ml/ library Learn by doing
ALGORITHM 102 · PYTHON / JAVASCRIPT

SARIMA

เพิ่ม lag และ differencing ตามรอบฤดูกาลให้ ARIMA

LEARNING LEVEL4
ขั้นสูงควรรู้มาก่อน · ARMA, differencing และ seasonality
ลองใน Playground

01Overall Concept

OVERALL CONCEPT

ไอเดียหลัก — SARIMA รวมส่วน (p,d,q) ระยะสั้นกับ (P,D,Q,s) ตามฤดูกาล จึงเรียนทั้งความต่อเนื่องรายช่วงและรูปแบบที่ย้อนกลับทุก s ช่วงเวลา

ลองนึกภาพว่า — เหมือนพยากรณ์ยอดวันนี้จากทั้งเมื่อวานและวันเดียวกันของรอบก่อน

ตัวอย่างการนำไปใช้ — ยอดขายรายเดือน ปริมาณผู้โดยสาร และโหลดระบบที่มีรอบชัดเจน

02อธิบายภาษาคนเข้าใจง่ายๆ

เล่าแบบไม่ใช้ศัพท์ยาก

SARIMA เริ่มจากคำถามง่าย ๆ ว่า เพิ่ม lag และ differencing ตามรอบฤดูกาลให้ ARIMA วิธีนี้ไม่ได้มองข้อมูลทุกชนิดเหมือนกัน จึงต้องเตรียมข้อมูลให้ตรงกับสิ่งที่อัลกอริทึมใช้คำนวณ

เหมือนพยากรณ์ยอดวันนี้จากทั้งเมื่อวานและวันเดียวกันของรอบก่อน ภาพเปรียบเทียบนี้ช่วยจำแก่นของวิธี แต่ตอนใช้งานจริงคอมพิวเตอร์ทำงานกับตัวเลขและกฎที่กำหนดไว้อย่างชัดเจน

SARIMA รวมส่วน (p,d,q) ระยะสั้นกับ (P,D,Q,s) ตามฤดูกาล จึงเรียนทั้งความต่อเนื่องรายช่วงและรูปแบบที่ย้อนกลับทุก s ช่วงเวลา พารามิเตอร์หลักใน Playground คือ ความยาวฤดูกาล s เมื่อเลื่อนค่า ระบบจะคำนวณผลใหม่จากข้อมูลชุดเดิม จึงเปรียบเทียบการเปลี่ยนแปลงได้ตรง ๆ

ข้อมูลตัวอย่างบนหน้าใช้รูปแบบ อนุกรมเวลาที่มีหลายรอบฤดูกาลและช่วงสม่ำเสมอ · ตัวอย่างขนาดเล็กที่ทำซ้ำได้ เราแยกสิ่งที่อัลกอริทึมรับเข้าออกจากผลลัพธ์ เพื่อไม่เผลอส่งข้อมูลคำตอบหรือข้อมูลอนาคตเข้าไปตอนฝึก

งานที่เหมาะ เช่น ยอดขายรายเดือน ปริมาณผู้โดยสาร และโหลดระบบที่มีรอบชัดเจน ก่อนใช้จริงควรกำหนด metric ที่สัมพันธ์กับเป้าหมาย แล้วเปรียบเทียบกับวิธีพื้นฐานที่ง่ายกว่า

ภาพจำ: องค์ประกอบ seasonal, residual และ forecast · Playground อัปเดตเมื่อปรับ ความยาวฤดูกาล s พร้อมจำข้อจำกัดสำคัญว่า จำนวนพารามิเตอร์เพิ่มเร็วและต้องมีข้อมูลหลายฤดูกาลเพื่อแยก pattern จาก noise

03How it works

ค่อยๆ ทำไปด้วยกัน ตั้งแต่ข้อมูลแถวแรกจนถึงการตรวจคำตอบ

  1. เตรียมข้อมูลให้ตรงโจทย์

    อนุกรมเวลาที่มีหลายรอบฤดูกาลและช่วงสม่ำเสมอ ตรวจค่าที่หาย หน่วยของแต่ละคอลัมน์ และแยกข้อมูลประเมินก่อนเรียนรู้พารามิเตอร์จากข้อมูล

  2. ตั้งค่าที่ควบคุมพฤติกรรม

    ใช้ seasonal_period เพื่อจำนวนช่วงเวลาต่อหนึ่งรอบฤดูกาล และบันทึกค่าเริ่มต้นหรือ random seed เมื่อวิธีมีการสุ่ม เพื่อให้ทำซ้ำและเปรียบเทียบได้

  3. คำนวณแก่นของวิธี

    ทำ regular และ seasonal differencing จากนั้น สร้าง lag terms ระยะสั้นและตามฤดูกาล Playground ใช้ข้อมูลสาธิตชุดเดิมทุกครั้งเพื่อให้เห็นผลของ slider โดยไม่ถูกความสุ่มกลบ

