# Einführung

Die Arbeit mit Zeitreihendaten erfordert eine Reihe konsistenter Aufgaben. Rohdaten kommen in unregelmäßigen Abständen an und müssen erneut abgetastet werden. Anomale Spitzen müssen identifiziert werden, bevor sie eine nachgelagerte Analyse verzerren. Traits und saisonale Muster müssen vom Rauschen getrennt werden. Und wenn Sie über mehrere Serien verfügen, ist mehr als ein kurzer visueller Scan erforderlich, um zu verstehen, wie sie zueinander in Beziehung stehen.

Diese fünf Python-Skripte erledigen diese häufigen Zeitreihenaufgaben. Sie sind so konzipiert, dass sie mit Commonplace-CSV- oder Excel-Eingaben arbeiten, saubere Ausgaben erzeugen und sich einfach für verschiedene Datensätze konfigurieren lassen.

Sie können alle Skripte auf GitHub herunterladen.

# 1. Resampling und Aggregation unregelmäßiger Zeitreihen

// Der Schmerzpunkt

Zeitreihendaten aus der realen Welt liegen selten in gleichmäßigen Abständen vor. Sensormesswerte, Transaktionsprotokolle und Ereignisströme weisen Lücken, Duplikate und inkonsistente Zeitstempel auf. Vor einer sinnvollen Analyse müssen die Daten auf eine konsistente Häufigkeit abgeglichen werden.

// Was das Skript macht

Nimmt eine CSV- oder Excel-Datei mit einer Datums-/Uhrzeitspalte und einer oder mehreren Wertspalten, führt ein Resampling mit einer von Ihnen angegebenen Häufigkeit durch und wendet Aggregationsfunktionen professional Spalte an. Füllt oder markiert Lücken und schreibt eine saubere Ausgabedatei mit einer Zusammenfassung der Änderungen.

// Wie es funktioniert

Das Skript analysiert die Datetime-Spalte mit Pandaslegt es als Index fest und verwendet resample() mit konfigurierbaren Frequenzsträngen. In einer Konfiguration werden spaltenweise Aggregationsmethoden definiert, sodass eine Temperaturspalte den Mittelwert verwenden kann, während eine Verkaufsspalte die Summe verwendet. Fehlende Intervalle nach dem Resampling werden je nach Einstellung mit Vorwärtsfüllung, Interpolation oder expliziter NaN-Kennzeichnung behandelt. Ein Lückenbericht listet jedes Intervall auf, in dem im Unique keine Daten vorhanden waren.

Holen Sie sich das Zeitreihen-Resampler-Skript

# 2. Erkennen von Anomalien in Zeitreihendaten

// Der Schmerzpunkt

Ein einzelner anomaler Anstieg oder Abfall in einer Zeitreihe kann Durchschnittswerte verzerren, nachgelagerte Modelle zerstören und echte Traits verschleiern. Die manuelle Identifizierung dieser Punkte durch Scannen von Diagrammen oder Rohwerten ist bei jedem aussagekräftigen Datenvolumen unpraktisch.

// Was das Skript macht

Durchsucht eine oder mehrere numerische Spalten in einer Zeitreihendatei und markiert Datenpunkte, die außerhalb der erwarteten Grenzen liegen, mithilfe einer Auswahl von drei Erkennungsmethoden: Z-Rating, Interquartilbereich (IQR) oder rollierende Statistik. Gibt eine kommentierte Datei mit Anomalie-Flags und einem separaten zusammenfassenden Bericht aus.

// Wie es funktioniert

Die Z-Rating-Methode markiert Punkte, an denen der standardisierte Wert einen konfigurierbaren Schwellenwert überschreitet (Commonplace ±3). Die Interquartilbereichsmethode (IQR) markiert Punkte außerhalb des 1,5-fachen Interquartilbereichs. Die rollierende Methode berechnet einen gleitenden Mittelwert und eine Standardabweichung über ein konfigurierbares Fenster und markiert Punkte, die erheblich vom lokalen Kontext abweichen. Dies ist nützlich für Serien mit starken Traits oder Saisonalität. Alle drei können zusammen ausgeführt werden; In der Ausgabespalte wird aufgezeichnet, welche Methode jeden Punkt markiert hat. Eine optionale --plot Flag speichert ein Diagramm für jede Spalte mit hervorgehobenen Anomalien.

Holen Sie sich das Skript zur Anomalieerkennung

# 3. Zerlegen einer Reihe in Development, Saisonalität und Residuen

// Der Schmerzpunkt

Eine Zeitreihe ist normalerweise eine Kombination aus mehreren Komponenten: einem langfristigen Development, einem sich wiederholenden saisonalen Muster und unregelmäßigem Restrauschen. Die Analyse der Serie als Ganzes macht es schwierig, eine einzelne Komponente klar zu verstehen.

// Was das Skript macht

Wendet die klassische Zeitreihenzerlegung auf eine numerische Spalte an und unterteilt die beobachtete Reihe in Development-, Saison- und Restkomponenten. Unterstützt sowohl additive als auch multiplikative Zerlegungsmodelle. Exportiert jede Komponente als Spalte in die Ausgabedatei und speichert ein Diagramm mit mehreren Panels.

// Wie es funktioniert

Das Skript verwendet statsmodels.tsa.seasonal.seasonal_decompose() auf der Zielspalte nach dem Resampling auf eine konsistente Frequenz, falls erforderlich. Die Zerlegungsdauer ist konfigurierbar. Die additive Zerlegung eignet sich für Reihen, in denen die jahreszeitlichen Schwankungen in ihrer Größe annähernd konstant sind. multiplikative Anzugsserie, bei der es mit dem Trendniveau skaliert. Die ausgegebene Excel-Datei enthält die Originalreihe neben den drei extrahierten Komponenten. Das gespeicherte Diagramm zeigt alle vier Panels gestapelt.

Holen Sie sich das Zeitreihenzerlegungsskript

# 4. Prognose mit saisonalem, autoregressivem, integriertem gleitendem Durchschnitt

// Der Schmerzpunkt

Die Erstellung einer Prognose aus einer Zeitreihe umfasst in der Regel Modellauswahl, Parameterabstimmung und Validierungsschritte, für deren Richtigkeit statistische Kenntnisse erforderlich sind. Dies jedes Mal von Grund auf neu einzurichten, ist zeitaufwändig und führt zu Prognosen, denen man nur schwer vertrauen oder die man reproduzieren kann.

// Was das Skript macht

Passt zu einem saisonaler autoregressiver integrierter gleitender Durchschnitt (SARIMA) Modell in eine Zeitreihenspalte, generiert eine Prognose für eine konfigurierbare Anzahl von Zeiträumen und schreibt Ergebnisse in eine Ausgabedatei, einschließlich der Prognosewerte, Konfidenzintervalle und grundlegenden Genauigkeitsmetriken für einen zurückgehaltenen Validierungszeitraum. Wählt elective Modellparameter automatisch aus Akaike-Informationskriterium (AIC) Minimierung.

// Wie es funktioniert

Das Skript verwendet statsmodels.tsa.statespace.sarimax.SARIMAX zur Modellmontage. Wann --auto-order festgelegt ist, führt es eine einfache Rastersuche über einen konfigurierbaren Bereich von ARIMA- und Saisonparametern durch und wählt die Kombination mit dem niedrigsten AIC aus. Die Serie ist in einen Trainingssatz und einen durchgehaltenen Testsatz unterteilt, der in mehrere Perioden konfigurierbar ist. Die Genauigkeit wird für den Testsatz anhand des mittleren absoluten Fehlers (MAE) und des quadratischen Mittelwerts (Root Imply Sq. Error, RMSE) angegeben, bevor das endgültige Modell erneut an die gesamte Serie angepasst wird, um die Vorwärtsprognose zu erstellen. Die Ergebnisse umfassen die Punktprognose und 95 %-Konfidenzintervalle. Es wird ein Prognosediagramm gespeichert, das die historischen Reihen, die tatsächlichen Werte des Testzeitraums im Vergleich zu den Prognosen und die Zukunftsprognose mit Konfidenzbändern zeigt.

Holen Sie sich das SARIMA-Prognoseskript

# 5. Vergleich mehrerer Zeitreihen

// Der Schmerzpunkt

Wenn Sie mit mehreren verwandten Zeitreihen arbeiten – verschiedenen Produkten, Regionen, Sensoren oder Metriken –, ist mehr erforderlich, um zu verstehen, wie sie sich zusammen bewegen, als sie nur im selben Diagramm anzuzeigen. Korrelationsanalysen, Verzögerungsbeziehungen und abgestimmte zusammenfassende Statistiken müssen alle berechnet werden, und dies über viele Reihenpaare hinweg durchzuführen, wird schnell unhandlich.

// Was das Skript macht

Nimmt eine Datei mit mehreren Zeitreihenspalten, richtet sie auf eine gemeinsame Häufigkeit aus und erstellt einen Vergleichsbericht mit mehreren Registerkarten, der paarweise Korrelationen, Verzögerungsanalyse (Kreuzkorrelation bis zu einer konfigurierbaren Verzögerung) und eine nebeneinander liegende zusammenfassende Statistiktabelle abdeckt. Für die am höchsten korrelierten Paare werden Diagramme erstellt.

// Wie es funktioniert

Das Skript verwendet Pandas, um alle Spalten nach dem Resampling an einem gemeinsamen Datum/Uhrzeit-Index auszurichten. Paarweise Pearson- und Spearman-Korrelationen werden berechnet und in eine Korrelationsmatrix-Registerkarte geschrieben. Die Kreuzkorrelation wird für jedes Paar bis zu einer konfigurierbaren maximalen Verzögerung berechnet und identifiziert die Verzögerung, bei der jedes Paar seinen Höhepunkt erreicht. Dies ist nützlich, um Vorlauf-/Nachlaufbeziehungen zu finden. Eine Zusammenfassungsregisterkarte enthält Mittelwert, Standardabweichung, Minimal, Most und Trendrichtung (constructive/unfavourable Steigung aus einer linearen Anpassung) für jede Serie. Die fünf am stärksten korrelierten Paare erhalten jeweils ein zweiachsiges Liniendiagramm in einer eigenen Diagrammregisterkarte.

