩa khi giá trị gần 0 |
| Coverage của khoảng dự báo | khoảng 95% có phủ đúng 95% không |
Phần quan trọng nhất của trang này. Một phương pháp được mô tả mà không nói chỗ nó hỏng là phiên bản quảng cáo của phương pháp đó.
Chưa có mô hình nào gắn riêng cho chủ đề này. Đây là những mô hình của cả ngành — liên quan ở cấp ngành, không phải cấp chủ đề.
Cơ chế attention, nắm quan hệ xa.
Tích chập nhân quả với receptive field kiểm soát được.
Sharpe sau khi phạt vì số lần thử và độ lệch/nhọn của đuôi.
Tỉ lệ cấu hình thắng in-sample lại xếp dưới trung vị ngoài mẫu.
Phân tích chuỗi thời gian xử lý dữ liệu có thứ tự thời gian, nơi quan sát gần nhau tương quan với nhau. Chính tính tương quan này làm hỏng mọi phương pháp giả định mẫu độc lập — gồm cả cross-validation ngẫu nhiên.
1. Kiểm tra tính dừng, sai phân nếu cần. 2. Phân rã xu hướng, mùa vụ và phần dư. 3. Chọn mô hình: ARIMA/SARIMA cho tuyến tính, gradient boosting với đặc trưng trễ cho phi tuyến. 4. Luôn chia tập theo thời gian, không bao giờ ngẫu nhiên. 5. So với baseline naive trước khi kết luận mô hình có giá trị.
Cross-validation ngẫu nhiên trên chuỗi thời gian cho kết quả đẹp giả vì mô hình nhìn thấy tương lai. Chuẩn hoá dữ liệu trên toàn bộ tập trước khi chia — rò rỉ thống kê của tập test vào tập train.
MASE — sai số so với dự báo naive; dưới 1 mới có giá trị; MAPE — dễ hiểu nhưng vô nghĩa khi giá trị gần 0; Coverage của khoảng dự báo — khoảng 95% có phủ đúng 95% không.
Đang thử nghiệm: chạy được nhưng phương pháp chưa kiểm định đầu-cuối, nên đừng dựa vào nó để ra quyết định tiền thật.