01Overall Concept
ไอเดียหลัก — ARIMA(p,d,q) ใช้ differencing ลำดับ d จัดการแนวโน้ม แล้วอธิบายอนุกรมที่นิ่งด้วย autoregressive และ moving-average terms ก่อนแปลง forecast กลับสู่ระดับเดิม
ลองนึกภาพว่า — เหมือนเลิกถามว่ายอดรวมสูงเท่าไร แล้วศึกษาว่าแต่ละวันเพิ่มหรือลดจากวันก่อนอย่างไร
ตัวอย่างการนำไปใช้ — พยากรณ์ยอดขาย ดัชนี และสัญญาณที่มีแนวโน้มแต่ไม่มีฤดูกาลซับซ้อน
02อธิบายภาษาคนเข้าใจง่ายๆ
ARIMA เริ่มจากคำถามง่าย ๆ ว่า ทำผลต่างให้อนุกรมนิ่งก่อนใช้ค่าเก่าและ residual พยากรณ์ วิธีนี้ไม่ได้มองข้อมูลทุกชนิดเหมือนกัน จึงต้องเตรียมข้อมูลให้ตรงกับสิ่งที่อัลกอริทึมใช้คำนวณ
เหมือนเลิกถามว่ายอดรวมสูงเท่าไร แล้วศึกษาว่าแต่ละวันเพิ่มหรือลดจากวันก่อนอย่างไร ภาพเปรียบเทียบนี้ช่วยจำแก่นของวิธี แต่ตอนใช้งานจริงคอมพิวเตอร์ทำงานกับตัวเลขและกฎที่กำหนดไว้อย่างชัดเจน
ARIMA(p,d,q) ใช้ differencing ลำดับ d จัดการแนวโน้ม แล้วอธิบายอนุกรมที่นิ่งด้วย autoregressive และ moving-average terms ก่อนแปลง forecast กลับสู่ระดับเดิม พารามิเตอร์หลักใน Playground คือ ลำดับ differencing d เมื่อเลื่อนค่า ระบบจะคำนวณผลใหม่จากข้อมูลชุดเดิม จึงเปรียบเทียบการเปลี่ยนแปลงได้ตรง ๆ
ข้อมูลตัวอย่างบนหน้าใช้รูปแบบ อนุกรมตัวเลขที่เรียงตามเวลาและมีช่วงสม่ำเสมอ · ตัวอย่างขนาดเล็กที่ทำซ้ำได้ เราแยกสิ่งที่อัลกอริทึมรับเข้าออกจากผลลัพธ์ เพื่อไม่เผลอส่งข้อมูลคำตอบหรือข้อมูลอนาคตเข้าไปตอนฝึก
งานที่เหมาะ เช่น พยากรณ์ยอดขาย ดัชนี และสัญญาณที่มีแนวโน้มแต่ไม่มีฤดูกาลซับซ้อน ก่อนใช้จริงควรกำหนด metric ที่สัมพันธ์กับเป้าหมาย แล้วเปรียบเทียบกับวิธีพื้นฐานที่ง่ายกว่า
ภาพจำ: fitted values, residuals และ forecast พร้อมช่วงความเชื่อมั่น · Playground อัปเดตเมื่อปรับ ลำดับ differencing d พร้อมจำข้อจำกัดสำคัญว่า การทำผลต่างมากเกินไปเพิ่ม noise และช่วงความเชื่อมั่นพึ่งสมมติฐานของ residual
03How it works
ค่อยๆ ทำไปด้วยกัน ตั้งแต่ข้อมูลแถวแรกจนถึงการตรวจคำตอบ
เตรียมข้อมูลให้ตรงโจทย์
อนุกรมตัวเลขที่เรียงตามเวลาและมีช่วงสม่ำเสมอ ตรวจค่าที่หาย หน่วยของแต่ละคอลัมน์ และแยกข้อมูลประเมินก่อนเรียนรู้พารามิเตอร์จากข้อมูล
ตั้งค่าที่ควบคุมพฤติกรรม
ใช้ d เพื่อจำนวนครั้งที่หาผลต่างเพื่อลดแนวโน้ม และบันทึกค่าเริ่มต้นหรือ random seed เมื่อวิธีมีการสุ่ม เพื่อให้ทำซ้ำและเปรียบเทียบได้
คำนวณแก่นของวิธี
หาผลต่าง d ครั้งจนโครงสร้างคงที่ขึ้น จากนั้น ประมาณ AR(p) และ MA(q) ด้วย likelihood Playground ใช้ข้อมูลสาธิตชุดเดิมทุกครั้งเพื่อให้เห็นผลของ slider โดยไม่ถูกความสุ่มกลบ