Holen Sie sich das Vergleichsskript für mehrere Serien

# Zusammenfassung

Diese fünf Skripte decken die Kernaufgaben bei der Arbeit mit Zeitreihendaten ab. Sie sind so konzipiert, dass sie unabhängig oder nacheinander verwendet werden können: Zuerst erneut abtasten, Anomalien erkennen, zerlegen, prognostizieren und dann serienübergreifend vergleichen.

Laden Sie zunächst das Skript herunter, das Sie verwenden möchten, und installieren Sie alle in der README-Datei aufgeführten Abhängigkeiten. Aktualisieren Sie als Nächstes den Konfigurationsabschnitt oben im Skript, sodass er mit Ihren spezifischen Daten und Spaltennamen übereinstimmt. Bevor Sie es für Ihren gesamten Datensatz ausführen, testen Sie das Skript anhand einer kleinen Stichprobe, um sicherzustellen, dass die Ausgabe korrekt ist. Sobald Sie mit den Ergebnissen zufrieden sind, können Sie es planen oder in Ihre bestehende Datenpipeline integrieren.

Viel Spaß beim Analysieren!

Bala Priya C ist ein Entwickler und technischer Redakteur aus Indien. Sie arbeitet gerne an der Schnittstelle von Mathematik, Programmierung, Datenwissenschaft und Inhaltserstellung. Zu ihren Interessen- und Fachgebieten gehören DevOps, Datenwissenschaft und Verarbeitung natürlicher Sprache. Sie liebt es zu lesen, zu schreiben, zu programmieren und Kaffee zu trinken! Derzeit arbeitet sie daran, zu lernen und ihr Wissen mit der Entwickler-Group zu teilen, indem sie Tutorials, Anleitungen, Meinungsbeiträge und mehr verfasst. Bala erstellt außerdem ansprechende Ressourcenübersichten und Programmier-Tutorials.

! Willkommen zurück zur Reihe „EDA in Public“! Dies ist Teil 2 der Serie; Wenn Sie Teil 1 noch nicht gesehen haben, lesen Sie ihn Hier. Hier ist eine Zusammenfassung dessen, was wir erobert haben.

df.to_csv('online_retail_clean.csv', index=False)

import pandas as pd
df = pd.read_csv('online_retail_clean.csv', parse_dates=('InvoiceDate'))
print(f"Efficiently loaded clear knowledge. Complete rows: {len(df)}")

Efficiently loaded clear knowledge. Complete rows: 52933

# Prime 10 Bestsellers (by Amount)
df.groupby(‘Description’)(‘Amount’).sum().sort_values(ascending=False).head(10)

Description
MEDIUM CERAMIC TOP STORAGE JAR 74698
WORLD WAR 2 GLIDERS ASSTD DESIGNS 9419
GIN + TONIC DIET METAL SIGN 5016
ASSORTED COLOURS SILK FAN 4684
JUMBO BAG RED RETROSPOT 4671
PACK OF 72 RETROSPOT CAKE CASES 3561
MINI PAINT SET VINTAGE 3285
ASSORTED COLOUR BIRD ORNAMENT 2783
BROCADE RING PURSE 2525
POPCORN HOLDER 2508
Identify: Amount, dtype: int64

# Prime 10 Income Drivers (The True Cash-Makers)
df.groupby(‘Description’)(‘Income’).sum().sort_values(ascending=False).head(10)

Description
MEDIUM CERAMIC TOP STORAGE JAR 77785.74
DOTCOM POSTAGE 18456.13
REGENCY CAKESTAND 3 TIER 15093.38
AMAZON FEE 13541.33
PARTY BUNTING 9491.60
GIN + TONIC DIET METAL SIGN 9480.51
JUMBO BAG RED RETROSPOT 8996.65
Guide 8966.96
CHILLI LIGHTS 8395.20
POSTAGE 7194.51
Identify: Income, dtype: float64

print(“n — — Time Sequence Characteristic Extraction — -”)

# Extract 12 months, Month, DayName, and Hour from the InvoiceDate column
df(‘12 months’) = df(‘InvoiceDate’).dt.12 months
df(‘Month’) = df(‘InvoiceDate’).dt.month
df(‘DayName’) = df(‘InvoiceDate’).dt.day_name()
df(‘Hour’) = df(‘InvoiceDate’).dt.hour
print(“New time options added: 12 months, Month, DayName, Hour.”)
print(df((‘InvoiceDate’, ‘12 months’, ‘Month’, ‘DayName’, ‘Hour’)).head())

--- Time Sequence Characteristic Extraction ---
New time options added: 12 months, Month, DayName, Hour.
InvoiceDate 12 months Month DayName Hour
0 2011-06-01 12:05:00 2011 6 Wednesday 12
1 2011-05-27 17:14:00 2011 5 Friday 17
2 2011-04-21 17:05:00 2011 4 Thursday 17
3 2011-11-16 10:39:00 2011 11 Wednesday 10
4 2011-03-10 08:40:00 2011 3 Thursday 8

print(“n — — Perception 4: Gross sales Traits by Month (Seasonality) — -”)
# Group by month and sum the income
monthly_revenue = df.groupby(‘Month’)(‘Income’).sum().sort_values(ascending=False)
# Print the outcomes, which ought to present the seasonal peaks
print(monthly_revenue)

--- Perception 4: Gross sales Traits by Month (Seasonality) ---
Month
11 143576.360
1 142013.420
12 133178.980
10 119533.540
9 103929.420
3 72968.270
8 71302.890
5 70424.510
6 68722.520
7 68713.831
4 51882.010
2 50178.730
Identify: Income, dtype: float64

# 1. Gross sales by Day of Week
daily_revenue = df.groupby(‘DayName’)(‘Income’).sum()
print(“n — — Income by Day of Week — -”)
print(daily_revenue)

--- Income by Day of Week ---
DayName
Friday 163861.320
Monday 171026.230
Sunday 83125.890
Thursday 219342.980
Tuesday 282796.741
Wednesday 176271.320
Identify: Income, dtype: float64

# 2. Gross sales by Hour of Day
hourly_revenue = df.groupby(‘Hour’)(‘Income’).sum().sort_index()
print(“n — — Income by Hour of Day — -”)
print(hourly_revenue)

--- Income by Hour of Day ---
Hour
7 2830.910
8 26597.800
9 76768.750
10 209809.971
11 115233.600
12 142474.460
13 130348.290
14 119241.520
15 145178.980
16 70620.550
17 36148.030
18 14022.790
19 4397.130
20 2751.700

In diesem Artikel lernen Sie praktische Immediate-Engineering-Muster kennen, die große Sprachmodelle für die Zeitreihenanalyse und -prognose nützlich und zuverlässig machen.

Zu den Themen, die wir behandeln werden, gehören:

• Wie man den zeitlichen Kontext einrahmt und nützliche Signale extrahiert
• Wie man LLM-Argumentation mit klassischen statistischen Modellen kombiniert
• So strukturieren Sie Daten und Eingabeaufforderungen für Prognosen, Anomalien und Domänenbeschränkungen

Beginnen wir ohne weitere Verzögerung.

Immediate Engineering für Zeitreihenanalyse
Bild vom Herausgeber

Einführung

So seltsam es auch klingen magazine, große Sprachmodelle (LLMs) können für Datenanalyseaufgaben genutzt werden, einschließlich spezifischer Szenarien wie der Zeitreihenanalyse. Der Schlüssel liegt darin, Ihre Fähigkeiten im Bereich Immediate Engineering korrekt in das spezifische Analyseszenario umzusetzen.

In diesem Artikel werden sieben davon beschrieben schnelle technische Strategien das zur Hebelwirkung genutzt werden kann Zeitreihenanalyse Aufgaben mit LLMs.

Sofern nicht anders angegeben, werden die Beschreibungen dieser Strategien von anschaulichen Beispielen begleitet, die sich um ein Einzelhandelsumsatzdatenszenario drehen, wobei konkret für die Analyse ein Zeitreihendatensatz berücksichtigt wird, der aus täglichen Umsätzen im Zeitverlauf besteht.

1. Kontextualisierung der zeitlichen Struktur

Erstens sollte eine effektive Eingabeaufforderung, um eine nützliche Modellausgabe zu erhalten, eine sein, die dabei hilft, die zeitliche Struktur des Zeitreihendatensatzes zu verstehen. Dazu gehören mögliche Erwähnungen von Aufwärts-/Abwärtstrends, Saisonalität, bekannten Zyklen wie Werbeaktionen oder Feiertagen usw. Diese Kontextinformationen helfen Ihrem LLM, beispielsweise zeitliche Schwankungen als – nun ja, genau das zu interpretieren: Schwankungen und nicht als Rauschen. Zusammenfassend lässt sich sagen, dass die klare Beschreibung der Struktur des Datensatzes im Kontext Ihrer Eingabeaufforderungen oft weiter geht als komplizierte Argumentationsanweisungen in Eingabeaufforderungen.

