--- title: Временные ряды и прогнозирование questionDates: q-transfer-0015: '2026-10-01' q-transfer-0016: '2026-10-01' seo: description: >- Тема «Временные ряды и прогнозирование» для собеседования Data Scientist. Как происходит обучение на временных рядах? Как делать кросс-валидацию временных рядов? title: Временные ряды и прогнозирование — Data Scientist --- [Все темы Data Scientist](/prep/data-scientist) Подтемы: - [Временные ряды](#q-14bee738d69b8189aa3be8d95edc2289) - [Стационарность рядов](#q-14bee738d69b812a97f1ff5f2633f91e) - [Прогнозирование](#q-14bee738d69b817fbbf7d3a12b3ed88f) - [Ряды Фурье](#q-14bee738d69b81329d9eeccd7822262c) ## Как происходит обучение на временных рядах? [#q-14bee738d69b8189aa3be8d95edc2289] Обучение на временных рядах обычно включает следующие шаги: 1. Подготовка данных: Изучение временных рядов, включая их структуру, тренды, сезонность и шумы. Также необходимо разделить данные на обучающий и тестовый наборы. 1. Выбор модели: Выбор подходящей модели для анализа временных рядов, такой как ARIMA, SARIMA, Prophet, LSTM и т. д., в зависимости от характеристик данных и поставленных задач. 1. Обучение модели: Применение выбранной модели к обучающему набору данных для обучения параметров модели. 1. Оценка модели: Оценка производительности модели на тестовом наборе данных с использованием метрик, таких как среднеквадратичная ошибка (MSE), средняя абсолютная ошибка (MAE), коэффициент детерминации (R²) и т. д. 1. Настройка гиперпараметров: Подбор оптимальных значений гиперпараметров модели для достижения лучшей производительности. 1. Прогнозирование: Применение обученной модели для прогнозирования будущих значений временного ряда. :::note[Ссылки для изучения] 1. [Временные ряды в ML](https://education.yandex.ru/handbook/ml/article/vremennye-ryady) 2. [Прогнозирование временных рядов. Yandex for ML, с 0:00](https://www.youtube.com/watch?v=Rmh6b96u6UU&t=0s) ::: --- ## Как делать кросс-валидацию временных рядов? [#q-14bee738d69b8103b804eabc2311a212] Разбиения строят по времени: модель обучают на прошлом и проверяют на следующем интервале. Используют expanding window, где обучающая история растёт, или rolling window фиксированной длины. Окно и горизонт валидации должны соответствовать реальному прогнозу. Данные не перемешивают. Все признаки, нормализацию и отбор параметров рассчитывают только на обучающей части каждого фолда, иначе будущее попадёт в обучение. При наличии временного лага между признаками и целью добавляют gap. Качество считают на каждом фолде и анализируют не только среднее, но и разброс по периодам. :::note[Ссылки для изучения] 1. [Кросс-валидация временных рядов: хронологические фолды, TimeSeriesSplit и временной зазор](https://education.yandex.ru/handbook/ml/article/kross-validaciya) ::: --- ## Каков ваш опыт работы с временными рядами? Какие библиотеки, практические методы и теоретические подходы вы знаете? [#q-14bee738d69b8178a82ef58d758ee202] Назовите методы и библиотеки, с которыми действительно работали, и опишите одну задачу: горизонт прогноза, временное разбиение, базовую модель и метрику. Возможные темы для ответа: ARIMA/SARIMA, экспоненциальное сглаживание, декомпозиция ряда и модели на лагах. Теоретическое знакомство отделите от практики. :::note[Ссылки для изучения] 1. [Временные ряды в ML](https://education.yandex.ru/handbook/ml/article/vremennye-ryady) ::: --- ## С проблематикой стационарности рядов, зачем она нужна - знакомы? Опишите своими словами, в чем там есть проблема? [#q-14bee738d69b812a97f1ff5f2633f91e] Конечно, стационарность временного ряда важна, потому что она предполагает постоянство статистических свойств ряда со временем. Это означает, что среднее значение, дисперсия и автокорреляционная структура ряда остаются постоянными во времени. Если ряд нестационарен, это может означать, что статистические свойства ряда меняются с течением времени, что делает прогнозирование и анализ более сложными и менее точными. Нестационарность может проявляться в трендах, сезонных изменениях, изменяющейся дисперсии или корреляции. :::note[Ссылки для изучения] 1. [Стационарность временного ряда: среднее, дисперсия и ковариации](https://education.yandex.ru/handbook/ml/article/analitika-vremennyh-ryadov) 2. [Стационарность временного ряда. К.