tidsserianalyser

Tidsserianalyser er metoder og verktøy for å undersøke og forutsi verdier i observasjoner som er samlet i tidsrekkefølge. En tidsserie består vanligvis av komponenter som trend, sesongmønster og tilfeldige avvik. Analysen kan være univariat, der en enkelt tidsserie studeres, eller multivariat, der flere serier analyseres sammen for å avdekke felles mønstre.

Vanlige metoder inkluderer statistiske modeller som ARIMA og SARIMA, som tar høyde for autokorrelasjon og sesonalitet; Holt-Winters eksponensiell glatting; samt tidsserie-dekomposisjon for å skille komponenter. Mer avanserte tilnærminger omfatter maskinlæringsbaserte modeller som bruker lagrede funksjoner, samt nevrale nettverk som LSTM og tidsserietransformatorer.

Arbeidsflyten omfatter datainnsamling og rengjøring, identifikasjon av trend og sesong, modellvalg og parameterjustering, samt validering gjennom tidsbasert splitting, for eksempel rolling-origin eller walk-forward-korstesting. Evalueringsmetoder inkluderer MAE, RMSE og MAPE. Bruksområder dekker finansielle prisforutsigelser, etterspørsel og logistikk, vær- og miljøovervåkning, produksjonsovervåkning og epidemiologisk modellering. Verktøy og språk som R (forecast, tsibble) og Python (statsmodels, Prophet, scikit-learn) er vanlige.

Begrensninger inkluderer ikke-stasjonaritet, strukturendringer og endringer i sesongmønstre, samt datakvalitetsproblemer. Overfitting og feil spesifikasjon av sesongkomponenten kan gi upålitelige spådommer, og modellene kan kreve justering for hendelser som helligdager eller særlige begivenheter.