Beispielaufforderung:
„Hier sind die täglichen Verkäufe (in Einheiten) der letzten 365 Tage. Die Daten zeigen eine wöchentliche Saisonalität (höhere Verkäufe am Wochenende), einen allmählich steigenden langfristigen Pattern und monatliche Spitzen am Ende jedes Monats aufgrund von Zahltagsaktionen. Nutzen Sie dieses Wissen, wenn Sie die nächsten 30 Tage vorhersagen.“

2. Merkmals- und Signalextraktion

Anstatt Ihr Modell zu bitten, direkte Prognosen anhand von Rohzahlen durchzuführen, sollten Sie es doch zunächst dazu auffordern, einige Schlüsselfunktionen zu extrahieren. Dazu können latente Muster, Anomalien und Korrelationen gehören. Die Aufforderung an den LLM, Merkmale und Signale zu extrahieren und in die Eingabeaufforderung zu integrieren (z. B. durch zusammenfassende Statistiken oder Zerlegung), hilft dabei, die Gründe für zukünftige Vorhersagen oder Schwankungen aufzudecken.

Beispielaufforderung:
„Berechnen Sie aus den Verkaufsdaten der letzten 365 Tage die durchschnittlichen Tagesverkäufe und die Standardabweichung, identifizieren Sie alle Tage, an denen die Verkäufe den Mittelwert plus das Doppelte der Standardabweichung überstiegen (d. h. potenzielle Ausreißer), und notieren Sie alle wiederkehrenden wöchentlichen oder monatlichen Muster. Interpretieren Sie dann, welche Faktoren Tage mit hohen Verkäufen oder Rückgängen erklären könnten, und kennzeichnen Sie ungewöhnliche Anomalien.“

3. Hybrider LLM + Statistik-Workflow

Seien wir ehrlich: Isolierte LLMs werden oft mit Aufgaben zu kämpfen haben, die numerische Präzision erfordern und zeitliche Abhängigkeiten in Zeitreihen erfassen. Aus diesem Grund ist die einfache Kombination ihrer Verwendung mit klassischen statistischen Modellen eine Formel, um bessere Ergebnisse zu erzielen. Wie könnte ein solcher hybrider Workflow definiert werden? Der Trick besteht darin, LLM-Argumentation – Excessive-Degree-Interpretation, Hypothesenformulierung und Kontextverständnis – neben quantitative Modelle wie ARIMA, ETS oder andere zu integrieren.

Zum Beispiel, LeMoLE (LLM-erweiterte Mischung aus linearen Experten) ist ein Beispiel für einen Hybridansatz, der lineare Modelle mit von Eingabeaufforderungen abgeleiteten Funktionen anreichert.

Das Ergebnis vereint kontextbezogenes Denken und statistische Genauigkeit: das Beste aus zwei Welten.

4. Schemabasierte Datendarstellung

Während rohe Zeitreihendatensätze in der Regel schlecht geeignete Formate für die Weitergabe als LLM-Eingaben sind, könnte die Verwendung strukturierter Schemata wie JSON oder kompakter Tabellen der Schlüssel sein, der es dem LLM ermöglicht, diese Daten viel zuverlässiger zu interpretieren, wie in mehreren Studien gezeigt wurde.

Beispiel für ein JSON-Snippet, das zusammen mit einer Eingabeaufforderung übergeben werden soll:

Aufforderung, die JSON-Daten mit Folgendem zu versehen:
„Anhand der oben genannten JSON-Daten und Metadaten analysieren Sie die Zeitreihe und prognostizieren die Verkäufe der nächsten 30 Tage.“

5. Geführte Prognosemuster

Das Entwerfen und ordnungsgemäße Strukturieren von Prognosemustern innerhalb der Eingabeaufforderung – beispielsweise kurzfristige vs. langfristige Horizonte oder die Simulation spezifischer „Was-wäre-wenn“-Szenarien – kann dabei helfen, das Modell so zu steuern, dass es besser nutzbare Antworten liefert. Dieser Ansatz ist effektiv, um äußerst umsetzbare Erkenntnisse für Ihre gewünschte Analyse zu generieren.

Beispiel:

6. Aufforderungen zur Anomalieerkennung

Dieser ist eher aufgabenspezifisch und konzentriert sich auf die richtige Erstellung von Eingabeaufforderungen, die nicht nur dabei helfen können, mit LLMs Prognosen zu erstellen, sondern auch Anomalien zu erkennen – in Kombination mit statistischen Methoden – und ihre wahrscheinlichen Ursachen zu begründen oder sogar Vorschläge zu machen, was untersucht werden sollte. Der Schlüssel liegt wiederum darin, zunächst mit herkömmlichen Zeitreihentools eine Vorverarbeitung durchzuführen und dann das Modell zur Interpretation der Ergebnisse aufzufordern.

Beispielaufforderung:
„Kennzeichnen Sie mithilfe der JSON-Verkaufsdaten zunächst jeden Tag, an dem die Verkäufe um mehr als das Doppelte der wöchentlichen Standardabweichung vom Wochendurchschnitt abweichen. Erklären Sie dann für jeden gekennzeichneten Tag mögliche Ursachen (z. B. Nichtvorräte, Werbeaktionen, externe Ereignisse) und empfehlen Sie, ob eine Untersuchung erforderlich ist (z. B. Bestandsprotokolle überprüfen, Marketingkampagne, Ladenbesucherverkehr).“

7. Domänenbasiertes Denken

Domänenwissen wie saisonale Muster im Einzelhandel, Feiertagseffekte usw. liefern wertvolle Erkenntnisse, und die Einbettung dieser Erkenntnisse in Eingabeaufforderungen hilft LLMs dabei, Analysen und Vorhersagen durchzuführen, die aussagekräftiger und auch interpretierbarer sind. Dies läuft darauf hinaus, die Relevanz des „Datensatzkontexts“ sowohl semantisch als auch domänenspezifisch als Leuchtturm zu nutzen, der die Modellbegründung leitet.

Eine Meldung wie diese könnte dem LLM dabei helfen, Spitzen am Monatsende oder Umsatzrückgänge aufgrund von Feiertagsrabatten besser zu antizipieren:
„Dies sind die täglichen Verkaufsdaten einer Einzelhandelskette. Die Verkäufe steigen tendenziell am Ende jedes Monats an (Kunden erhalten Gehälter), sinken an Feiertagen und steigen bei Werbeveranstaltungen. Gelegentlich kommt es auch zu Lagerknappheit, was bei bestimmten SKUs zu Einbrüchen führt. Nutzen Sie dieses Fachwissen, wenn Sie die Reihen analysieren und Prognosen erstellen.“

Zusammenfassung

In diesem Artikel wurden sieben verschiedene Strategien beschrieben, die größtenteils durch neuere Studien begründet und unterstützt werden, um mithilfe von LLMs effektivere Eingabeaufforderungen für Zeitreihenanalyse- und Prognoseaufgaben zu erstellen.

Verpassen Sie keine neue Ausgabe von Die Variableunser wöchentlicher Publication mit einer erstklassigen Auswahl an Empfehlungen der Redaktion, ausführlichen Einblicken, Neighborhood-Neuigkeiten und mehr.

Da das Jahresende nur noch wenige Wochen entfernt ist, zeigen weder unsere Autoren noch unsere Leser Anzeichen einer Entschleunigung.

Wir freuen uns, im vergangenen Monat einige unserer stärksten Artikel des Jahres veröffentlicht zu haben: praktische Leitfäden zu LLM-Workflows und Ressourcen dazu Karrierewachstumauf Python ausgerichtete Tutorials und ausführliche Einblicke in kürzlich eingeführte Instruments, neben anderen herausragenden Themen. Lesen Sie weiter, um die meistgelesenen Geschichten vom November nachzulesen (oder noch einmal zu lesen).

Diagramm RAG vs. SQL RAG

Welches Datenbankparadigma liefert genauere und aufschlussreichere Ergebnisse? Reinhard Sellmair Ziel ist es, die Leistung von zwei Arten von RAG-Systemen zu bewerten, indem GraphRAG und SQL RAG unter Verwendung desselben Datensatzes und derselben Fragen gegeneinander antreten.

Daten bringt immer sein eigenes Set mit Rätsel. Jeder Datenwissenschaftler stößt irgendwann an die Wand, an der sich traditionelle Methoden als einschränkend anfühlen.

Aber was wäre, wenn Sie diese Grenzen überschreiten könnten, indem Sie erweiterte Prognosemodelle erstellen, optimieren und validieren, indem Sie nur das verwenden richtige Eingabeaufforderung?

Große Sprachmodelle (LLMs) verändern das Spiel für Zeitreihe Modellieren. Wenn Sie sie mit intelligentem, strukturiertem Immediate Engineering kombinieren, können Sie damit Ansätze erkunden, die die meisten Analysten noch nicht in Betracht gezogen haben.

Sie können Sie durchleiten ARIMA aufstellen, Prophet Tuning oder sogar Deep-Studying-Architekturen wie LSTMs und Transformatoren.

In diesem Leitfaden geht es darum erweiterte Eingabeaufforderung Techniken zur Modellentwicklung, -validierung und -interpretation. Am Ende erhalten Sie eine Reihe praktischer Eingabeaufforderungen, die Ihnen beim Erstellen, Vergleichen und Feinabstimmen von Modellen helfen Schneller und mit mehr Selbstvertrauen.

Hier ist alles verankert Forschung und ein Beispiel aus der Praxis, so dass Sie mit gebrauchsfertigen Werkzeugen nach Hause gehen.

Dies ist der zweite Artikel einer zweiteiligen Serie, die sich mit dem Wie beschäftigt schnelles Engineering kann Ihre Zeitreihenanalyse verbessern:

Alles Aufforderungen in diesem Artikel und im vorherigen Artikel sind unter verfügbar Ende dieses Artikels als Spickzettel

In diesem Artikel:

1. Erweiterte Eingabeaufforderungen für die Modellentwicklung
2. Fordert zur Modellvalidierung und -interpretation auf
3. Beispiel für eine reale Implementierung
4. Greatest Practices und erweiterte Tipps
5. Schnelles Engineering Spickzettel!

1. Erweiterte Eingabeaufforderungen zur Modellentwicklung

Beginnen wir mit den Schwergewichten. Wie Sie vielleicht wissen, eignen sich ARIMA und Prophet immer noch hervorragend für strukturierte und interpretierbare Arbeitsabläufe, während LSTMs und Transformatoren sich durch komplexe, nichtlineare Dynamiken auszeichnen.

