Tahmin nesnesiyle çalışmak

Üretim için Tahmin (Forecasting) Hatları Tasarlama

Rami Krispin

Senior Manager, Data Science and Engineering

Bir tahmin nesnesiyle çalışın

Veri hazırlığı
Birden çok tahmin modelini eğitip test etme
Modellerin performansını değerlendirme
statsforecast paketi
- alıştırmalarda mlforecast

Eğitim Bölümü

Zaman Serisi

Test Bölümü

Gerekli kütüphaneler

import pandas as pd 
import datetime

Gerekli kütüphaneler

from statsforecast import StatsForecast

from statsforecast.models import (
    DynamicOptimizedTheta,
    SeasonalNaive,
    AutoARIMA,
    HoltWinters,
    MSTL
)

from utilsforecast.plotting import plot_series

statsforecast veri biçimi

Veri giriş biçimi:

unique_id - seri kimliği
ds - seri zaman damgası
y - seri değerleri

Veri hazırlığı - veri yükleme

ts = pd.read_csv("data/data.csv")
ts["ds"] = pd.to_datetime(ts["ds"])
ts = ts.sort_values("ds")
ts = ts[["unique_id", "ds", "y"]]

os.environ['NIXTLA_ID_AS_COL'] = '1'

 unique_id        ds             y
0    1    2022-11-11 23:00:00    456403
1    1    2022-11-12 00:00:00    458842
2    1    2022-11-12 01:00:00    455111
3    1    2022-11-12 02:00:00    448035
4    1    2022-11-12 03:00:00    438165

Veri hazırlığı - eğitim/test ayrımı

Zaman serisini eğitim ve test bölümlerine ayırın
- datetime.timedelta kullanarak
- son 72 saati test olarak bırakın

test_length = 72

train_end = end  - datetime.timedelta(hours = test_length)

train = ts[ts["ds"] <= train_end]
test = ts[ts["ds"] > train_end]

Veri hazırlığı

plot_series(train, engine = "plotly")

Zaman Serisi

plot_series(test, engine = "plotly")

Test Bölümü

StatsModels ile tahminleme

# Saatlik mevsimsellik ile modelleri başlatın
auto_arima = AutoARIMA()
s_naive = SeasonalNaive(season_length=24)
theta =  DynamicOptimizedTheta(season_length=24)


# Saatlik ve haftalık mevsimsellik ile modelleri başlatın
mstl1 = MSTL(season_length=[24, 24 * 7], 
            trend_forecaster=AutoARIMA(),
            alias="MSTL_ARIMA_trend")

mstl2 = MSTL(season_length=[24, 24 * 7], 
            trend_forecaster=HoltWinters(),
            alias="MSTL_Holt_trend")

StatsModels ile tahminleme

# Modelleri bir listede birleştirin
stats_models = [auto_arima, s_naive, theta, mstl1, mstl2]


# Model nesnesini oluşturun
sf = StatsForecast( 
    models=stats_models,
    freq="h", 
    fallback_model = AutoARIMA(),
    n_jobs= -1)

StatsModels ile tahminleme

# Modelleri bir listede birleştirin
stats_models = [auto_arima, s_naive, theta, mstl1, mstl2]


# Model nesnesini oluşturun
sf = StatsForecast( 
    models=stats_models,
    freq="h", 
    fallback_model = AutoARIMA(),
    n_jobs= -1)


# Tahmini oluşturun
forecast_stats = sf.forecast(df=train, h=72, level=[95])

StatsModels ile Tahminleme

p = sf.plot(test, forecast_stats, engine = "plotly", level=[95])
p.update_layout(height=400)

Tahmin Grafiği

Model değerlendirme

def mape(y, yhat):
    mape = mean(abs(y - yhat)/ y) 
    return mape

def rmse(y, yhat):
    rmse = (mean((y - yhat) ** 2 )) ** 0.5
    return rmse

def coverage(y, lower, upper):
    coverage = sum((y <= upper) & (y >= lower)) / len(y)
    return coverage

Model değerlendirme

fc = forecast_stats.merge(test, how="left", on="ds")
fc_performance = None

for i in [str(m) for m in stats_models]:
    m = mape(y = fc["y"], yhat = fc[i])
    r = rmse(y = fc["y"], yhat = fc[i])
    c = coverage(y = fc["y"], lower = fc[i + "-lo-95"], upper = fc[i + "-hi-95"])

    perf = {"model": i,
            "mape": m,
            "rmse": r,
            "coverage": c}
    if fc_performance is None:
        fc_performance = pd.DataFrame([perf])
    else:
        fc_performance = pd.concat([fc_performance, pd.DataFrame([perf])])
fc_performance.reset_index(drop=True, inplace=True)

Model değerlendirme

print(fc_performance.sort_values("rmse"))

     model                    mape        rmse            coverage
1    SeasonalNaive            0.041340    22410.483959    1.000000
4    MSTL_Holt_trend          0.053939    30201.299395    0.513889
3    MSTL_ARIMA_trend         0.053771    30428.240235    0.666667
2    DynamicOptimizedTheta    0.090566    45189.869437    0.916667
0    AutoARIMA                0.149790    70483.617198    1.000000

Model değerlendirme

print(fc_performance.sort_values("rmse"))

     model                    mape        rmse            coverage
1    SeasonalNaive            0.041340    22410.483959    1.000000
4    MSTL_Holt_trend          0.053939    30201.299395    0.513889
3    MSTL_ARIMA_trend         0.053771    30428.240235    0.666667
2    DynamicOptimizedTheta    0.090566    45189.869437    0.916667
0    AutoARIMA                0.149790    70483.617198    1.000000

Sonuçları iyileştirebilir miyiz?

Daha iyi doğruluk için farklı ayarlar
Deneyler yardımcı olur

Vamos praticar!

Üretim için Tahmin (Forecasting) Hatları Tasarlama