Aikasarjaennusteissa

Aikasarjaennusteissa tarkoitetaan toimintaa ja ilmiötä, jossa historiallisten aikasarjatietojen pohjalta pyritään ennustamaan tulevia arvoja sekä määrittämään ennusteiden epävarmuus. Ennusteet voivat kattaa eripituiset horisontit, ja niitä hyödynnetään päätöksenteon tukena muun muassa taloudessa, energiantuotannossa, logistiikassa sekä sää- ja ympäristöennusteissa.

Aikasarjoja analysoidaan tunnistamalla trendejä, kausivaihtelua sekä pysyviä satunnaisvaihteluita. Ennen mallin sovittamista data puhdistetaan, tarkistetaan stationarity ja mahdollisesti muunnetaan muuttujia, esimerkiksi logaritmimuutoksella tai Box-Cox-muunnoksella. Mallin valintaan vaikuttavat ennustettava horisontti, datan ominaisuudet sekä tulosten tulkittavuus.

Yleisimmät menetelmät ovat klassiset tilastolliset mallit kuten ARIMA ja SARIMA sekä eksponentiaalisen tasoituksen mallit (Holt-Winters). Lisäksi käytetään bayes- ja tilastollisia lähestymistapoja sekä regressio- ja koneoppimismenetelmiä, kuten Prophet, riippuen datasta ja vaaditusta tulkittavuudesta.

Ennusteiden laatua arvioidaan erottamalla data koulutus- ja testijaksoihin sekä käyttämällä rolling-origin- tai backtesting-menetelmiä. Keskeisiä mittareita ovat MAE, RMSE ja MAPE; lisäksi huomioidaan ennusteiden epävarmuus ja luottamusvälien katetuus.

Käytännössä aikasarjaennusteet ohjaavat varastointia, budjetointia ja tuotannon suunnittelua sekä muita toiminnan tehostamiseen liittyviä päätöksiä. Ennusteet edellyttävät säännöllistä päivittämistä uusien havaintojen myötä.