В. Воронцов, с 33:09](https://www.youtube.com/watch?v=Rmh6b96u6UU&t=1989s) ::: --- ## Что включает в себя задача прогнозирования? [#q-14bee738d69b817fbbf7d3a12b3ed88f] Задача прогнозирования включает в себя использование данных о прошлом для предсказания будущих событий, значений или трендов. Она включает в себя построение моделей, которые могут прогнозировать значения целевой переменной на основе доступных признаков или данных, что позволяет принимать более осознанные решения или действия в будущем. Такие модели могут быть использованы в различных областях, включая финансы, экономику, медицину, маркетинг и другие. :::note[Ссылки для изучения] 1. [Прогнозирование в ML](https://habr.com/ru/articles/690100/) 2. [Прогнозирование временных рядов. Yandex for ML, с 0:00](https://www.youtube.com/watch?v=Rmh6b96u6UU&t=0s) ::: --- ## Как обучить регрессию предсказывать распределение целевой величины? [#q-transfer-0015] Есть несколько постановок. Модель может предсказывать параметры выбранного распределения, например среднее и дисперсию Gaussian, и обучаться по negative log-likelihood. Квантильная регрессия напрямую оценивает нужные квантили и дает интервалы без предположения о нормальности. Для мультимодального таргета используют mixture density network. Любой вариант проверяют по точечной ошибке, calibration и sharpness интервалов. На test оценивают coverage: например, 90-процентный интервал должен покрывать около 90% наблюдений. :::note[Ссылки для изучения] 1. [Квантильная регрессия: обучение условных квантилей](https://bdemeshev.github.io/r_cycle/cycle_files/07_quant_reg.html) 1. [Байесовская регрессия: предсказание распределения нового таргета](https://contest.yandex.ru/tracks/ml/probabilistic-models/bayesian-estimation) ::: --- ## Какие ограничения есть у quantile loss? [#q-transfer-0016] Pinball loss негладкая в точке нулевой ошибки, хотя субградиентные методы обычно справляются. Если каждую квантиль обучать независимо, оценки могут пересечься: например, прогноз 90-го перцентиля окажется ниже 50-го. Оценки хвостовых квантилей особенно чувствительны к редким экстремальным наблюдениям и шуму на малой выборке. Crossing уменьшают совместным обучением, монотонными ограничениями или параметризацией положительных разностей. Качество проверяют по coverage и calibration, а не только по loss. :::note[Ссылки для изучения] 1. [Кусочно-линейная quantile loss: разные штрафы по сторонам нулевой ошибки](https://bdemeshev.github.io/r_cycle/cycle_files/07_quant_reg.html) ::: --- ## На финансовом примере на предыдущем месте работы применение Фурье разложение тоже не помогло, чтобы сезонность оценить? [#q-14bee738d69b81329d9eeccd7822262c] Да, даже с применением Фурье-разложения на финансовых данных может быть сложно корректно оценить сезонные компоненты из-за того, что рынки финансов подвержены большому количеству шумов и изменчивости. Фурье-разложение может недооценивать или переоценивать сезонные компоненты, особенно если сезонность в данных неоднородна или неустойчива во времени. В таких случаях более сложные методы моделирования временных рядов, учитывающие дополнительные факторы, могут быть более эффективными. :::note[Ссылки для изучения] 1. [Ряд Фурье: периодическое продолжение и частичные суммы](https://mathprofi.ru/ryady_furie_primery_reshenij.html) 1. [Временной ряд: стационарность, тренд и сезонность](https://education.yandex.ru/handbook/ml/article/analitika-vremennyh-ryadov) ::: --- ## Приведите метрики для прогнозирования временных рядов. [#q-14bee738d69b8159b050c1bf42c9f44f] Для оценки точности прогнозирования временных рядов часто используются следующие метрики: 1. MAE (Mean Absolute Error): Средняя абсолютная ошибка, которая измеряет среднее абсолютное отклонение между прогнозируемыми и фактическими значениями. 1. MSE (Mean Squared Error): Средняя квадратичная ошибка, которая измеряет среднее квадратичное отклонение между прогнозируемыми и фактическими значениями. 1. RMSE (Root Mean Squared Error): Корень из средней квадратичной ошибки, выраженный в единицах целевой переменной. Совпадает со стандартным отклонением ошибок только при их нулевом среднем. 1. MAPE (Mean Absolute Percentage Error) : Среднее абсолютное процентное отклонение между прогнозируемыми и фактическими значениями, выраженное в процентах. 1. SMAPE (Symmetric Mean Absolute Percentage Error): Симметричное среднее абсолютное процентное отклонение, которое учитывает масштаб исходных данных. :::note[Ссылки для изучения] 1. [MSE, RMSE и MAE: оценка регрессионного прогноза](https://contest.yandex.ru/tracks/ml/model-evaluation/classification-and-regression-metrics#regressiya) 1. [MAPE и sMAPE: процентные метрики и ограничения](https://habr.com/ru/articles/1013998/) :::