01Overall Concept
ไอเดียหลัก — Holt-Winters หรือ triple exponential smoothing แยกอนุกรมเป็น level, trend และ seasonal component แล้วอัปเดตแต่ละส่วนแบบถ่วงน้ำหนักเพื่อพยากรณ์ตามรอบ
ลองนึกภาพว่า — เหมือนคาดยอดขายจากฐานปัจจุบัน ทิศทางระยะยาว และจังหวะขึ้นลงประจำสัปดาห์
ตัวอย่างการนำไปใช้ — พยากรณ์ยอดขาย ปริมาณงาน และความต้องการที่มีฤดูกาล
02อธิบายภาษาคนเข้าใจง่ายๆ
Holt-Winters เริ่มจากคำถามง่าย ๆ ว่า อัปเดตระดับ แนวโน้ม และฤดูกาลพร้อมกัน วิธีนี้ไม่ได้มองข้อมูลทุกชนิดเหมือนกัน จึงต้องเตรียมข้อมูลให้ตรงกับสิ่งที่อัลกอริทึมใช้คำนวณ
เหมือนคาดยอดขายจากฐานปัจจุบัน ทิศทางระยะยาว และจังหวะขึ้นลงประจำสัปดาห์ ภาพเปรียบเทียบนี้ช่วยจำแก่นของวิธี แต่ตอนใช้งานจริงคอมพิวเตอร์ทำงานกับตัวเลขและกฎที่กำหนดไว้อย่างชัดเจน
Holt-Winters หรือ triple exponential smoothing แยกอนุกรมเป็น level, trend และ seasonal component แล้วอัปเดตแต่ละส่วนแบบถ่วงน้ำหนักเพื่อพยากรณ์ตามรอบ พารามิเตอร์หลักใน Playground คือ ความยาวฤดูกาล เมื่อเลื่อนค่า ระบบจะคำนวณผลใหม่จากข้อมูลชุดเดิม จึงเปรียบเทียบการเปลี่ยนแปลงได้ตรง ๆ
ข้อมูลตัวอย่างบนหน้าใช้รูปแบบ อนุกรมเวลาช่วงสม่ำเสมอที่มีหลายรอบฤดูกาล · ตัวอย่าง 60–150 แถว เราแยกสิ่งที่อัลกอริทึมรับเข้าออกจากผลลัพธ์ เพื่อไม่เผลอส่งข้อมูลคำตอบหรือข้อมูลอนาคตเข้าไปตอนฝึก
งานที่เหมาะ เช่น พยากรณ์ยอดขาย ปริมาณงาน และความต้องการที่มีฤดูกาล ก่อนใช้จริงควรกำหนด metric ที่สัมพันธ์กับเป้าหมาย แล้วเปรียบเทียบกับวิธีพื้นฐานที่ง่ายกว่า
ภาพจำ: องค์ประกอบ level/trend/season และ forecast · Playground แสดงผลเมื่อปรับ ความยาวฤดูกาล พร้อมจำข้อจำกัดสำคัญว่า ต้องมีข้อมูลครอบคลุมหลายฤดูกาลและรูปแบบฤดูกาลอาจเปลี่ยนจนค่าที่เรียนไว้ใช้ไม่ได้
03How it works
ค่อยๆ ทำไปด้วยกัน ตั้งแต่ข้อมูลแถวแรกจนถึงการตรวจคำตอบ
เตรียมข้อมูลให้ตรงโจทย์
อนุกรมเวลาช่วงสม่ำเสมอที่มีหลายรอบฤดูกาล ตรวจค่าที่หาย หน่วยของแต่ละคอลัมน์ และแยกข้อมูลประเมินก่อนเรียนรู้พารามิเตอร์จากข้อมูล
ตั้งค่าที่ควบคุมพฤติกรรม
ใช้ seasonal_periods เพื่อจำนวนช่วงต่อหนึ่งรอบฤดูกาล และบันทึกค่าเริ่มต้นหรือ random seed เมื่อวิธีมีการสุ่ม เพื่อให้ทำซ้ำและเปรียบเทียบได้
คำนวณแก่นของวิธี
ตั้งค่าองค์ประกอบเริ่มต้นจากรอบแรก จากนั้น อัปเดตระดับ แนวโน้ม และฤดูกาล Playground ใช้ข้อมูลสาธิตชุดเดิมทุกครั้งเพื่อให้เห็นผลของ slider โดยไม่ถูกความสุ่มกลบ
สร้างผลลัพธ์ที่นำไปอ่านได้
