יישום חיזוי סדרות עתיות (Prophet, N-BEATS, LightGBM)

יישום חיזוי סדרות עיתיות

חיזוי סדרות עיתיות עם Prophet, N-BEATS ו-LightGBM דורש אימות walk-forward זהיר כדי למנוע דליפת נתונים. אנו נתקלים באופן קבוע בפרויקטים שבהם נתונים—מכירות, חיישני IoT או ציטוטי מניות—מכילים תלות זמנית שנשברת בקלות על ידי טיפול לא נכון. חלוקה לא נכונה או התעלמות מעונתיות מובילה לדליפת נתונים ולתוצאות backtest אופטימיות מדי. לדוגמה, בפרויקט חיזוי ביקוש לחלקי חילוף, naive עונתי נתן MAPE של 40%, Prophet 28%, אך לאחר אימות walk-forward Prophet היה גרוע ב-10% בשלושת החודשים האחרונים. במשך שנים של פרויקטים בעולם האמיתי, בנינו למעלה מ-20 מערכות חיזוי ופיתחנו מתודולוגיה חזקה. עבור כל משימה, אנו בוחרים מחסנית מתאימה—מ-SARIMA קלאסי ועד Transformers מודרניים—תוך התחשבות בתקציב וביכולת פרשנות. אנו מנתחים את הנתונים שלך ומציעים מפת דרכים תוך 2–3 ימים.

בפרויקט קמעונאי אחד עם 5000 SKU, יישמנו LightGBM עם אימות walk-forward וחיזוי quantile, והפחתנו את MAPE מ-35% ל-18% וחסכנו ללקוח 1 מיליון אירו בשנה בעלויות מלאי. המחירים שלנו מתחילים ב-5,000 אירו עבור מודלים בסיסיים ועולים עד 30,000 אירו עבור צינור MLOps מלא.

חיזוי סדרות עיתיות עם Prophet, N-BEATS ואימות Walk-Forward

לפני בחירת שיטה, אנו מנתחים את תכונות הסדרה:

• סטציונריות: מבחן ADF. סדרות לא סטציונריות דורשות הפרשים או שיטות מיוחדות.
• עונתיות: ניתוח ACF/PACF. עונתיות יחידה (שבועית) או מרובה (שבועית + שנתית) משפיעה על בחירת המודל.
• אי-רציפות: ADI > 1.32 דורש שיטות מיוחדות (Croston, IMAPA).
• אי-ליניאריות: מבחן Teräsvirta או מבחן BDS. מודלים ליניאריים (ARIMA) אינם מתאימים תחת אי-ליניאריות חזקה.

אין תשובה אוניברסלית—אנו משווים מועמדים על נתונים היסטוריים. אפשרויות טיפוסיות עם פשרות:

• Naive / Seasonal Naive — בסיס פשוט ביותר לאימות שמודלים מורכבים עולים עליו.
• ETS (החלקה אקספוננציאלית) — עובד היטב על סדרות עם עונתיות יחידה.
• SARIMA — קלאסי עם רווחי סמך, אך איטי עבור תצפיות רבות.
• Prophet — נוח לנתונים עסקיים עם חגים, ניתן לפרשנות, אך מפסיד לרשתות נוירונים על דפוסים מורכבים.
• LightGBM עם lags — דיוק גבוה עם גורמים חיצוניים רבים, אך דורש עבודת הנדסת תכונות.
• N-BEATS / N-HiTS — SOTA בתחרויות M4/M5, עובד ללא תכונות חיצוניות.
• Temporal Fusion Transformer — מוביל עבור אנסמבלים של סדרות מרובות, אך דורש GPU.
• TimesGPT / TimesFM — מודלי בסיס לחיזוי zero-shot, מאיצים את ההתחלה.

לדוגמה, LightGBM מתאמן פי 5 מהר יותר מ-N-BEATS על מערכי נתונים בינוניים (10k שורות), אך N-BEATS משיג MAPE נמוך פי 1.5 על דפוסים עונתיים מורכבים. אנו בוחרים בהתאם לנתונים שלך.

כיצד להימנע מדליפת נתונים בחיזוי סדרות עיתיות?

חלוקת train/test סטנדרטית מפרה את הסדר הזמני. אימות Walk-Forward:

|---Train---| Test | |----Train----| Test | |-----Train-----| Test | Average metrics across all windows 

גודל חלון הבדיקה = אופק החיזוי. גודל הצעד = אופק / 2 או אופק (ללא חפיפה). מקורות דליפת נתונים:

• שימוש בנתונים עתידיים בקנה מידה (התאמת scaler על כל מערך הנתונים)
• קידוד מטרה עם ערכים עתידיים
• תכונות חיצוניות עם מידע עתידי (covariates עתידיים ידועים לעומת covariates עבר)

ללא זה, כל מדד בדיקה הוא אופטימי. אנו מבטיחים שכל המודלים עוברים חלוקה זמנית ללא חפיפה. באמצעות ספריית statsforecast עם בחירת חלון אוטומטית, אנו מקבלים הערכות איכות ריאליסטיות ונמנעים מתשלום יתר על ציפיות שווא.

