01Overall Concept
ไอเดียหลัก — SARIMA รวมส่วน (p,d,q) ระยะสั้นกับ (P,D,Q,s) ตามฤดูกาล จึงเรียนทั้งความต่อเนื่องรายช่วงและรูปแบบที่ย้อนกลับทุก s ช่วงเวลา
ลองนึกภาพว่า — เหมือนพยากรณ์ยอดวันนี้จากทั้งเมื่อวานและวันเดียวกันของรอบก่อน
ตัวอย่างการนำไปใช้ — ยอดขายรายเดือน ปริมาณผู้โดยสาร และโหลดระบบที่มีรอบชัดเจน
02อธิบายภาษาคนเข้าใจง่ายๆ
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
เตรียมข้อมูลให้ตรงโจทย์
อนุกรมเวลาที่มีหลายรอบฤดูกาลและช่วงสม่ำเสมอ ตรวจค่าที่หาย หน่วยของแต่ละคอลัมน์ และแยกข้อมูลประเมินก่อนเรียนรู้พารามิเตอร์จากข้อมูล
ตั้งค่าที่ควบคุมพฤติกรรม
ใช้ seasonal_period เพื่อจำนวนช่วงเวลาต่อหนึ่งรอบฤดูกาล และบันทึกค่าเริ่มต้นหรือ random seed เมื่อวิธีมีการสุ่ม เพื่อให้ทำซ้ำและเปรียบเทียบได้
คำนวณแก่นของวิธี
ทำ regular และ seasonal differencing จากนั้น สร้าง lag terms ระยะสั้นและตามฤดูกาล Playground ใช้ข้อมูลสาธิตชุดเดิมทุกครั้งเพื่อให้เห็นผลของ slider โดยไม่ถูกความสุ่มกลบ
สร้างผลลัพธ์ที่นำไปอ่านได้
ประมาณ state-space likelihood และ forecast ผลที่ได้คือ องค์ประกอบ seasonal, residual และ forecast ตัวเลขหรือกลุ่มที่ได้ยังต้องตีความร่วมกับบริบทของข้อมูล
ตรวจว่าคำตอบใช้ได้จริง
เปรียบเทียบหลายค่าของ seasonal_period ด้วย metric ที่เหมาะ ดูทั้งผลรวมและกรณีที่พลาด แล้วทดสอบกับข้อมูลที่ไม่ใช้ปรับค่า โดยคำนึงถึงข้อจำกัดว่า จำนวนพารามิเตอร์เพิ่มเร็วและต้องมีข้อมูลหลายฤดูกาลเพื่อแยก pattern จาก noise
ข้อมูล พารามิเตอร์ และภาพรวมการคำนวณ
seasonal_periodlearning_ratevalidationข้อมูลที่รับเข้ามา
อนุกรมเวลาที่มีหลายรอบฤดูกาลและช่วงสม่ำเสมอ
อนุกรมเวลาที่มีหลายรอบฤดูกาลและช่วงสม่ำเสมอ · ตัวอย่างขนาดเล็กที่ทำซ้ำได้พารามิเตอร์ที่ใช้
- seasonal_period
- จำนวนช่วงเวลาต่อหนึ่งรอบฤดูกาล
- learning_rate
- ควบคุมขนาดการอัปเดตในแต่ละรอบเมื่อโมเดลเรียนด้วย gradient
- validation
- กำหนดข้อมูลที่กันไว้เลือกค่าและตรวจการใช้งานกับตัวอย่างใหม่
ผลลัพธ์ที่ได้
องค์ประกอบ seasonal, residual และ forecast
องค์ประกอบ seasonal, residual และ forecast · Playground อัปเดตเมื่อปรับ ความยาวฤดูกาล sคำนวณทีละขั้น
- 01
ทำ regular และ seasonal differencing
- 02
สร้าง lag terms ระยะสั้นและตามฤดูกาล
- 03
ประมาณ state-space likelihood และ forecast
ควรรู้อีกนิด — จำนวนพารามิเตอร์เพิ่มเร็วและต้องมีข้อมูลหลายฤดูกาลเพื่อแยก pattern จาก noise
04Make it yours
# 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?
เส้นแนวตั้งแบ่งฤดูกาลและเส้นประทำซ้ำทั้ง short และ seasonal dynamics
ระยะอ้างอิงของรอบฤดูกาลยาวขึ้น
ตั้ง s จากความถี่จริงและดู residual ว่ายังเหลือจังหวะเดิมหรือไม่
Playground เป็น implementation เพื่อการเรียนรู้ที่คำนวณในเบราว์เซอร์ ส่วนโค้ด Python ใช้ statsmodels จึงอาจให้ค่าต่างกันเล็กน้อยจากรายละเอียดการ optimize และค่าเริ่มต้นของไลบรารี ผลนี้ไม่ใช่ benchmark บนข้อมูลจริง