ml/ library Learn by doing
ALGORITHM 78 · PYTHON / JAVASCRIPT

Holt-Winters

อัปเดตระดับ แนวโน้ม และฤดูกาลพร้อมกัน

LEARNING LEVEL3
ผสานหลายแนวคิดควรรู้มาก่อน · Holt Linear Trend และ seasonality
ลองใน Playground

01Overall Concept

OVERALL CONCEPT

ไอเดียหลัก — Holt-Winters หรือ triple exponential smoothing แยกอนุกรมเป็น level, trend และ seasonal component แล้วอัปเดตแต่ละส่วนแบบถ่วงน้ำหนักเพื่อพยากรณ์ตามรอบ

ลองนึกภาพว่า — เหมือนคาดยอดขายจากฐานปัจจุบัน ทิศทางระยะยาว และจังหวะขึ้นลงประจำสัปดาห์

ตัวอย่างการนำไปใช้ — พยากรณ์ยอดขาย ปริมาณงาน และความต้องการที่มีฤดูกาล

02อธิบายภาษาคนเข้าใจง่ายๆ

เล่าแบบไม่ใช้ศัพท์ยาก

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

  1. เตรียมข้อมูลให้ตรงโจทย์

    อนุกรมเวลาช่วงสม่ำเสมอที่มีหลายรอบฤดูกาล ตรวจค่าที่หาย หน่วยของแต่ละคอลัมน์ และแยกข้อมูลประเมินก่อนเรียนรู้พารามิเตอร์จากข้อมูล

  2. ตั้งค่าที่ควบคุมพฤติกรรม

    ใช้ seasonal_periods เพื่อจำนวนช่วงต่อหนึ่งรอบฤดูกาล และบันทึกค่าเริ่มต้นหรือ random seed เมื่อวิธีมีการสุ่ม เพื่อให้ทำซ้ำและเปรียบเทียบได้

  3. คำนวณแก่นของวิธี

    ตั้งค่าองค์ประกอบเริ่มต้นจากรอบแรก จากนั้น อัปเดตระดับ แนวโน้ม และฤดูกาล Playground ใช้ข้อมูลสาธิตชุดเดิมทุกครั้งเพื่อให้เห็นผลของ slider โดยไม่ถูกความสุ่มกลบ

  4. สร้างผลลัพธ์ที่นำไปอ่านได้

    วน seasonal index เพื่อพยากรณ์อนาคต ผลที่ได้คือ องค์ประกอบ level/trend/season และ forecast ตัวเลขหรือกลุ่มที่ได้ยังต้องตีความร่วมกับบริบทของข้อมูล

  5. ตรวจว่าคำตอบใช้ได้จริง

    เปรียบเทียบหลายค่าของ seasonal_periods ด้วย metric ที่เหมาะ ดูทั้งผลรวมและกรณีที่พลาด แล้วทดสอบกับข้อมูลที่ไม่ใช้ปรับค่า โดยคำนึงถึงข้อจำกัดว่า ต้องมีข้อมูลครอบคลุมหลายฤดูกาลและรูปแบบฤดูกาลอาจเปลี่ยนจนค่าที่เรียนไว้ใช้ไม่ได้

เปิดตัวอย่างโค้ดเพื่อลองทำตาม →ตัวอย่างตัวเลขในเรื่องใช้ช่วยอธิบาย ส่วนโค้ดและ Playground ใช้ชุดข้อมูลสาธิตของแต่ละหน้าอ่านเอกสารอ้างอิงของเทคนิคนี้ ↗

ข้อมูล พารามิเตอร์ และภาพรวมการคำนวณ

DATA INX · featuresy · targetอนุกรมเวลาช่วงสม่ำเสมอที่มีหลายรอบฤดูกาล · ตัวอย่าง 60–150 แถว
CALCULATEHolt-Winters
seasonal_periodsrandom_statevalidation
RESULTnumeric predictionองค์ประกอบ level/trend/season และ forecast · Playground แสดงผลเมื่อปรับ ความยาวฤดูกาล
เส้นทางของข้อมูล: จากค่าที่รับเข้า ผ่านการคำนวณด้วยพารามิเตอร์ ไปเป็นผลลัพธ์
INPUT

ข้อมูลที่รับเข้ามา

อนุกรมเวลาช่วงสม่ำเสมอที่มีหลายรอบฤดูกาล

อนุกรมเวลาช่วงสม่ำเสมอที่มีหลายรอบฤดูกาล · ตัวอย่าง 60–150 แถว
PARAMETERS

พารามิเตอร์ที่ใช้

seasonal_periods
จำนวนช่วงต่อหนึ่งรอบฤดูกาล
random_state
ตรึงการสุ่มเพื่อให้ทดลองซ้ำและเปรียบเทียบได้
validation
เก็บข้อมูลส่วนหนึ่งไว้ตรวจคุณภาพกับตัวอย่างที่ไม่ใช้ฝึก
OUTPUT

ผลลัพธ์ที่ได้

องค์ประกอบ level/trend/season และ forecast

องค์ประกอบ level/trend/season และ forecast · Playground แสดงผลเมื่อปรับ ความยาวฤดูกาล
CALCULATION

คำนวณทีละขั้น

  1. 01

    ตั้งค่าองค์ประกอบเริ่มต้นจากรอบแรก

  2. 02

    อัปเดตระดับ แนวโน้ม และฤดูกาล

  3. 03

    วน seasonal index เพื่อพยากรณ์อนาคต

ควรรู้อีกนิด — ต้องมีข้อมูลครอบคลุมหลายฤดูกาลและรูปแบบฤดูกาลอาจเปลี่ยนจนค่าที่เรียนไว้ใช้ไม่ได้

04Make it yours

Python · statsmodels
# 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?

Holt-Winters / ภาพกลไกที่พารามิเตอร์ควบคุม● คำนวณใหม่เมื่อปรับค่า
จำนวนช่วงต่อหนึ่งรอบฤดูกาล
ดูภาพอย่างไร

พื้นหลังแบ่งรอบฤดูกาลและเส้นประต่อรูปแบบเดิมไปอนาคต

เมื่อเพิ่มค่า

หนึ่งรอบยาวขึ้น จุด seasonal เดิมจะถูกอ้างอิงห่างขึ้น

ลองเปรียบเทียบ

ตั้งค่าให้ตรงความถี่จริง เช่น 12 เดือน ไม่ใช่เลือกจากภาพสวยอย่างเดียว

ข้อมูลอดีตและค่าที่โมเดลอธิบายforecast →จุดเริ่มอนาคต
Seasonal forecast RMSE0.371
Season length12
พารามิเตอร์ที่ลอง12

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