01Overall Concept
ไอเดียหลัก — Autoregressive Model หรือ AR(p) สร้างสมการเชิงเส้นจากค่า lag ของอนุกรมเดียวกัน โดย p ระบุว่าต้องย้อนกลับไปกี่ช่วงเพื่ออธิบายค่าปัจจุบัน
ลองนึกภาพว่า — เหมือนเดาอุณหภูมิชั่วโมงหน้าโดยเปิดดูบันทึกของหลายชั่วโมงล่าสุดแทนการดูเพียงค่าปัจจุบัน
ตัวอย่างการนำไปใช้ — พยากรณ์สัญญาณที่มี autocorrelation เช่น demand ระยะสั้น เซนเซอร์ หรือปริมาณงาน
02อธิบายภาษาคนเข้าใจง่ายๆ
Autoregressive Model เริ่มจากคำถามง่าย ๆ ว่า ใช้ค่าหลายช่วงก่อนหน้าเป็นตัวแปรเพื่อทำนายค่าถัดไป วิธีนี้ไม่ได้มองข้อมูลทุกชนิดเหมือนกัน จึงต้องเตรียมข้อมูลให้ตรงกับสิ่งที่อัลกอริทึมใช้คำนวณ
เหมือนเดาอุณหภูมิชั่วโมงหน้าโดยเปิดดูบันทึกของหลายชั่วโมงล่าสุดแทนการดูเพียงค่าปัจจุบัน ภาพเปรียบเทียบนี้ช่วยจำแก่นของวิธี แต่ตอนใช้งานจริงคอมพิวเตอร์ทำงานกับตัวเลขและกฎที่กำหนดไว้อย่างชัดเจน
Autoregressive Model หรือ AR(p) สร้างสมการเชิงเส้นจากค่า lag ของอนุกรมเดียวกัน โดย p ระบุว่าต้องย้อนกลับไปกี่ช่วงเพื่ออธิบายค่าปัจจุบัน พารามิเตอร์หลักใน Playground คือ จำนวน lag p เมื่อเลื่อนค่า ระบบจะคำนวณผลใหม่จากข้อมูลชุดเดิม จึงเปรียบเทียบการเปลี่ยนแปลงได้ตรง ๆ
ข้อมูลตัวอย่างบนหน้าใช้รูปแบบ 60 ช่วงเวลา → lag matrix p คอลัมน์ เราแยกสิ่งที่อัลกอริทึมรับเข้าออกจากผลลัพธ์ เพื่อไม่เผลอส่งข้อมูลคำตอบหรือข้อมูลอนาคตเข้าไปตอนฝึก
งานที่เหมาะ เช่น พยากรณ์สัญญาณที่มี autocorrelation เช่น demand ระยะสั้น เซนเซอร์ หรือปริมาณงาน ก่อนใช้จริงควรกำหนด metric ที่สัมพันธ์กับเป้าหมาย แล้วเปรียบเทียบกับวิธีพื้นฐานที่ง่ายกว่า
ภาพจำ: AR(2): ŷ(t)=c+φ₁y(t-1)+φ₂y(t-2) พร้อมจำข้อจำกัดสำคัญว่า lag มากเกินไปทำให้พารามิเตอร์เยอะและ overfit ส่วนอนุกรมที่ไม่ stationary อาจให้ความสัมพันธ์ลวง
03How it works
ค่อยๆ ทำไปด้วยกัน ตั้งแต่ข้อมูลแถวแรกจนถึงการตรวจคำตอบ
เตรียมข้อมูลให้ตรงโจทย์
y เป็นอนุกรมตามเวลาที่ควรมีรูปแบบค่อนข้างคงที่หลังจัดการ trend หรือ seasonality ตรวจค่าที่หาย หน่วยของแต่ละคอลัมน์ และแยกข้อมูลประเมินก่อนเรียนรู้พารามิเตอร์จากข้อมูล
ตั้งค่าที่ควบคุมพฤติกรรม
ใช้ lags เพื่อกำหนดจำนวนอดีตที่โมเดลมองเห็น และบันทึกค่าเริ่มต้นหรือ random seed เมื่อวิธีมีการสุ่ม เพื่อให้ทำซ้ำและเปรียบเทียบได้
คำนวณแก่นของวิธี
