ml/ library Learn by doing
ALGORITHM 101 · PYTHON / JAVASCRIPT

ARIMA

ทำผลต่างให้อนุกรมนิ่งก่อนใช้ค่าเก่าและ residual พยากรณ์

LEARNING LEVEL4
ขั้นสูงควรรู้มาก่อน · ARMA, stationarity และ differencing
ลองใน Playground

01Overall Concept

OVERALL 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

เล่าแบบไม่ใช้ศัพท์ยาก

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

  1. เตรียมข้อมูลให้ตรงโจทย์

    อนุกรมตัวเลขที่เรียงตามเวลาและมีช่วงสม่ำเสมอ ตรวจค่าที่หาย หน่วยของแต่ละคอลัมน์ และแยกข้อมูลประเมินก่อนเรียนรู้พารามิเตอร์จากข้อมูล

  2. ตั้งค่าที่ควบคุมพฤติกรรม

    ใช้ d เพื่อจำนวนครั้งที่หาผลต่างเพื่อลดแนวโน้ม และบันทึกค่าเริ่มต้นหรือ random seed เมื่อวิธีมีการสุ่ม เพื่อให้ทำซ้ำและเปรียบเทียบได้

  3. คำนวณแก่นของวิธี

    หาผลต่าง d ครั้งจนโครงสร้างคงที่ขึ้น จากนั้น ประมาณ AR(p) และ MA(q) ด้วย likelihood Playground ใช้ข้อมูลสาธิตชุดเดิมทุกครั้งเพื่อให้เห็นผลของ slider โดยไม่ถูกความสุ่มกลบ

  4. สร้างผลลัพธ์ที่นำไปอ่านได้

    พยากรณ์ผลต่างแล้วสะสมกลับเป็นระดับ ผลที่ได้คือ fitted values, residuals และ forecast พร้อมช่วงความเชื่อมั่น ตัวเลขหรือกลุ่มที่ได้ยังต้องตีความร่วมกับบริบทของข้อมูล

  5. ตรวจว่าคำตอบใช้ได้จริง

    เปรียบเทียบหลายค่าของ d ด้วย metric ที่เหมาะ ดูทั้งผลรวมและกรณีที่พลาด แล้วทดสอบกับข้อมูลที่ไม่ใช้ปรับค่า โดยคำนึงถึงข้อจำกัดว่า การทำผลต่างมากเกินไปเพิ่ม noise และช่วงความเชื่อมั่นพึ่งสมมติฐานของ residual

เปิดตัวอย่างโค้ดเพื่อลองทำตาม →ตัวอย่างตัวเลขในเรื่องใช้ช่วยอธิบาย ส่วนโค้ดและ Playground ใช้ชุดข้อมูลสาธิตของแต่ละหน้าอ่านเอกสารอ้างอิงของเทคนิคนี้ ↗

ข้อมูล พารามิเตอร์ และภาพรวมการคำนวณ

DATA INX · featuresy · targetอนุกรมตัวเลขที่เรียงตามเวลาและมีช่วงสม่ำเสมอ · ตัวอย่างขนาดเล็กที่ทำซ้ำได้
CALCULATEARIMA
dlearning_ratevalidation
RESULTnumeric predictionfitted values, residuals และ forecast พร้อมช่วงความเชื่อมั่น · Playground อัปเดตเมื่อปรับ ลำดับ differencing d
เส้นทางของข้อมูล: จากค่าที่รับเข้า ผ่านการคำนวณด้วยพารามิเตอร์ ไปเป็นผลลัพธ์
INPUT

ข้อมูลที่รับเข้ามา

อนุกรมตัวเลขที่เรียงตามเวลาและมีช่วงสม่ำเสมอ

อนุกรมตัวเลขที่เรียงตามเวลาและมีช่วงสม่ำเสมอ · ตัวอย่างขนาดเล็กที่ทำซ้ำได้
PARAMETERS

พารามิเตอร์ที่ใช้

d
จำนวนครั้งที่หาผลต่างเพื่อลดแนวโน้ม
learning_rate
ควบคุมขนาดการอัปเดตในแต่ละรอบเมื่อโมเดลเรียนด้วย gradient
validation
กำหนดข้อมูลที่กันไว้เลือกค่าและตรวจการใช้งานกับตัวอย่างใหม่
OUTPUT

ผลลัพธ์ที่ได้

fitted values, residuals และ forecast พร้อมช่วงความเชื่อมั่น

fitted values, residuals และ forecast พร้อมช่วงความเชื่อมั่น · Playground อัปเดตเมื่อปรับ ลำดับ differencing d
CALCULATION

คำนวณทีละขั้น

  1. 01

    หาผลต่าง d ครั้งจนโครงสร้างคงที่ขึ้น

  2. 02

    ประมาณ AR(p) และ MA(q) ด้วย likelihood

  3. 03

    พยากรณ์ผลต่างแล้วสะสมกลับเป็นระดับ

ควรรู้อีกนิด — การทำผลต่างมากเกินไปเพิ่ม noise และช่วงความเชื่อมั่นพึ่งสมมติฐานของ residual

04Make it yours

Python · statsmodels
# 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?

ARIMA / ภาพกลไกที่พารามิเตอร์ควบคุม● คำนวณใหม่เมื่อปรับค่า
จำนวนครั้งที่หาผลต่างเพื่อลดแนวโน้ม
ดูภาพอย่างไร

แถวเล็กแสดงระดับเดิมกับผลต่าง ส่วนเส้นประคือ forecast ที่สะสมกลับ

เมื่อเพิ่มค่า

trend ถูกลบเพิ่มขึ้น แต่สัญญาณอาจแตกเป็น noise

ลองเปรียบเทียบ

เปรียบเทียบ autocorrelation และ forecast error ของ d=0,1,2

ข้อมูลอดีตและค่าที่โมเดลอธิบายforecast →จุดเริ่มอนาคต
Forecast RMSE proxy0.180
Differencing order1
พารามิเตอร์ที่ลอง1

Playground เป็น implementation เพื่อการเรียนรู้ที่คำนวณในเบราว์เซอร์ ส่วนโค้ด Python ใช้ statsmodels จึงอาจให้ค่าต่างกันเล็กน้อยจากรายละเอียดการ optimize และค่าเริ่มต้นของไลบรารี ผลนี้ไม่ใช่ benchmark บนข้อมูลจริง