Tidsseriebaserede

Tidsseriebaserede data er observationer indsamlet i kronologisk rækkefølge over tid. Metoder og analyser, der betegnes som tidsseriebaserede, fokuserer på mønstre og forudsigelser baseret på historiske observationer. Typiske egenskaber omfatter autocorrelationsstruktur, trend og sæsonvariation, samt potentielle ændringer i statistiske forhold over tid.

Data kræver ofte regelmæssige tidsstempler og en fast frekvens. Viktige udfordringer inkluderer ikke-stationaritet, sæsonkomponenter, manglende data, outliers og ændringer i målemetoder, som kan påvirke modellernes stabilitet og nøjagtighed.

Almindelige tidsseriemodeller omfatter klassiske statistiske modeller som ARIMA, SARIMA og VAR, samt eksponentiel glatning (Holt-Winters) og state-space modeller med Kalman-filter. I maskinlæring anvendes tidsserie-specifikke tilgange som LSTM-netværk og Transformer-baserede modeller. Uanset valg af metode bør tidsrækkefølgen integreres i træning og validering.

Arbejdsgangen omfatter dataforberedelse med lagging og differensiering, konstruktion af sæsonbaserede features og tidsbaseret opdeling til validering baseret på rullende fremskrivninger. Krydsvalidering til tidsserier og evalueringer som RMSE, MAE og MAPE er almindelige for at sammenligne modeller og sikre robusthed i fremskrivninger.

Anvendelsesområder spænder fra finansiel prisforudsigelse og energiforbrugsprognoser til vejr-, efterspørgsels- og epidemiologiske fremskrivninger. Udfordringer inkluderer konceptskift (concept drift), ændringer i datakilder og behov for løbende opdateringer for at bevare relevans og nøjagtighed.