  4. สร้างผลลัพธ์ที่นำไปอ่านได้

    ประมาณ state-space likelihood และ forecast ผลที่ได้คือ องค์ประกอบ seasonal, residual และ forecast ตัวเลขหรือกลุ่มที่ได้ยังต้องตีความร่วมกับบริบทของข้อมูล

  5. ตรวจว่าคำตอบใช้ได้จริง

    เปรียบเทียบหลายค่าของ seasonal_period ด้วย metric ที่เหมาะ ดูทั้งผลรวมและกรณีที่พลาด แล้วทดสอบกับข้อมูลที่ไม่ใช้ปรับค่า โดยคำนึงถึงข้อจำกัดว่า จำนวนพารามิเตอร์เพิ่มเร็วและต้องมีข้อมูลหลายฤดูกาลเพื่อแยก pattern จาก noise

เปิดตัวอย่างโค้ดเพื่อลองทำตาม →ตัวอย่างตัวเลขในเรื่องใช้ช่วยอธิบาย ส่วนโค้ดและ Playground ใช้ชุดข้อมูลสาธิตของแต่ละหน้าอ่านเอกสารอ้างอิงของเทคนิคนี้ ↗

ข้อมูล พารามิเตอร์ และภาพรวมการคำนวณ

DATA INX · featuresy · targetอนุกรมเวลาที่มีหลายรอบฤดูกาลและช่วงสม่ำเสมอ · ตัวอย่างขนาดเล็กที่ทำซ้ำได้
CALCULATESARIMA
seasonal_periodlearning_ratevalidation
RESULTnumeric predictionองค์ประกอบ seasonal, residual และ forecast · Playground อัปเดตเมื่อปรับ ความยาวฤดูกาล s
เส้นทางของข้อมูล: จากค่าที่รับเข้า ผ่านการคำนวณด้วยพารามิเตอร์ ไปเป็นผลลัพธ์
INPUT

ข้อมูลที่รับเข้ามา

อนุกรมเวลาที่มีหลายรอบฤดูกาลและช่วงสม่ำเสมอ

อนุกรมเวลาที่มีหลายรอบฤดูกาลและช่วงสม่ำเสมอ · ตัวอย่างขนาดเล็กที่ทำซ้ำได้
PARAMETERS

พารามิเตอร์ที่ใช้

seasonal_period
จำนวนช่วงเวลาต่อหนึ่งรอบฤดูกาล
learning_rate
ควบคุมขนาดการอัปเดตในแต่ละรอบเมื่อโมเดลเรียนด้วย gradient
validation
กำหนดข้อมูลที่กันไว้เลือกค่าและตรวจการใช้งานกับตัวอย่างใหม่
OUTPUT

ผลลัพธ์ที่ได้

องค์ประกอบ seasonal, residual และ forecast

องค์ประกอบ seasonal, residual และ forecast · Playground อัปเดตเมื่อปรับ ความยาวฤดูกาล s
CALCULATION

คำนวณทีละขั้น

  1. 01

    ทำ regular และ seasonal differencing

  2. 02

    สร้าง lag terms ระยะสั้นและตามฤดูกาล

  3. 03

    ประมาณ state-space likelihood และ forecast

ควรรู้อีกนิด — จำนวนพารามิเตอร์เพิ่มเร็วและต้องมีข้อมูลหลายฤดูกาลเพื่อแยก pattern จาก noise

04Make it yours

Python · statsmodels
# ติดตั้ง: pip install numpy statsmodels# ดาวน์โหลด sample.csv จากหน้านี้ แล้ววางไว้ข้างสคริปต์import numpy as npdata = np.genfromtxt("sarima-sample.csv", delimiter=",", skip_header=1)from statsmodels.tsa.statespace.sarimax import SARIMAXy = data[:, 1]; s = 12model = SARIMAX(y, order=(1,1,1), seasonal_order=(1,1,1,s), enforce_stationarity=False).fit(disp=False)print("AIC:", model.aic)print("Forecast:", model.forecast(12))

โค้ดเปลี่ยนตามค่าที่เลือกใน Playground · แต่ละภาษาใช้ข้อมูลตัวอย่างตามที่ระบุในโค้ด

05Learn by playing

คาบฤดูกาลใดทำให้ seasonal lag ตรงจังหวะข้อมูล?

SARIMA / ภาพกลไกที่พารามิเตอร์ควบคุม● คำนวณใหม่เมื่อปรับค่า
จำนวนช่วงเวลาต่อหนึ่งรอบฤดูกาล
ดูภาพอย่างไร

เส้นแนวตั้งแบ่งฤดูกาลและเส้นประทำซ้ำทั้ง short และ seasonal dynamics

เมื่อเพิ่มค่า

ระยะอ้างอิงของรอบฤดูกาลยาวขึ้น

ลองเปรียบเทียบ

ตั้ง s จากความถี่จริงและดู residual ว่ายังเหลือจังหวะเดิมหรือไม่

ข้อมูลอดีตและค่าที่โมเดลอธิบายforecast →จุดเริ่มอนาคต
Seasonal forecast RMSE0.160
Season length12
พารามิเตอร์ที่ลอง12

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