01Overall Concept
ไอเดียหลัก — ARMA(p,q) อธิบายอนุกรม stationary ด้วย lag ของค่าตัวเองและ lag ของ residual จึงรวมความต่อเนื่องของสัญญาณกับผลกระทบจาก shock ระยะสั้น
ลองนึกภาพว่า — เหมือนคาดอุณหภูมิจากทั้งอุณหภูมิเมื่อวานและข้อผิดพลาดของพยากรณ์ล่าสุด
ตัวอย่างการนำไปใช้ — พยากรณ์สัญญาณ stationary วิเคราะห์ autocorrelation และเป็นฐานของ ARIMA
02อธิบายภาษาคนเข้าใจง่ายๆ
ARMA เริ่มจากคำถามง่าย ๆ ว่า รวมอิทธิพลจากค่าเก่ากับ shock ที่โมเดลเคยพลาด วิธีนี้ไม่ได้มองข้อมูลทุกชนิดเหมือนกัน จึงต้องเตรียมข้อมูลให้ตรงกับสิ่งที่อัลกอริทึมใช้คำนวณ
เหมือนคาดอุณหภูมิจากทั้งอุณหภูมิเมื่อวานและข้อผิดพลาดของพยากรณ์ล่าสุด ภาพเปรียบเทียบนี้ช่วยจำแก่นของวิธี แต่ตอนใช้งานจริงคอมพิวเตอร์ทำงานกับตัวเลขและกฎที่กำหนดไว้อย่างชัดเจน
ARMA(p,q) อธิบายอนุกรม stationary ด้วย lag ของค่าตัวเองและ lag ของ residual จึงรวมความต่อเนื่องของสัญญาณกับผลกระทบจาก shock ระยะสั้น พารามิเตอร์หลักใน Playground คือ อันดับ AR p เมื่อเลื่อนค่า ระบบจะคำนวณผลใหม่จากข้อมูลชุดเดิม จึงเปรียบเทียบการเปลี่ยนแปลงได้ตรง ๆ
ข้อมูลตัวอย่างบนหน้าใช้รูปแบบ อนุกรมเวลาที่ stationary และเรียงตามเวลา · ตัวอย่าง 60–150 แถว เราแยกสิ่งที่อัลกอริทึมรับเข้าออกจากผลลัพธ์ เพื่อไม่เผลอส่งข้อมูลคำตอบหรือข้อมูลอนาคตเข้าไปตอนฝึก
งานที่เหมาะ เช่น พยากรณ์สัญญาณ stationary วิเคราะห์ autocorrelation และเป็นฐานของ ARIMA ก่อนใช้จริงควรกำหนด metric ที่สัมพันธ์กับเป้าหมาย แล้วเปรียบเทียบกับวิธีพื้นฐานที่ง่ายกว่า
ภาพจำ: ค่าสัมประสิทธิ์ fitted values และ forecast · Playground แสดงผลเมื่อปรับ อันดับ AR p พร้อมจำข้อจำกัดสำคัญว่า ต้องจัดการ trend และ seasonality ก่อน และการเลือกลำดับมากเกินไปทำให้ตาม noise
03How it works
ค่อยๆ ทำไปด้วยกัน ตั้งแต่ข้อมูลแถวแรกจนถึงการตรวจคำตอบ
เตรียมข้อมูลให้ตรงโจทย์
อนุกรมเวลาที่ stationary และเรียงตามเวลา ตรวจค่าที่หาย หน่วยของแต่ละคอลัมน์ และแยกข้อมูลประเมินก่อนเรียนรู้พารามิเตอร์จากข้อมูล
ตั้งค่าที่ควบคุมพฤติกรรม
ใช้ p เพื่อจำนวนค่าจริงย้อนหลังในสมการ และบันทึกค่าเริ่มต้นหรือ random seed เมื่อวิธีมีการสุ่ม เพื่อให้ทำซ้ำและเปรียบเทียบได้
คำนวณแก่นของวิธี
ตรวจ stationarity และเลือกลำดับ p,q จากนั้น ประมาณน้ำหนักของค่าเก่าและ residual Playground ใช้ข้อมูลสาธิตชุดเดิมทุกครั้งเพื่อให้เห็นผลของ slider โดยไม่ถูกความสุ่มกลบ