Walk-forward עם חפיפה נותן המדדים היציבים ביותר ומתאים לעומס ייצור.

הנדסת תכונות וחיזוי הסתברותי

תכונות זמניות:

df['hour'] = df.index.hour
df['day_of_week'] = df.index.dayofweek
df['week_of_year'] = df.index.isocalendar().week
df['month'] = df.index.month
df['is_weekend'] = df['day_of_week'].isin([5, 6]).astype(int)
# Cyclical encoding
df['sin_hour'] = np.sin(2 * np.pi * df['hour'] / 24)
df['cos_hour'] = np.cos(2 * np.pi * df['hour'] / 24)

תכונות lag: t-1, t-7, t-14, t-28 עבור נתונים יומיים; t-1, t-24, t-168 עבור נתונים שעתיים.

סטטיסטיקות מתגלגלות: ממוצע, סטיית תקן, מינימום, מקסימום על פני 7/28/90 ימים. הפרשים: (t-1) - (t-7) ללכידת מגמה.

חיזוי נקודתי ללא אי-ודאות אינו מספיק. חיזוי quantile נותן רווחים. דוגמה: LightGBM עם |---Train---| Test | |----Train----| Test | |-----Train-----| Test | Average metrics across all windows , alpha=0.1/0.5/0.9. חיזוי קונפורמי נותן רווחים מבוססי תיאוריה. N-HiTS בספריית neuralforecast תומך ב-quantiles באופן טבעי.

באמצעות חיזוי quantile, לקוח קמעונאי הפחית עלויות מלאי ב-20% לעומת חיזוי נקודתי—חיסכון של 200,000 אירו בשנה.

מהו חיזוי Quantile?

חיזוי quantile מספק רווח אי-ודאות במקום ערך נקודתי. לדוגמה, חיזוי של 100 יחידות עם אחוזונים [70, 130] מאפשר החלטות מודעות לסיכון. מיושם באמצעות רגרסיית quantile (LightGBM), חיזוי קונפורמי או Monte Carlo Dropout.

צינור ייצור

# Пример с Nixtla / statsforecast
from statsforecast import StatsForecast
from statsforecast.models import AutoARIMA, AutoETS, AutoTheta

models = [AutoARIMA(season_length=7), AutoETS(season_length=7), AutoTheta()]
sf = StatsForecast(models=models, freq='D', n_jobs=-1)
sf.fit(train_df)
forecasts = sf.predict(h=28, level=[80, 95])

MLflow עוקב אחר כל ניסוי: גרסת נתונים, היפרפרמטרים, מדדים, ארטיפקט מודל. DAG של Airflow מתזמן אימון יומי מחדש ומפרסם תחזיות ל-Data Warehouse. Evidently מנטר סחף נתונים וסחף חיזוי.

תוכנית יישום ותוצרים

1. ניתוח נתונים גולמיים, זיהוי דפוסים (סטציונריות, עונתיות, אי-רציפות).
2. בחירת בסיס ו-3–5 מועמדים (מפשוט למורכב).
3. אימות walk-forward של כל מודל, השוואה לפי MAPE, RMSE, MASE.
4. פיתוח צינור ייצור: MLflow, Airflow, Evidently.
5. שילוב תחזיות ב-Data Warehouse, הגדרת התראות.

ציר זמן: 2–3 שבועות לבסיס (5,000–10,000 אירו), 8–12 שבועות למערכת מלאה (15,000–30,000 אירו). צור קשר להערכת פרויקט—נעריך את הסדרות העיתיות שלך ונכין מפת דרכים תוך 2–3 ימים.

הניסיון של הצוות שלנו כולל למעלה מ-20 פרויקטים שהושלמו, עם הפחתת MAPE ממוצעת של 15–30% לאחר כוונון. פנה אלינו לקבלת הצעה מסחרית מפורטת.

תוצרים

• דוח ניתוח נתונים עם מבחני סטציונריות, עונתיות ואי-ליניאריות.
• בחירה וכוונון של 3–5 מודלים מועמדים, מושווים באמצעות אימות walk-forward.
• צינור מוכן לייצור: מעקב MLflow, תזמור Airflow, ניטור Evidently.
• תיעוד: כרטיסי מודל, סכמות נתונים, מדריך פריסה.
• שילוב API או מסד נתונים לתחזיות.
• הדרכה לצוות שלך (שעתיים).
• 3 חודשי תמיכה וכוונון מודל מחדש.

בחיזוי סדרות עיתיות, אימות walk-forward חיוני להערכה כנה. עבור פרויקטים של חיזוי סדרות עיתיות, אנו ממליצים להתחיל עם בסיס כמו Prophet ולהתקדם ל-LightGBM או N-BEATS לדיוק טוב יותר. הלקוחות שלנו רואים בדרך כלל ROI תוך 6 חודשים, עם חיסכון שנע בין 100,000 ל-1 מיליון אירו.