🎯 Definicja
Szereg czasowy to uporządkowany zbiór danych, w którym obserwacje są zarejestrowane w kolejnych odstępach czasu. Analiza szeregów czasowych koncentruje się na zrozumieniu trendów, sezonowości i zależności czasowych w danych w celu przewidywania przyszłych wartości.
🔑 Kluczowe zastosowania
Szeregi czasowe są kluczowym elementem wielu dziedzin:
- 📈 Prognozy gospodarcze – np. PKB, inflacja, stopy procentowe
- 🛒 Prognozy sprzedaży – analiza popytu, planowanie zapasów
- 💹 Rynki finansowe – analiza giełdowa, surowce, kryptowaluty
- 🌾 Rolnictwo – prognozy plonów, zużycie nawozów
- 🔌 Energetyka – przewidywanie zużycia gazu, prądu, obciążeń
- 🛠️ Utrzymanie ruchu (predictive maintenance) – monitorowanie parametrów sprzętu w czasie
📚 Kluczowe cechy analizy szeregów czasowych
- Autokorelacja – obecna wartość zależy od przeszłych wartości
- Trend – długoterminowa tendencja wzrostowa lub spadkowa
- Sezonowość – cykliczność o znanych odstępach (np. tygodniowa, roczna)
- Stacjonarność – rozkład prawdopodobieństwa nie zmienia się w czasie
- Szok – nagłe, trudne do przewidzenia zmiany (np. pandemia, wojna)
🛠️ Metody modelowania
🔹 Modele statystyczne
- ARIMA / SARIMA – klasyczne modele autoregresji z uogólnieniem na sezonowość
- Exponential Smoothing (ETS) – ważenie starszych obserwacji mniej niż nowszych
- Prophet (Facebook) – model dekonstrukcyjny (trend + sezonowość + święta)
🔹 Modele ML/DL
- XGBoost / LightGBM – z funkcjami opóźnień/lags
- Random Forest z cechami czasowymi
- LSTM / GRU (RNN) – sieci neuronowe do sekwencji danych
- CNN / Transformer – zaawansowane podejście z modelowaniem czasowo-przestrzennym
⚠️ Modele ML lepiej przewidują, ale są często trudniejsze do wyjaśnienia (czarne skrzynki). Z pomocą przychodzi np. Permutation Importance, SHAP, PDP.
¶ Naiwna prognoza
Najprostszy punkt odniesienia:
„Jutro będzie tak samo jak dzisiaj”
Model typu „naive”:
ŷ(t+1) = y(t)To przydatna wartość bazowa — jeśli model „inteligentny” działa gorzej niż naiwna baza, coś jest nie tak 📉
⚠️ Walidacja w szeregach czasowych
W odróżnieniu od klasycznych danych:
❌ Nie działa klasyczna walidacja krzyżowa (KFold) – bo miesza dane z przyszłości do trenowania!
✅ Zastosuj TimeSeriesSplit lub ręczne dzielenie danych w porządku czasowym:
TRAIN TEST
[---train---] [---]
[------train------] [---]Sukcesywny układ chronologiczny pozwala przewidywać przyszłość bez przecieku danych.
- 📈 Silne fundamenty statystyczne i możliwość interpretacji trendów
❌ Wady
- ⚠️ Modele ML trudne do wyjaśnienia (brak przejrzystości)
- 📊 Duża ilość danych + inżynieria cech = spore zasoby obliczeniowe
- 🔁 Często występują nieliniowe, zmienne w czasie zależności (konieczność adaptacji modelu)
- ❌ Wysoka podatność na przerwy w danych, zmiany w sezonowości, regresje covidowe/wojenne
💡 Praktyczny przykład
Zespół prognozowania zużycia energii gromadzi historię pomiarów z 15-minutowych interwałów z liczników. Wyciągają lag features (opóźnienia), rolling averages (średnie kroczące), oznaczenia świąt i pór roku. Testowany jest model XGBoost z 30-dniowym oknem lookback. Wyniki walidowane przez rolling window. Model deployed w Airflow z monitoringiem MAPE i retraining co 7 dni.
📌 Źródła
- Elements of Time Series in Python – Jason Brownlee
- Facebook Prophet (docs)
- ARIMA Explained – Hyndman
- Time Series Cross Validation Guide – sklearn
👽 Brudnopis
- szereg = wartości z etykietą czasową
- Trend ↑↓, Sezonowość ♻️, Lag ⬅️
- rolling, expanding, shift()
- klasyka: ARIMA → teraz ML (XGB + lag features)
- Ramię CIops: aktualizacja modelu, drift detection, walidacja on-line
- nie shuffle! chronologia to wszystko
- taski: forecasting, detection (anomalie), klasyfikacja (post-label)
- Prophet → szybki, elastyczny, mityczny default w firmach 👼
- Dobre KPI: MAE, RMSE, MAPE (%) → porównanie do naïve = sanity check