สร้างผลลัพธ์ที่นำไปอ่านได้
พยากรณ์ล่วงหน้าพร้อมช่วงความไม่แน่นอน ผลที่ได้คือ ค่าสัมประสิทธิ์ fitted values และ forecast ตัวเลขหรือกลุ่มที่ได้ยังต้องตีความร่วมกับบริบทของข้อมูล
ตรวจว่าคำตอบใช้ได้จริง
เปรียบเทียบหลายค่าของ p ด้วย metric ที่เหมาะ ดูทั้งผลรวมและกรณีที่พลาด แล้วทดสอบกับข้อมูลที่ไม่ใช้ปรับค่า โดยคำนึงถึงข้อจำกัดว่า ต้องจัดการ trend และ seasonality ก่อน และการเลือกลำดับมากเกินไปทำให้ตาม noise
ข้อมูล พารามิเตอร์ และภาพรวมการคำนวณ
prandom_statevalidationข้อมูลที่รับเข้ามา
อนุกรมเวลาที่ stationary และเรียงตามเวลา
อนุกรมเวลาที่ stationary และเรียงตามเวลา · ตัวอย่าง 60–150 แถวพารามิเตอร์ที่ใช้
- p
- จำนวนค่าจริงย้อนหลังในสมการ
- random_state
- ตรึงการสุ่มเพื่อให้ทดลองซ้ำและเปรียบเทียบได้
- validation
- เก็บข้อมูลส่วนหนึ่งไว้ตรวจคุณภาพกับตัวอย่างที่ไม่ใช้ฝึก
ผลลัพธ์ที่ได้
ค่าสัมประสิทธิ์ fitted values และ forecast
ค่าสัมประสิทธิ์ fitted values และ forecast · Playground แสดงผลเมื่อปรับ อันดับ AR pคำนวณทีละขั้น
- 01
ตรวจ stationarity และเลือกลำดับ p,q
- 02
ประมาณน้ำหนักของค่าเก่าและ residual
- 03
พยากรณ์ล่วงหน้าพร้อมช่วงความไม่แน่นอน
ควรรู้อีกนิด — ต้องจัดการ trend และ seasonality ก่อน และการเลือกลำดับมากเกินไปทำให้ตาม noise
04Make it yours
# ติดตั้ง: pip install numpy statsmodels# ดาวน์โหลด sample.csv จากหน้านี้ แล้ววางไว้ข้างสคริปต์import numpy as npdata = np.genfromtxt("arma-sample.csv", delimiter=",", skip_header=1)from statsmodels.tsa.arima.model import ARIMAy = data[:, 1]model = ARIMA(y, order=(2, 0, 2), trend="c").fit()print(model.summary())print("Forecast:", model.forecast(8))โค้ดเปลี่ยนตามค่าที่เลือกใน Playground · แต่ละภาษาใช้ข้อมูลตัวอย่างตามที่ระบุในโค้ด
05Learn by playing
จำนวนค่าเก่าย้อนหลังช่วยติดตามสัญญาณโดยไม่ตาม noise ได้เท่าใด?
เส้นทึบคือประวัติ เส้นประคือ forecast จาก AR และ residual lag
เส้นตอบสนองต่อรูปแบบย้อนหลังซับซ้อนขึ้น
สังเกต forecast กับ residual ไม่เลือกอันดับจากเส้นที่ตามข้อมูลฝึกที่สุด
Playground เป็น implementation เพื่อการเรียนรู้ที่คำนวณในเบราว์เซอร์ ส่วนโค้ด Python ใช้ statsmodels จึงอาจให้ค่าต่างกันเล็กน้อยจากรายละเอียดการ optimize และค่าเริ่มต้นของไลบรารี ผลนี้ไม่ใช่ benchmark บนข้อมูลจริง