Das Beste daran? Mit den richtigen Eingabeaufforderungen sparen Sie viel Zeit, da die LLMs zu Ihrem persönlichen Assistenten werden, der jeden Schritt einrichten, abstimmen und überprüfen kann, ohne sich zu verlaufen.

1.1 Auswahl und Validierung des ARIMA-Modells

Bevor wir fortfahren, stellen wir sicher, dass die klassische Grundlinie solide ist. Verwenden Sie die Eingabeaufforderung unten, um die richtige ARIMA-Struktur zu identifizieren, Annahmen zu validieren und eine vertrauenswürdige Prognosepipeline festzulegen, mit der Sie alles andere vergleichen können.

Umfassende ARIMA-Modellierungsaufforderung:

"You might be an professional time collection modeler. Assist me construct and validate an ARIMA mannequin:

Dataset: (description)
Information: (pattern of time collection)

Section 1 - Mannequin Identification:
1. Check for stationarity (ADF, KPSS checks)
2. Apply differencing if wanted
3. Plot ACF/PACF to find out preliminary (p,d,q) parameters
4. Use data standards (AIC, BIC) for mannequin choice

Section 2 - Mannequin Estimation:
1. Match ARIMA(p,d,q) mannequin
2. Examine parameter significance
3. Validate mannequin assumptions:
   - Residual evaluation (white noise, normality)
   - Ljung-Field take a look at for autocorrelation
   - Jarque-Bera take a look at for normality

Section 3 - Forecasting & Analysis:
1. Generate forecasts with confidence intervals
2. Calculate forecast accuracy metrics (MAE, MAPE, RMSE)
3. Carry out walk-forward validation

Present full Python code with explanations."

1.2 Konfiguration des Prophetenmodells

Haben Sie bekannte Feiertage, klare saisonale Rhythmen oder Wendepunkte, mit denen Sie „anmutig umgehen“ möchten? Prophet ist dein Freund.

Die folgende Eingabeaufforderung umrahmt den Geschäftskontext, stimmt Saisonalitäten ab und erstellt ein kreuzvalidiertes Setup, damit Sie den Ergebnissen in der Produktion vertrauen können.

Eingabeaufforderung für die Einrichtung des Prophet-Modells:

"As a Fb Prophet professional, assist me configure and tune a Prophet mannequin:

Enterprise context: (specify area)
Information traits:
- Frequency: (every day/weekly/and so on.)
- Historic interval: (time vary)
- Recognized seasonalities: (every day/weekly/yearly)
- Vacation results: (related holidays)
- Pattern modifications: (identified changepoints)

Configuration duties:
1. Information preprocessing for Prophet format
2. Seasonality configuration:
   - Yearly, weekly, every day seasonality settings
   - Customized seasonal elements if wanted
3. Vacation modeling for (nation/area)
4. Changepoint detection and prior settings
5. Uncertainty interval configuration
6. Cross-validation setup for hyperparameter tuning

Pattern information: (present time collection)

Present Prophet mannequin code with parameter explanations and validation strategy."

1.3 Anleitung zu LSTM- und Deep-Studying-Modellen

Wenn Ihre Serie chaotisch, nichtlinear oder multivariat mit weitreichenden Interaktionen ist, ist es an der Zeit, ein höheres Niveau zu erreichen.

Verwenden Sie die LSTM-Eingabeaufforderung unten, um eine Finish-to-Finish-Deep-Studying-Pipeline zu erstellen, von der Vorverarbeitung bis hin zu Trainingstricks, die vom Proof-of-Idea bis zur Produktion skaliert werden können.

LSTM-Architekturdesign-Eingabeaufforderung:

"You're a deep studying professional specializing in time collection. Design an LSTM structure for my forecasting drawback:

Downside specs:
- Enter sequence size: (lookback window)
- Forecast horizon: (prediction steps)
- Options: (quantity and kinds)
- Dataset dimension: (coaching samples)
- Computational constraints: (if any)

Structure concerns:
1. Variety of LSTM layers and items per layer
2. Dropout and regularization methods
3. Enter/output shapes for multivariate collection
4. Activation capabilities and optimization
5. Loss perform choice
6. Early stopping and studying price scheduling

Present:
- TensorFlow/Keras implementation
- Information preprocessing pipeline
- Coaching loop with validation
- Analysis metrics calculation
- Hyperparameter tuning strategies"

2. Modellvalidierung und -interpretation

Sie wissen, dass großartige Modelle sowohl genau, zuverlässig als auch erklärbar sind.

Dieser Abschnitt hilft Ihnen, die Leistung im Laufe der Zeit einem Stresstest zu unterziehen und herauszufinden, was das Modell wirklich lernt. Beginnen Sie mit einer robusten Kreuzvalidierung und beschäftigen Sie sich dann mit der Diagnose, damit Sie der Geschichte hinter den Zahlen vertrauen können.

2.1 Zeitreihen-Kreuzvalidierung

Stroll-Ahead-Validierungsaufforderung:

"Design a strong validation technique for my time collection mannequin:

Mannequin sort: (ARIMA/Prophet/ML/Deep Studying)
Dataset: (dimension and time span)
Forecast horizon: (quick/medium/long run)
Enterprise necessities: (replace frequency, lead time wants)

Validation strategy:
1. Time collection cut up (no random shuffling)
2. Increasing window vs sliding window evaluation
3. A number of forecast origins testing
4. Seasonal validation concerns
5. Efficiency metrics choice:
   - Scale-dependent: MAE, MSE, RMSE
   - Proportion errors: MAPE, sMAPE  
   - Scaled errors: MASE
   - Distributional accuracy: CRPS

Present Python implementation for:
- Cross-validation splitters
- Metrics calculation capabilities
- Efficiency comparability throughout validation folds
- Statistical significance testing for mannequin comparability"

2.2 Modellinterpretation und Diagnose

Sind die Rückstände sauber? Sind die Intervalle kalibriert? Welche Funktionen sind wichtig? Die folgende Eingabeaufforderung bietet Ihnen einen umfassenden Diagnosepfad, damit Ihr Modell verantwortlich ist.

Umfassende Modelldiagnose-Eingabeaufforderung:

"Carry out thorough diagnostics for my time collection mannequin:

Mannequin: (specify sort and parameters)
Predictions: (forecast outcomes)
Residuals: (mannequin residuals)

Diagnostic checks:
1. Residual Evaluation:
   - Autocorrelation of residuals (Ljung-Field take a look at)
   - Normality checks (Shapiro-Wilk, Jarque-Bera)
   - Heteroscedasticity checks
   - Independence assumption validation

2. Mannequin Adequacy:
   - In-sample vs out-of-sample efficiency
   - Forecast bias evaluation
   - Prediction interval protection
   - Seasonal sample seize evaluation

3. Enterprise Validation:
   - Financial significance of forecasts
   - Directional accuracy
   - Peak/trough prediction functionality
   - Pattern change detection

4. Interpretability:
   - Characteristic significance (for ML fashions)
   - Part evaluation (for decomposition fashions)
   - Consideration weights (for transformer fashions)

Present diagnostic code and interpretation pointers."

3. Beispiel einer realen Implementierung

Wir haben additionally untersucht, wie Eingabeaufforderungen Ihren Modellierungsworkflow leiten können. Aber wie können Sie sie tatsächlich verwenden?

Ich zeige Ihnen jetzt ein schnelles und reproduzierbares Beispiel, das zeigt, wie Sie es tatsächlich können verwenden einer der Aufforderungen in deinem eigenes Notizbuch direkt nach dem Coaching eines Zeitreihenmodells.

Die Idee ist einfach: Wir werden eine der Eingabeaufforderungen aus diesem Artikel verwenden (die Stroll-Ahead-Validierungsaufforderung), senden Sie es an die OpenAI-APIund lass ein LLM geben Rückmeldung oder Codevorschläge direkt in Ihrem Analyse-Workflow.

Schritt 1: Erstellen Sie eine kleine Hilfsfunktion, um Eingabeaufforderungen an die API zu senden

Diese Funktion, ask_llm()verbindet sich mit OpenAI‘s Responses API mit Ihrem API-Schlüssel und sendet den Inhalt der Eingabeaufforderung.

Vergiss deine nichtOPENAI_API_KEY ! Sie sollten es in Ihren Umgebungsvariablen speichern, bevor Sie dies ausführen.

Danach können Sie alle Eingabeaufforderungen des Artikels löschen und Ratschläge oder sogar Code erhalten, der sofort ausgeführt werden kann.

# %pip -q set up openai  # Provided that you do not have already got the SDK

import os
from openai import OpenAI


def ask_llm(prompt_text, mannequin="gpt-4.1-mini"):
    """
    Sends a single-user-message immediate to the Responses API and returns textual content.
    Change 'mannequin' to any out there textual content mannequin in your account.
    """
    api_key = os.getenv("OPENAI_API_KEY")
    if not api_key:
        print("Set OPENAI_API_KEY to allow LLM calls. Skipping.")
        return None

    shopper = OpenAI(api_key=api_key)
    resp = shopper.responses.create(
        mannequin=mannequin,
        enter=({"position": "consumer", "content material": prompt_text})
    )
    return getattr(resp, "output_text", None)

Nehmen wir an, Ihr Modell ist bereits trainiert, sodass Sie Ihr Setup in einfachem Englisch beschreiben und über die Eingabeaufforderungsvorlage senden können.