สร้างผลลัพธ์ที่นำไปอ่านได้
พยากรณ์ผลต่างแล้วสะสมกลับเป็นระดับ ผลที่ได้คือ fitted values, residuals และ forecast พร้อมช่วงความเชื่อมั่น ตัวเลขหรือกลุ่มที่ได้ยังต้องตีความร่วมกับบริบทของข้อมูล
ตรวจว่าคำตอบใช้ได้จริง
เปรียบเทียบหลายค่าของ d ด้วย metric ที่เหมาะ ดูทั้งผลรวมและกรณีที่พลาด แล้วทดสอบกับข้อมูลที่ไม่ใช้ปรับค่า โดยคำนึงถึงข้อจำกัดว่า การทำผลต่างมากเกินไปเพิ่ม noise และช่วงความเชื่อมั่นพึ่งสมมติฐานของ residual
ข้อมูล พารามิเตอร์ และภาพรวมการคำนวณ
dlearning_ratevalidationข้อมูลที่รับเข้ามา
อนุกรมตัวเลขที่เรียงตามเวลาและมีช่วงสม่ำเสมอ
อนุกรมตัวเลขที่เรียงตามเวลาและมีช่วงสม่ำเสมอ · ตัวอย่างขนาดเล็กที่ทำซ้ำได้พารามิเตอร์ที่ใช้
- d
- จำนวนครั้งที่หาผลต่างเพื่อลดแนวโน้ม
- learning_rate
- ควบคุมขนาดการอัปเดตในแต่ละรอบเมื่อโมเดลเรียนด้วย gradient
- validation
- กำหนดข้อมูลที่กันไว้เลือกค่าและตรวจการใช้งานกับตัวอย่างใหม่
ผลลัพธ์ที่ได้
fitted values, residuals และ forecast พร้อมช่วงความเชื่อมั่น
fitted values, residuals และ forecast พร้อมช่วงความเชื่อมั่น · Playground อัปเดตเมื่อปรับ ลำดับ differencing dคำนวณทีละขั้น
- 01
หาผลต่าง d ครั้งจนโครงสร้างคงที่ขึ้น
- 02
ประมาณ AR(p) และ MA(q) ด้วย likelihood
- 03
พยากรณ์ผลต่างแล้วสะสมกลับเป็นระดับ
ควรรู้อีกนิด — การทำผลต่างมากเกินไปเพิ่ม noise และช่วงความเชื่อมั่นพึ่งสมมติฐานของ residual
04Make it yours
# ติดตั้ง: pip install numpy statsmodels# ดาวน์โหลด sample.csv จากหน้านี้ แล้ววางไว้ข้างสคริปต์import numpy as npdata = np.genfromtxt("arima-sample.csv", delimiter=",", skip_header=1)from statsmodels.tsa.arima.model import ARIMAy = data[:, 1]model = ARIMA(y, order=(2, 1, 2)).fit()forecast = model.get_forecast(steps=12)print("Forecast:", forecast.predicted_mean)print("95% interval:\n", forecast.conf_int())โค้ดเปลี่ยนตามค่าที่เลือกใน Playground · แต่ละภาษาใช้ข้อมูลตัวอย่างตามที่ระบุในโค้ด
05Learn by playing
การทำ differencing กี่ครั้งทำให้ trend หายโดยไม่เพิ่ม noise?
แถวเล็กแสดงระดับเดิมกับผลต่าง ส่วนเส้นประคือ forecast ที่สะสมกลับ
trend ถูกลบเพิ่มขึ้น แต่สัญญาณอาจแตกเป็น noise
เปรียบเทียบ autocorrelation และ forecast error ของ d=0,1,2
Playground เป็น implementation เพื่อการเรียนรู้ที่คำนวณในเบราว์เซอร์ ส่วนโค้ด Python ใช้ statsmodels จึงอาจให้ค่าต่างกันเล็กน้อยจากรายละเอียดการ optimize และค่าเริ่มต้นของไลบรารี ผลนี้ไม่ใช่ benchmark บนข้อมูลจริง