วน seasonal index เพื่อพยากรณ์อนาคต ผลที่ได้คือ องค์ประกอบ level/trend/season และ forecast ตัวเลขหรือกลุ่มที่ได้ยังต้องตีความร่วมกับบริบทของข้อมูล
ตรวจว่าคำตอบใช้ได้จริง
เปรียบเทียบหลายค่าของ seasonal_periods ด้วย metric ที่เหมาะ ดูทั้งผลรวมและกรณีที่พลาด แล้วทดสอบกับข้อมูลที่ไม่ใช้ปรับค่า โดยคำนึงถึงข้อจำกัดว่า ต้องมีข้อมูลครอบคลุมหลายฤดูกาลและรูปแบบฤดูกาลอาจเปลี่ยนจนค่าที่เรียนไว้ใช้ไม่ได้
ข้อมูล พารามิเตอร์ และภาพรวมการคำนวณ
seasonal_periodsrandom_statevalidationข้อมูลที่รับเข้ามา
อนุกรมเวลาช่วงสม่ำเสมอที่มีหลายรอบฤดูกาล
อนุกรมเวลาช่วงสม่ำเสมอที่มีหลายรอบฤดูกาล · ตัวอย่าง 60–150 แถวพารามิเตอร์ที่ใช้
- seasonal_periods
- จำนวนช่วงต่อหนึ่งรอบฤดูกาล
- random_state
- ตรึงการสุ่มเพื่อให้ทดลองซ้ำและเปรียบเทียบได้
- validation
- เก็บข้อมูลส่วนหนึ่งไว้ตรวจคุณภาพกับตัวอย่างที่ไม่ใช้ฝึก
ผลลัพธ์ที่ได้
องค์ประกอบ level/trend/season และ forecast
องค์ประกอบ level/trend/season และ forecast · Playground แสดงผลเมื่อปรับ ความยาวฤดูกาลคำนวณทีละขั้น
- 01
ตั้งค่าองค์ประกอบเริ่มต้นจากรอบแรก
- 02
อัปเดตระดับ แนวโน้ม และฤดูกาล
- 03
วน seasonal index เพื่อพยากรณ์อนาคต
ควรรู้อีกนิด — ต้องมีข้อมูลครอบคลุมหลายฤดูกาลและรูปแบบฤดูกาลอาจเปลี่ยนจนค่าที่เรียนไว้ใช้ไม่ได้
04Make it yours
# ติดตั้ง: pip install numpy statsmodels# ดาวน์โหลด sample.csv จากหน้านี้ แล้ววางไว้ข้างสคริปต์import numpy as npdata = np.genfromtxt("holt-winters-sample.csv", delimiter=",", skip_header=1)from statsmodels.tsa.holtwinters import ExponentialSmoothingy = data[:, 1]model = ExponentialSmoothing(y, trend="add", seasonal="add", seasonal_periods=12, initialization_method="estimated").fit()print("Forecast:", model.forecast(8))print("SSE:", model.sse)โค้ดเปลี่ยนตามค่าที่เลือกใน Playground · แต่ละภาษาใช้ข้อมูลตัวอย่างตามที่ระบุในโค้ด
05Learn by playing
ความยาวฤดูกาลใดทำให้จังหวะ forecast ตรงกับข้อมูล?
พื้นหลังแบ่งรอบฤดูกาลและเส้นประต่อรูปแบบเดิมไปอนาคต
หนึ่งรอบยาวขึ้น จุด seasonal เดิมจะถูกอ้างอิงห่างขึ้น
ตั้งค่าให้ตรงความถี่จริง เช่น 12 เดือน ไม่ใช่เลือกจากภาพสวยอย่างเดียว
Playground เป็น implementation เพื่อการเรียนรู้ที่คำนวณในเบราว์เซอร์ ส่วนโค้ด Python ใช้ statsmodels จึงอาจให้ค่าต่างกันเล็กน้อยจากรายละเอียดการ optimize และค่าเริ่มต้นของไลบรารี ผลนี้ไม่ใช่ benchmark บนข้อมูลจริง