In diesem Fall verwenden wir die Stroll-Ahead-Validierungsaufforderung damit das LLM einen robusten Validierungsansatz und zugehörige Code-Ideen für Sie generiert.

walk_forward_prompt = f"""
Design a strong validation technique for my time collection mannequin:

Mannequin sort: ARIMA/Prophet/ML/Deep Studying (we used SARIMAX with exogenous regressors)
Dataset: Every day artificial retail gross sales; 730 rows from 2022-01-01 to 2024-12-31
Forecast horizon: 14 days
Enterprise necessities: short-term accuracy, weekly replace cadence

Validation strategy:
1. Time collection cut up (no random shuffling)
2. Increasing window vs sliding window evaluation
3. A number of forecast origins testing
4. Seasonal validation concerns
5. Efficiency metrics choice:
   - Scale-dependent: MAE, MSE, RMSE
   - Proportion errors: MAPE, sMAPE
   - Scaled errors: MASE
   - Distributional accuracy: CRPS

Present Python implementation for:
- Cross-validation splitters
- Metrics calculation capabilities
- Efficiency comparability throughout validation folds
- Statistical significance testing for mannequin comparability
"""

wf_advice = ask_llm(walk_forward_prompt)
print(wf_advice or "(LLM name skipped)")

Sobald Sie diese Zelle ausführen, wird die Antwort des LLM direkt in Ihrem Notizbuch angezeigt, normalerweise als Kurzanleitung oder Codeausschnitt, den Sie kopieren, anpassen und testen können.

Es ist einfach Arbeitsablaufaber überraschend leistungsstark: Anstatt den Kontext zwischen Dokumentation und Experimenten zu wechseln, übertragen Sie das Modell direkt in Ihr Pocket book.

Sie können dasselbe Muster mit jeder der Eingabeaufforderungen von zuvor wiederholen, z. B. tauschen Sie die aus Umfassende Modelldiagnose-Eingabeaufforderung damit das LLM Ihre Residuen interpretiert oder Verbesserungen für Ihre Prognose vorschlägt.

4. Greatest Practices und erweiterte Tipps

4.1 Strategien zur zeitnahen Optimierung

Iterative Verfeinerung der Eingabeaufforderung:

1. Beginnen Sie mit einfachen Eingabeaufforderungen und erhöhen Sie die Komplexität schrittweise. Versuchen Sie nicht, es zunächst perfekt zu machen.
2. Testen Sie verschiedene Aufforderungsstrukturen (Rollenspiele vs. direkte Anweisungen usw.)
3. Überprüfen Sie, wie effektiv die Eingabeaufforderungen mit verschiedenen Datensätzen sind
4. Nutzen Sie Few-Shot-Studying mit relevanten Beispielen
5. Fügen Sie immer Fachwissen und Geschäftskontext hinzu!

Bezüglich der Token-Effizienz (wenn die Kosten ein Downside darstellen):

• Versuchen Sie, ein Gleichgewicht zwischen der Vollständigkeit der Informationen und der Token-Nutzung zu wahren
• Verwenden Sie patchbasierte Ansätze, um die Eingabegröße zu reduzieren​
• Implementieren Sie Immediate-Caching für wiederholte Muster
• Berücksichtigen Sie mit Ihrem Workforce Kompromisse zwischen Genauigkeit und Rechenaufwand

Holen Sie sich den vollständigen Immediate-Spickzettel wenn Sie sich anmelden Saras AI Automation Digest — Wir helfen Technikprofis jede Woche dabei, echte Arbeit mit KI zu automatisieren. Sie erhalten außerdem Zugriff auf eine KI-Toolbibliothek.

ich biete Mentoring zum Thema Karriereentwicklung und Übergang Hier.

Wenn Sie meine Arbeit unterstützen möchtendu kannst kauf mir mein Lieblingskaffee: ein Cappuccino.

Referenzen

MingyuJ666/Time-Sequence-Forecasting-with-LLMs: (KDD Discover’24)Time Sequence Forecasting with LLMs: Modellfunktionen verstehen und verbessern

LLMs für Predictive Analytics und Zeitreihenprognosen

Intelligentere Zeitreihenvorhersagen mit weniger Aufwand

Vorhersage von Zeitreihen mit LLMs über Patch-basierte Eingabeaufforderung und Zerlegung

LLMs in Zeitreihen: Datenanalyse in KI transformieren

kdd.org/exploration_files/p109-Time_Series_Forecasting_with_LLMs.pdf

Daten unterscheiden sich häufig von regulären Analysen, hauptsächlich aufgrund von Herausforderungen in Bezug auf die Zeitabhängigkeit, auf die jeder Datenwissenschaftler irgendwann stößt.

Was wäre, wenn Sie Ihre Analyse mit nur dem beschleunigen und verbessern könnten richtige Eingabeaufforderung?

Große Sprachmodelle (LLMs) sind bereits bahnbrechend für die Zeitreihenanalyse. Wenn Sie LLMs mit kombinieren schlau Durch die schnelle Entwicklung können sie Türen zu Methoden öffnen, die die meisten Analysten noch nicht ausprobiert haben.

Sie sind hervorragend darin, Muster zu erkennen, Anomalien zu erkennen und Prognosen zu erstellen.

Dieser Ratgeber stellt Bewährtes zusammen Strategien die von der einfachen Datenvorbereitung bis hin zur erweiterten Modellvalidierung reichen. Am Ende verfügen Sie über praktische Werkzeuge, die Ihnen helfen einen Schritt voraus.

Alles hier wird unterstützt von Forschung und Beispiele aus der Praxis, sodass Sie praktische Werkzeuge erhalten, nicht nur Theorie!

Dies ist der erste Artikel einer zweiteiligen Serie, die sich mit dem Wie beschäftigt schnelles Engineering kann Ihre Zeitreihenanalyse verbessern:

• Teil 1: Eingabeaufforderungen für Kernstrategien in Zeitreihen (dieser Artikel)

• Teil 2: Fordert zur erweiterten Modellentwicklung auf

Alles Aufforderungen in diesem Artikel finden Sie unter Ende dieses Artikels als Spickzettel

In diesem Artikel:

1. Kern-Immediate-Engineering-Strategien für Zeitreihen
2. Fordert zur Vorverarbeitung und Analyse von Zeitreihen auf
3. Anomalieerkennung mit LLMs
4. Function Engineering für zeitabhängige Daten
5. Schnelles Engineering Spickzettel!

1. Kern-Immediate-Engineering-Strategien für Zeitreihen

1.1 Patchbasierte Eingabeaufforderung für Prognosen

Patch Instruct Framework
Ein guter Trick besteht darin, eine Zeitreihe in überlappende „Patches“ zu unterteilen und diese Patches mithilfe strukturierter Eingabeaufforderungen einem LLM zuzuführen. Dieser Ansatz heißt PatchInstruct ist sehr effektiv und die Genauigkeit bleibt ungefähr gleich.

Beispielimplementierung:

## System  
You're a time-series forecasting professional in meteorology and sequential modeling.  
Enter: overlapping patches of measurement 3, reverse chronological (most up-to-date first).  

## Person  
Patches:  
- Patch 1: (8.35, 8.36, 8.32)  
- Patch 2: (8.45, 8.35, 8.25)  
- Patch 3: (8.55, 8.45, 8.40)  
...  
- Patch N: (7.85, 7.95, 8.05)  

## Process  
1. Forecast subsequent 3 values.  
2. In ≤40 phrases, clarify latest pattern.  

## Constraints  
- Output: Markdown record, 2 decimals.  
- Guarantee predictions align with noticed pattern.  

## Instance  
- Enter: (5.0, 5.1, 5.2) → Output: (5.3, 5.4, 5.5).  

## Analysis Hook  
Add: "Confidence: X/10. Assumptions: (...)".

Warum es funktioniert:

• Der LLM erkennt kurzfristige zeitliche Muster in den Daten.
• Verwendet weniger Token als Rohdaten-Dumps (additionally geringere Kosten).
• Hält die Dinge interpretierbar, da Sie die Patches später neu erstellen können.

1.2 Zero-Shot-Eingabeaufforderung mit kontextbezogenen Anweisungen

Stellen wir uns vor, Sie benötigen eine schnelle Ausgangslage Vorhersage.

Nullschuss Aufforderung mit Kontext funktioniert dafür. Geben Sie dem Modell einfach eine klare Beschreibung des Datensatzes, der Häufigkeit und des Prognosehorizonts und es kann Muster ohne zusätzliches Coaching erkennen!

## System  
You're a time-series evaluation professional specializing in (area).  
Your process is to establish patterns, tendencies, and seasonality to forecast precisely.  

## Person  
Analyze this time sequence: (x1, x2, ..., x96)  
- Dataset: (Climate/Site visitors/Gross sales/and so on.)  
- Frequency: (Each day/Hourly/and so on.)  
- Options: (Checklist options)  
- Horizon: (Quantity) durations forward  

## Process  
1. Forecast (Quantity) durations forward.  
2. Notice key seasonal or pattern patterns.  

## Constraints  
- Output: Markdown record of predictions (2 decimals).  
- Add ≤40-word rationalization of drivers.  

## Analysis Hook  
Finish with: "Confidence: X/10. Assumptions: (...)".

1.3 Neighbor-Augmented Prompting

Manchmal reicht eine Zeitreihe nicht aus. Wir können „Nachbar“-Serien hinzufügen, die ähnlich sind, und dann ist das LLM in der Lage, gemeinsame Strukturen zu erkennen und Vorhersagen zu verbessern:

## System  
You're a time-series analyst with entry to five comparable historic sequence.  
Use these neighbors to establish shared patterns and refine predictions.  

## Person  
Goal sequence: (present time sequence knowledge)  

Neighbors:  
- Sequence 1: ( ... )  
- Sequence 2: ( ... )  
...  

## Process  
1. Predict the subsequent (h) values of the goal.  
2. Clarify in ≤40 phrases how neighbors influenced the forecast.  

## Constraints  
- Output: Markdown record of (h) predictions (2 decimals).  
- Spotlight any divergences from neighbors.  

