8 Tecniche per Modellare la Stagionalità
8 Techniques for Seasonality Modeling
Come gestire la stagionalità per le previsioni
Questo articolo è un seguito di un post precedente. Lì, abbiamo identificato 3 tipi di pattern stagionali.
Qui, impareremo:
- Come descrivere la stagionalità di una serie temporale.
- Esamineremo 8 approcci che è possibile utilizzare per modellare la stagionalità.
Modellazione dei pattern stagionali
La stagionalità si riferisce a pattern ripetibili che si ripetono durante un certo periodo. È una fonte importante di variazione che è importante modellare.
Ci sono diversi modi per gestire la stagionalità. Alcuni approcci rimuovono la componente stagionale prima della modellazione. I dati stagionalmente regolati (una serie temporale meno la componente stagionale) mettono in evidenza effetti a lungo termine come tendenze o cicli economici. Altri approcci aggiungono variabili extra che catturano la natura ciclica della stagionalità.
- Hacker cinese attacca il cloud di Microsoft, rimane indetetato per oltre un mese
- 3 Trucchi Potenti Per Lavorare Con I Dati Data-Ora In Python
- Ripensare il portfolio di Data Science
Prima di esaminare diversi metodi, creiamo una serie temporale e descriviamo i suoi pattern stagionali.
Esempio di analisi
Utilizzeremo lo stesso processo che abbiamo utilizzato nell’articolo precedente (vedi anche riferimento [1]):
periodo = 12 # serie mensilesize = 120beta1 = np.linspace(-.6, .3, num=size)beta2 = np.linspace(.6, -.3, num=size)sin1 = np.asarray([np.sin(2 * np.pi * i / 12) for i in np.arange(1, size + 1)])cos1 = np.asarray([np.cos(2 * np.pi * i / 12) for i in np.arange(1, size + 1)])xt = np.cumsum(np.random.normal(scale=0.1, size=size))yt = xt + beta1 * sin1 + beta2 * cos1 + np.random.normal(scale=0.1, size=size)yt = pd.Series(yt)Ecco come appare questa serie:
Possiamo iniziare descrivendo il pattern stagionale dalla sua intensità:
# https://github.com/vcerqueira/blog/tree/main/srcfrom src.seasonality import seasonal_strengthseasonal_strength(yt, periodo=12)# 0.90