เลื่อนอนุกรมสร้างคอลัมน์ y(t-1)…y(t-p) จากนั้น ประมาณสัมประสิทธิ์ของแต่ละ lag ด้วย least squares Playground ใช้ข้อมูลสาธิตชุดเดิมทุกครั้งเพื่อให้เห็นผลของ slider โดยไม่ถูกความสุ่มกลบ
สร้างผลลัพธ์ที่นำไปอ่านได้
แทนค่าล่าสุดเพื่อคำนวณ forecast แบบวนซ้ำ ผลที่ได้คือ ค่าสัมประสิทธิ์ lag fitted values และ forecast ตัวเลขหรือกลุ่มที่ได้ยังต้องตีความร่วมกับบริบทของข้อมูล
ตรวจว่าคำตอบใช้ได้จริง
เปรียบเทียบหลายค่าของ lags ด้วย metric ที่เหมาะ ดูทั้งผลรวมและกรณีที่พลาด แล้วทดสอบกับข้อมูลที่ไม่ใช้ปรับค่า โดยคำนึงถึงข้อจำกัดว่า lag มากเกินไปทำให้พารามิเตอร์เยอะและ overfit ส่วนอนุกรมที่ไม่ stationary อาจให้ความสัมพันธ์ลวง
ข้อมูล พารามิเตอร์ และภาพรวมการคำนวณ
lagstrendold_namesข้อมูลที่รับเข้ามา
y เป็นอนุกรมตามเวลาที่ควรมีรูปแบบค่อนข้างคงที่หลังจัดการ trend หรือ seasonality
60 ช่วงเวลา → lag matrix p คอลัมน์พารามิเตอร์ที่ใช้
- lags
- กำหนดจำนวนอดีตที่โมเดลมองเห็น
- trend
- เพิ่มค่าคงที่หรือแนวโน้มเวลา
- old_names
- ควบคุมรูปแบบชื่อผลลัพธ์ใน statsmodels
ผลลัพธ์ที่ได้
ค่าสัมประสิทธิ์ lag fitted values และ forecast
AR(2): ŷ(t)=c+φ₁y(t-1)+φ₂y(t-2)คำนวณทีละขั้น
- 01
เลื่อนอนุกรมสร้างคอลัมน์ y(t-1)…y(t-p)
- 02
ประมาณสัมประสิทธิ์ของแต่ละ lag ด้วย least squares
- 03
แทนค่าล่าสุดเพื่อคำนวณ forecast แบบวนซ้ำ
ควรรู้อีกนิด — lag มากเกินไปทำให้พารามิเตอร์เยอะและ overfit ส่วนอนุกรมที่ไม่ stationary อาจให้ความสัมพันธ์ลวง
04Make it yours
# ติดตั้ง: pip install numpy statsmodelsimport numpy as np data = np.genfromtxt("autoregressive-model-sample.csv", delimiter=",", skip_header=1)X = data[:, :2] from statsmodels.tsa.ar_model import AutoReg y = data[:, 1]model = AutoReg(y, lags=4, trend="ct").fit()print("Parameters:", model.params)print("Forecast:", model.predict(len(y), len(y) + 5))print("AIC:", model.aic)โค้ดเปลี่ยนตามค่าที่เลือกใน Playground · แต่ละภาษาใช้ข้อมูลตัวอย่างตามที่ระบุในโค้ด
05Learn by playing
ปรับ จำนวน lag p แล้วสังเกตรูปแบบคำทำนายและตัวชี้วัดที่คำนวณใหม่ทันที
Playground เป็น implementation เพื่อการเรียนรู้ที่คำนวณในเบราว์เซอร์ ส่วนโค้ด Python ใช้ statsmodels จึงอาจให้ค่าต่างกันเล็กน้อยจากรายละเอียดการ optimize และค่าเริ่มต้นของไลบรารี ผลนี้ไม่ใช่ benchmark บนข้อมูลจริง