## Analysis Hook  
Finish with: "Confidence: X/10. Assumptions: (...)".

2. Eingabeaufforderungen zur Vorverarbeitung und Analyse von Zeitreihen

2.1 Stationaritätstest und Transformation

Eines der ersten Dinge, die Datenwissenschaftler tun müssen, bevor sie Zeitreihendaten modellieren, besteht darin, zu prüfen, ob die Zeitreihen vorhanden sind stationär.

Ist dies nicht der Fall, müssen sie Transformationen wie Differenzierung, Log oder Field-Cox anwenden.

Aufforderung zum Testen auf stationäre und Anwenden von Transformationen

## System  
You're a time-series analyst.  

## Person  
Dataset: (N) observations  
- Time interval: (specify)  
- Frequency: (specify)  
- Suspected pattern: (linear / non-linear / seasonal)  
- Enterprise context: (area)  

## Process  
1. Clarify how one can check for stationarity utilizing:  
   - Augmented Dickey-Fuller  
   - KPSS  
   - Visible inspection  
2. If non-stationary, counsel transformations: differencing, log, Field-Cox.  
3. Present Python code (statsmodels + pandas).  

## Constraints  
- Maintain rationalization ≤120 phrases.  
- Code must be copy-paste prepared.  

## Analysis Hook  
Finish with: "Confidence: X/10. Assumptions: (...)".

2.2 Autokorrelation und Lag-Function-Analyse

Autokorrelation in Zeitreihen misst, wie stark aktuelle Werte sind korreliert mit ihren eigenen Vergangenheitswerten bei unterschiedlichen Verzögerungen.

Mit den richtigen Plots (ACF/PACF), können Sie Verzögerungen beobachten, die am wichtigsten sind, und Funktionen um sie herum entwickeln.

Aufforderung zur Autokorrelation

## System  
You're a time-series professional.    

## Person  
Dataset: (transient description)  
- Size: (N) observations  
- Frequency: (day by day/hourly/and so on.)  
- Uncooked pattern: (first 20–30 values)  

## Process  
1. Present Python code to generate ACF & PACF plots.  
2. Clarify how one can interpret:  
   - AR lags  
   - MA parts  
   - Seasonal patterns  
3. Suggest lag options based mostly on important lags.  
4. Present Python code to engineer these lags (deal with lacking values).  

## Constraints  
- Output: ≤150 phrases rationalization + Python snippets.  
- Use statsmodels + pandas.  

## Analysis Hook  
Finish with: "Confidence: X/10. Key lags flagged: (record)".

2.3 Saisonale Zerlegung und Trendanalyse

Die Zerlegung hilft Ihnen, die Geschichte hinter den Daten zu erkennen und sie anders zu sehen Schichten: Pattern, Saisonalität und Residuen.

Aufforderung zur saisonalen Zerlegung

## System  
You're a time-series professional.   

## Person  
Knowledge: (time sequence)  
- Suspected seasonality: (day by day/weekly/yearly)  
- Enterprise context: (area)  

## Process  
1. Apply STL decomposition.  
2. Compute:  
   - Seasonal energy Qs = 1 - Var(Residual)/Var(Seasonal+Residual)  
   - Pattern energy Qt = 1 - Var(Residual)/Var(Pattern+Residual)  
3. Interpret pattern & seasonality for enterprise insights.  
4. Suggest modeling approaches.  
5. Present Python code for visualization.  

## Constraints  
- Maintain rationalization ≤150 phrases.  
- Code ought to use statsmodels + matplotlib.  

## Analysis Hook  
Finish with: "Confidence: X/10. Key enterprise implications: (...)".

3. Anomalieerkennung mit LLMs

3.1 Direkte Aufforderung zur Anomalieerkennung

Die Erkennung von Anomalien in Zeitreihen ist normalerweise keine unterhaltsame Aufgabe und erfordert viel Zeit.

LLMs können wie wachsame Analysten agieren und Fremdwerte in Ihren Daten erkennen.

Aufforderung zur Anomalieerkennung

## System  
You're a senior knowledge scientist specializing in time-series anomaly detection.  

## Person  
Context:  
- Area: (Monetary/IoT/Healthcare/and so on.)  
- Regular working vary: (specify if recognized)  
- Time interval: (specify)  
- Sampling frequency: (specify)  
- Knowledge: (time sequence values)  

## Process  
1. Detect anomalies with timestamps/indices.  
2. Classify as:  
   - Level anomalies  
   - Contextual anomalies  
   - Collective anomalies  
3. Assign confidence scores (1–10).  
4. Clarify reasoning for every detection.  
5. Recommend potential causes (domain-specific).  

## Constraints  
- Output: Markdown desk (columns: Index, Kind, Confidence, Rationalization, Attainable Trigger).  
- Maintain narrative ≤150 phrases.  

## Analysis Hook  
Finish with: "General confidence: X/10. Additional knowledge wanted: (...)".

3.2 Prognosebasierte Anomalieerkennung

Anstatt Anomalien direkt zu betrachten, besteht eine weitere kluge Strategie darin, vorherzusagen, was zuerst passieren „sollte“, und dann zu messen, wo die Realität von diesen Erwartungen abweicht.

Diese Abweichungen können hervorgehoben werden Anomalien das würde sonst nicht auffallen.

Hier ist eine gebrauchsfertige Eingabeaufforderung, die Sie ausprobieren können:

## System  
You're an professional in forecasting-based anomaly detection.  

## Person  
- Historic knowledge: (time sequence)  
- Forecast horizon: (N durations)  

## Technique  
1. Forecast the subsequent (N) durations.  
2. Evaluate precise vs forecasted values.  
3. Compute residuals (errors).  
4. Flag anomalies the place |precise - forecast| > threshold.  
5. Use z-score & IQR strategies to set thresholds.  

## Process  
Present:  
- Forecasted values  
- 95% prediction intervals  
- Anomaly flags with severity ranges  
- Advisable threshold values  

## Constraints  
- Output: Markdown desk (columns: Interval, Forecast, Interval, Precise, Residual, Anomaly Flag, Severity).  
- Maintain rationalization ≤120 phrases.  

## Analysis Hook  
Finish with: "Confidence: X/10. Threshold technique used: (z-score/IQR)".

4. Function Engineering für zeitabhängige Daten

Intelligente Funktionen können über Erfolg oder Misserfolg Ihres Modells entscheiden.

Es sind einfach zu viele Optionen: Verzögerungen bei rollierenden Fenstern, zyklischen Funktionen und externen Variablen. Sie können viel hinzufügen, um Zeitabhängigkeiten zu erfassen.

4.1 Automatisierte Function-Erstellung

Die wahre Magie entfaltet sich, wenn man sinnvolle Konstruktionen durchführt Merkmale diese Aufnahme Traits, SaisonalitätUnd zeitliche Dynamik. LLMs können tatsächlich dabei helfen, diesen Prozess zu automatisieren, indem sie eine Vielzahl nützlicher Funktionen für Sie generieren.

Umfassende Function-Engineering-Eingabeaufforderung:

## System  
You're a function engineering professional for time sequence.  

## Person  
Dataset: (description)  
- Goal variable: (specify)  
- Temporal granularity: (hourly/day by day/and so on.)  
- Enterprise area: (context)  

## Process  
Create temporal options throughout 5 classes:  
1. **Lag Options**  
   - Easy lags, seasonal lags, cross-variable lags  
2. **Rolling Window Options**  
   - Shifting averages, std/min/max, quantiles  
3. **Time-based Options**  
   - Hour, day, month, quarter, 12 months, DOW, WOY, is_weekend, is_holiday, time since occasions  
4. **Seasonal & Cyclical Options**  
   - Fourier phrases, sine/cosine transforms, interactions  
5. **Change-based Options**  
   - Variations, pct adjustments, volatility measures  

## Constraints  
- Output: Python code utilizing pandas/numpy.  
- Add quick steerage on function choice (significance/collinearity).  

## Analysis Hook  
Finish with: "Confidence: X/10. Options most impactful for (area): (...)".

4.2 Externe Variablenintegration

Es kann vorkommen, dass die Zielserie nicht ausreicht, um die ganze Geschichte zu erklären.

Es gibt externe Faktoren die oft unsere Daten beeinflussen, wie Wetter, Wirtschaftsindikatoren oder besondere Ereignisse. Sie können Kontext hinzufügen und Prognosen verbessern.

Der Trick besteht darin, zu wissen, wie man sie richtig integriert, ohne zeitliche Regeln zu brechen. Hier ist eine Aufforderung, exogene Variablen in Ihre Analyse einzubeziehen.

Eingabeaufforderung für exogene Variablen:

## System  
You're a time-series modeling professional.  
Process: Combine exterior variables (exogenous options) right into a forecasting pipeline.  

## Person  
Major sequence: (goal variable)  
Exterior variables: (record)  
Knowledge availability: (previous solely / future recognized / blended)  

## Process  
1. Assess variable relevance (correlation, cross-correlation).  
2. Align frequencies and deal with resampling.  
3. Create interplay options between exterior & goal.  
4. Apply time-aware cross-validation.  
5. Choose options suited to time-series fashions.  
6. Deal with lacking values in exterior variables.  

## Constraints  
- Output: Python code for  
  - Knowledge alignment & resampling  
  - Cross-correlation evaluation  
  - Function engineering with exterior vars  
  - Mannequin integration:  
    - ARIMA (with exogenous vars)  
    - Prophet (with regressors)  
    - ML fashions (with exterior options)  

## Analysis Hook  
Finish with: "Confidence: X/10. Most impactful exterior variables: (...)".

Letzte Gedanken

Ich hoffe, dieser Leitfaden hat Ihnen viel zum Verdauen und Ausprobieren gegeben.

Es handelt sich um eine Toolbox voller erforschter Techniken zur Verwendung von LLMs in der Zeitreihenanalyse.

Erfolg Bei Zeitreihendaten entsteht dann, wenn wir die Besonderheiten zeitlicher Daten respektieren, Eingabeaufforderungen erstellen, die diese Besonderheiten hervorheben, und alles mit den richtigen Bewertungsmethoden validieren.

Vielen Dank fürs Lesen! Seien Sie gespannt auf Teil 2

Holen Sie sich den vollständigen Immediate-Spickzettel In Saras AI Automation Digest — Wir helfen Technikprofis jede Woche dabei, echte Arbeit mit KI zu automatisieren. Sie erhalten außerdem Zugriff auf eine KI-Toolbibliothek.

ich biete Mentoring zum Thema Karriereentwicklung und Übergang Hier.

Wenn Sie meine Arbeit unterstützen möchtendu kannst kauf mir mein Lieblingskaffee: ein Cappuccino.

Referenzen

LLMs für Predictive Analytics und Zeitreihenprognosen

Intelligentere Zeitreihenvorhersagen mit weniger Aufwand

Vorhersage von Zeitreihen mit LLMs über Patch-basierte Eingabeaufforderung und Zerlegung

LLMs in Zeitreihen: Datenanalyse in KI transformieren

kdd.org/exploration_files/p109-Time_Series_Forecasting_with_LLMs.pdf

Verbessern Sie Ihre Prognosen für maschinelles Lernen mit genauer Datenaufteilung, Zeitreihen-Kreuzvalidierung, Characteristic-Engineering und mehr!

19 Min. gelesen

·

Vor 17 Stunden

(Ja, ich habe versucht, Zeitreihendiagramme mit einem KI-Software zu erstellen. Das Ergebnis überrascht mich tatsächlich.)

Die Analyse von Zeitreihendaten ist meist nicht einfach.

Diese Artwork von Daten hat einzigartige Besonderheiten und Herausforderungen die normalerweise nicht in anderen Datensätzen zu finden sind.

Zum Beispiel die zeitliche Ordnung von Beobachtungen muss respektiert werdenund wenn Datenwissenschaftler dies nicht berücksichtigen, führt dies zu einer schlechten Modellleistung oder, schlimmer noch, zur vollständigen Leistung irreführende Vorhersagen.

Wir werden diese Herausforderungen anhand eines echten Datensatzes angehen und sicherstellen, dass die Ergebnisse anhand der in diesem Artikel bereitgestellten Codebeispiele reproduzierbar sind.

Ohne den richtigen Umgang mit Zeitreihendaten besteht die Gefahr, dass Sie während des Trainings ein Modell erstellen, das scheinbar funktioniert fällt in realen Anwendungen auseinander.

Bild vom Herausgeber | Ideogramm

Bei der Zeitreihenanalyse werden im Laufe der Zeit gesammelte Datenpunkte untersucht. Sie hilft dabei, Tendencies und Muster zu erkennen. Diese Analyse ist in den Bereichen Wirtschaft, Finanzen und Umweltwissenschaften nützlich. R ist aufgrund seiner leistungsstarken Pakete und Funktionen ein beliebtes Device zur Durchführung von Zeitreihenanalysen. In diesem Aufsatz werden wir untersuchen, wie man mit R eine Zeitreihenanalyse durchführt.

1. Google Cybersecurity-Zertifikat – Begeben Sie sich auf die Überholspur zu einer Karriere in der Cybersicherheit.

2. Natürliche Sprachverarbeitung in TensorFlow – Erstellen Sie NLP-Systeme

3. Python für alle – Entwickeln Sie Programme zum Sammeln, Bereinigen, Analysieren und Visualisieren von Daten

4. Google IT Assist Skilled-Zertifikat

5. AWS Cloud-Lösungsarchitekt – Berufszertifikat

Bibliotheken laden

Der erste Schritt bei der Zeitreihenanalyse in R besteht darin, die erforderlichen Bibliotheken zu laden. ‚Vorhersage‘ Bibliothek bietet Funktionen für die Zeitreihenprognose. Die ‚tseries‘ Die Bibliothek bietet statistische Checks und Instruments zur Zeitreihenanalyse.

library(forecast)
library(tseries)

Zeitreihendaten importieren

Importieren Sie die Zeitreihendaten aus einer CSV-Datei in R. In diesem Beispiel verwenden wir einen Datensatz für die Finanzanalyse. Er verfolgt die Preisbewegungen im Laufe der Zeit.

knowledge <- learn.csv ("timeseries.csv", header = TRUE)
head(knowledge)

Erstellen eines Zeitreihenobjekts

Konvertieren Sie die Daten in ein Zeitreihenobjekt mit dem ‚ts‘ Funktion. Diese Funktion konvertiert Ihre Daten in ein Zeitreihenformat.

ts_data <- ts(knowledge$Worth)

Zeichnen Sie die Zeitreihe

Visualisieren Sie die Zeitreihendaten. Dies hilft dabei, Tendencies, Saisonalität und Anomalien zu erkennen. Tendencies zeigen langfristige Anstiege oder Abnahmen der Daten. Saisonalität zeigt regelmäßige Muster, die sich in festen Abständen wiederholen. Anomalien heben ungewöhnliche Werte hervor, die vom normalen Muster abweichen.

ARIMA-Modell

Das ARIMA-Modell wird zur Prognose von Zeitreihendaten verwendet. Es kombiniert drei Komponenten: Autoregression (AR), Differenzierung (I) und gleitender Durchschnitt (MA). Das ‚auto.arima‘ Die Funktion wählt automatisch das beste ARIMA-Modell basierend auf den Daten aus.

match <- auto.arima(ts_data)

Autokorrelationsfunktion (ACF)

Die Autokorrelationsfunktion (ACF) misst, wie eine Zeitreihe mit ihren vergangenen Werten korreliert. Sie hilft dabei, Muster und Verzögerungen in den Daten zu erkennen. Sie zeigt diese Korrelationen bei unterschiedlichen Zeitverzögerungen. Das ACF-Diagramm hilft dabei, die Reihenfolge des gleitenden Durchschnitts (MA) zu bestimmen (‚Q‘).

Partielle Autokorrelationsfunktion (PACF)

Die partielle Autokorrelationsfunktion (PACF) misst die Korrelation einer Zeitreihe mit ihren vergangenen Werten. Sie schließt die Auswirkungen dazwischenliegender Verzögerungen aus. Sie hilft dabei, die Stärke direkter Beziehungen bei unterschiedlichen Verzögerungen zu ermitteln. Das PACF-Diagramm zeigt diese Korrelationen für verschiedene Zeitverzögerungen. Das PACF-Diagramm hilft dabei, die autoregressive (AR) Ordnung zu ermitteln (‚P‘).

Ljung-Field-Take a look at

Der Ljung-Field-Take a look at prüft die Residuen eines Zeitreihenmodells auf Autokorrelation. Er prüft, ob die Residuen zufällig sind. Er prüft die Autokorrelation bei mehreren Verzögerungen. Ein niedriger p-Wert deutet auf eine signifikante Autokorrelation hin. Dies bedeutet, dass das Modell möglicherweise nicht intestine passt.

Field.check(match$residuals, lag = 20, sort = "Ljung-Field")

Residuenanalyse

Die Residuenanalyse untersucht die Unterschiede zwischen den beobachteten und den vorhergesagten Werten eines Zeitreihenmodells. Sie hilft zu prüfen, ob das Modell intestine zu den Daten passt.

plot (match$residuals, essential="Residuals of ARIMA Mannequin", ylab="Residuals")
abline(h=0, col="pink")

Prognosen

Bei der Prognose geht es darum, zukünftige Werte auf Foundation historischer Daten vorherzusagen. Verwenden Sie die ‚Vorhersage‘ um diese Vorhersagen zu erstellen.

forecast_result <- forecast (match) 

Visualisierung von Prognosen

Visualisieren Sie prognostizierte Werte mit historischen Daten, um sie zu vergleichen. ‚Automatisches Plotten‘ Funktion hilft beim Erstellen dieser Visualisierungen.

autoplot(forecast_result)

Modellgenauigkeit

Bewerten Sie die Genauigkeit des angepassten Modells mit dem ‚Genauigkeit‘ Funktion. Sie bietet Leistungsmesswerte wie den mittleren absoluten Fehler (MAE) und den mittleren quadratischen Fehler (RMSE).

Einpacken

Die Zeitreihenanalyse in R beginnt mit dem Laden von Daten und dem Erstellen von Zeitreihenobjekten. Führen Sie als Nächstes eine explorative Analyse durch, um Tendencies und Muster zu erkennen. Passen Sie ARIMA-Modelle an, um zukünftige Werte vorherzusagen. Diagnostizieren Sie die Modelle und visualisieren Sie die Ergebnisse. Dieser Prozess hilft dabei, fundierte Entscheidungen anhand historischer Daten zu treffen.

Jayita Gulati ist eine Enthusiastin für maschinelles Lernen und technische Autorin, die von ihrer Leidenschaft für die Erstellung von Modellen für maschinelles Lernen angetrieben wird. Sie hat einen Grasp-Abschluss in Informatik von der Universität Liverpool.

Einführung

Sich zurechtfinden im komplexen Bereich der Zeitreihenanalyse könnte mit der Entdeckung einer in Daten verborgenen Goldmine an Informationen verglichen werden. Für jeden, der mehr über dieses faszinierende Thema erfahren möchte, beginnt die Reise häufig mit den richtigen Reiseführern. Die Bücher, die Sie auswählen, können Ihren Wissensstand in der Zeitreihenprognose und -analyse erheblich beeinflussen, unabhängig von Ihrem Erfahrungsniveau. Die hier enthaltenen Bücher behandeln verschiedene Themen, von grundlegenden Konzepten bis hin zu fortgeschrittenen Methoden des maschinellen Lernens, und bieten die notwendigen Informationen und Werkzeuge für den Erfolg in diesem Bereich. Jedes Buch bietet unterschiedliche Sichtweisen und wertvolle Strategien, sodass für jeden Schüler etwas Wertvolles dabei ist.

Warum sollte man Bücher zur Zeitreihenanalyse lesen?

Bücher zur Zeitreihenanalyse bieten wertvolle Informationen und Tipps für jeden, der mit Daten im Zeitverlauf arbeitet. Bücher zur Zeitreihenanalyse sollten aus folgenden Gründen gelesen werden:

1. Grundlegendes Wissen: Bücher zur Zeitreihenanalyse vermitteln eine fundierte Grundlage der theoretischen Ideen, die zum Verständnis der Entwicklung von Daten erforderlich sind.
2. Historischer Zusammenhang: Sie behandeln häufig die Entwicklung von Methoden und Theorien und helfen den Lesern, die Entwicklung des Fachgebiets und die Gründe hinter verschiedenen Techniken zu verstehen.
3. Praktische Techniken: Sie diskutieren häufig ihre Fortschritte bei Konzepten und Strategien, was den Lesern hilft, die Entwicklung des jeweiligen Fachgebiets und die Gründe für verschiedene Methoden zu verstehen.
4. Praktische Methoden: Diese Veröffentlichungen bieten praxisnahe Methoden und Instrumente zur Anwendung auf Daten, wie z. B. Zustandsraum, exponentielle Glättung und ARIMA-Modelle.
5. Analytische Fähigkeiten: Diese Bücher verbessern die analytischen Fähigkeiten und ermöglichen es dem Benutzer, auf der Grundlage der in den Daten angezeigten Developments und Muster bessere Entscheidungen zu treffen.
6. Probleme lösen: Sie tragen auch zur Entwicklung von Problemlösungskompetenzen bei, da Sie darin geschult werden, Muster, Developments und Anomalien in Zeitreihendaten zu analysieren.
7. Modernste Methoden: Einige Bücher behandeln aktuelle Praktiken wie maschinelles Lernen und tiefes Lernen Verfahren, die für jede Praxis unerlässlich sind.
8. Softwareimplementierung: Sie enthalten oft Anleitungen zur Implementierung von Methoden mit gängigen Softwaretools wie R Und Pythonund vermittelt praktische Programmiererfahrung.
9. Informierte Prognosen: Sie befähigen Sie dazu, präzise Prognosen für die strategische Planung und Entscheidungsfindung in verschiedenen Berufsfeldern zu treffen.

Prime 10 Bücher zur Zeitreihenanalyse

1. Prognosen: Grundsätze und Praxis

Autoren: Rob J. Hyndman und George Athanasopoulos

Erscheinungsjahr: 2013

Dieses Buch beschäftigt sich mit Prognosen und Instruments zur Vorhersage zukünftiger Datenpunkte. Es reicht von grundlegenden Konzepten bis hin zu fortgeschritteneren Methoden, einschließlich exponentieller Glättung und ARIMA-Modellen. Dieses Buch zeichnet sich durch seine einfache Sprache und seinen fokussierten Ansatz aus und ist daher sowohl für Anfänger als auch für erfahrene Analysten geeignet.

Zugriff auf das Buch Hier.

2. Zeitreihenanalyse: Neue Erkenntnisse

Autor: Rifaat M. Abdalla

Erscheinungsjahr: 2023

Dieses Buch bietet neue Einblicke in die Zeitreihenanalyse. Es untersucht aktuelle Entwicklungen und fortschrittliche Techniken zur Analyse zeitabhängiger Daten. Das Buch richtet sich an Forscher, Praktiker und Studenten, die ihr Verständnis der Zeitreihenanalyse vertiefen möchten.

Klicken Hier um auf dieses Buch zuzugreifen.

3. Praktische Zeitreihenprognose mit R: Ein praxisorientierter Leitfaden (dritte Ausgabe)

Autor: Galit Schmueli

Erscheinungsjahr: 2016

Dieser praktische Leitfaden soll Benutzer in die Zeitreihenprognose mit R einweisen und bietet verschiedene Methoden und Beispiele aus der Praxis für die praktische Anwendung der Datenanalyse. Das Buch richtet sich an Fachleute, Lernende und Akademiker, die Daten vorhersagen müssen, die sich im Laufe der Zeit ändern.

Zugriff auf das Buch Hier.

4. Maschinelles Lernen für Zeitreihen mit Python: Prognosen, Vorhersagen und Erkennen von Anomalien mit modernsten Methoden des maschinellen Lernens

Autor: Ben Auffarth

Erscheinungsjahr: 2021

Auffarths Buch ist eine der zeitgenössischen Ansichten zur Zeitreihenanalyse. Es konzentriert sich hauptsächlich auf Techniken des maschinellen Lernens. Es diskutiert verschiedene Methoden, wie zum Beispiel Neuronale Netze Und Ensemble-Modelleund zeigt, wie diese mit Python implementiert werden. Daher ist dieses Buch perfekt für Datenwissenschaftler, die fortgeschrittene Algorithmen für maschinelles Lernen zu Zeitreihendaten.

Klicken Hier um auf dieses Buch zuzugreifen.

5. Wiederholungsintervallanalyse von Finanzzeitreihen

Autor: Wei-Xing Zhou, Zhi-Qiang Jiang, Wen-Jie Xie

Erscheinungsjahr: 2024

Dieses Buch befasst sich mit der Analyse von Finanzzeitreihen mithilfe von Wiederholungsintervallmethoden. Es unterstreicht die Bedeutung des Verständnisses der Lücken zwischen Finanzereignissen und deren Potenzial zur Vorhersage von Markttrends. Das Buch richtet sich an Finanzanalysten, Ökonomen und Forscher, die sich für fortgeschrittene Zeitreihenanalysetechniken interessieren.

Zugriff auf das Buch Hier.

6. Zeitreihenanalyse: Prognose und Kontrolle

Autoren: George EP Field, Gwilym M. Jenkins, Gregory C. Reinsel und Greta M. Ljung

Erscheinungsjahr: 2015

Dieses Buch mit dem Titel „Field-Jenkins“ ist eine der umfassendsten Quellen zur Zeitreihenanalyse und -prognose. Es stellt ARIMA-Modelle vor und betont die Modellidentifikation, -schätzung und -diagnoseprüfung. Die neueste Ausgabe enthält moderne Ansätze und Softwareanwendungen.

Klicken Hier um auf dieses Buch zuzugreifen.

7. Angewandte Zeitreihenanalyse

Autor: Terence C. Mills

Erscheinungsjahr: 2019

Mills‘ Buch ist ein Leitfaden, der die Lücke zwischen theoretischen Konzepten und praktischen Anwendungen in der Zeitreihenanalyse schließt. Es behandelt verschiedene Modellierungstechniken wie lineare, nichtlineare und Volatilitätsmodelle. Das Buch richtet sich genau an praktizierende und postgraduierte Studenten, die Zeitreihenmethoden in realen Szenarien anwenden möchten.

Zugriff auf das Buch Hier.

8. Praktische Zeitreihenanalyse: Vorhersage mit Statistik und maschinellem Lernen

Autor: Aileen Nielsen

Erscheinungsjahr: 2019

Dieses Buch bietet einen praktischen Ansatz und konzentriert sich auf statistische und maschinelle Lernmethoden für die Zeitreihenanalyse. Das Buch behandelt traditionelle Techniken und fortgeschrittene Modelle des maschinellen Lernens, einschließlich Deep Studying für die Zeitreihenprognose. Dank der verwendeten praktischen Beispiele und Codeausschnitte ist es ein hervorragendes Nachschlagewerk für Datenwissenschaftler.

Klicken Hier um auf dieses Buch zuzugreifen.

9. Zeitreihenanalyse und Prognose mit Python meistern

Autor: Sulekha AloorRavi

Erscheinungsjahr: 2024

Dieses Buch untersucht ausführlich die Zeitreihenanalyse und -vorhersage mit Python. Es untersucht eine Reihe statistischer Modelle und Methoden des maschinellen Lernens zur Analyse zeitbasierter Daten und zur Erstellung präziser Prognosen. Das Buch richtet sich sowohl an Anfänger als auch an erfahrene Praktiker der Zeitreihenanalyse.

Zugriff auf das Buch Hier.

10. Multivariate Zeitreihenanalyse: Mit R und Finanzanwendungen

Autor: Ruey S. Tsay

Erscheinungsjahr: 2014

Tsays Buch konzentriert sich auf Multivariable Zeitreihenanalyseuntersucht die Beziehungen zwischen mehreren zeitabhängigen Variablen. Es behandelt praktische Anwendungen im Finanzwesen und verwendet in großem Umfang die Programmiersprache R. Das Buch ist splendid für diejenigen, die Zeitreihenmethoden auf Finanzdaten anwenden.

Klicken Hier um auf dieses Buch zuzugreifen.

Abschluss

Das Lesen dieser umfangreichen und ausführlichen Leitfäden zu SDA kann Ihre Einstellung zur Prognose und zur Betrachtung der Ergebnisse ändern. Eine große Themenvielfalt wird dargestellt, angefangen bei grundlegenden ARIMA-Modellen bis hin zu modernsten maschinellen Lernansätzen. So wird garantiert, dass der Leser unabhängig von seinem Kenntnisstand ausreichend Informationen findet. Im Gegensatz zu anderen Büchern, die viele Theorien anbieten, die in der Praxis kaum anwendbar sind, zerlegen diese Bücher komplizierte Ideen und liefern Beispiele aus der Praxis, die Sie in Ihrer Arbeit verwenden können. Wenn Sie sich mit diesen professionell erstellten Ressourcen befassen, sind Sie auf jedes Zeitreihenproblem intestine vorbereitet und treffen eine kluge Entscheidung, die durch solide analytische Ergebnisse gestützt wird.