Składowe szeregów czasowych i stacjonarność
Trend, sezonowość, szum, test ADF stacjonarności, różnicowanie w celu uzyskania stacjonarności.
Składowe szeregów czasowych i stacjonarność to bezpłatna lekcja Learn AI with Python na CoddyKit. To lekcja 1 z 4. Możesz przeczytać całą lekcję poniżej za darmo — a potem ćwiczyć ją interaktywnie w przeglądarce z wbudowanym edytorem kodu i tutorem AI dostępnym 24/7. To część ścieżki edukacyjnej Learn AI with Python, a Twój postęp synchronizuje się między webem a aplikacją CoddyKit. Kurs Learn AI with Python zawiera 4 lekcji w sumie.
Czym jest szereg czasowy?
Szereg czasowy to dane uporządkowane według czasu, takie jak dzienna sprzedaż lub temperatura mierzona co godzinę. Ponieważ obserwacje są uporządkowane i często skorelowane, potrzebne są specjalne techniki; nie można po prostu przetasować wierszy, jak w przypadku zwykłych danych tabelarycznych.
Trzy składniki
W klasycznym ujęciu szereg rozkłada się na:
- Trend: długoterminowy wzrost lub spadek.
- Sezonowość: powtarzające się wzorce w stałych odstępach (tygodniowych, rocznych).
- Składnik resztowy: pozostały losowy szum po usunięciu trendu i sezonowości.
Model addytywny a multiplikatywny
W modelu addytywnym: y = trend + seasonality + residual, stosowanym, gdy wahania sezonowe mają stałą amplitudę.
W modelu multiplikatywnym: y = trend * seasonality * residual, stosowanym, gdy wahania sezonowe rosną wraz z trendem.
seasonal_decompose
Biblioteka statsmodels może automatycznie rozdzielić szereg na jego składniki.
from statsmodels.tsa.seasonal import seasonal_decompose
result = seasonal_decompose(series, model="additive", period=12)
result.trend
result.seasonal
result.residWizualizacja dekompozycji
Wykres wyniku pokazuje poszczególne składniki jeden nad drugim, ułatwiając dostrzeżenie trendu i sezonowości oraz wybór metody prognozowania.
import matplotlib.pyplot as plt
result.plot()
plt.tight_layout()
plt.show()Czym jest stacjonarność?
Szereg jest stacjonarny, gdy jego właściwości statystyczne (średnia, wariancja, autokorelacja) pozostają stałe w czasie. Wiele klasycznych modeli, takich jak ARIMA, zakłada stacjonarność, dlatego jej sprawdzenie i zapewnienie jest kluczowym pierwszym krokiem.
Dlaczego stacjonarność ma znaczenie
Jeśli średnia zmienia się w czasie lub wariancja gwałtownie rośnie, model dopasowany do wcześniejszych danych nie będzie dobrze uogólniał na późniejsze dane. Usunięcie trendu i ustabilizowanie wariancji sprawia, że szereg staje się przewidywalny w spójny sposób.
Test ADF
Test Augmented Dickey-Fuller (ADF) sprawdza stacjonarność. Hipoteza zerowa brzmi: „niestacjonarny (ma pierwiastek jednostkowy)”. Wartość p poniżej 0,05 pozwala odrzucić hipotezę zerową i uznać szereg za stacjonarny.
from statsmodels.tsa.stattools import adfuller
stat, pvalue, *_ = adfuller(series)
print("p-value:", pvalue)
# pvalue < 0.05 -> stationaryRóżnicowanie w celu uzyskania stacjonarności
Różnicowanie polega na odejmowaniu poprzedniej wartości od każdej kolejnej, co usuwa trend. Różnicowanie pierwszego rzędu zwykle wystarcza do usunięcia trendu liniowego; w razie potrzeby można zastosować je ponownie.
diff1 = series.diff().dropna() # first difference
diff2 = series.diff().diff().dropna() # second differencePotwierdzanie po różnicowaniu
Należy ponownie uruchomić test ADF dla szeregu po różnicowaniu. Gdy wartość p spadnie poniżej 0,05, uzyskano stacjonarność i określono rząd różnicowania d, który jest bezpośrednio używany w modelu ARIMA.
stat, pvalue, *_ = adfuller(series.diff().dropna())
print("p-value after differencing:", pvalue)Inne transformacje stabilizujące
Jeśli wariancja rośnie w czasie, transformacja log lub Box-Cox stabilizuje ją przed różnicowaniem. Połączenie transformacji logarytmicznej z różnicowaniem sprawdza się w wielu rzeczywistych szeregach o wzroście multiplikatywnym.
import numpy as np
log_series = np.log(series)
stationary = log_series.diff().dropna()Szybkie sprawdzenie
Sprawdź swoje rozumienie stacjonarności.
Podsumowanie
Rozłożono szeregi na trend, sezonowość i składnik resztowy za pomocą seasonal_decompose, poznano modele addytywne i multiplikatywne, sprawdzono stacjonarność za pomocą testu ADF oraz użyto różnicowania (rzędu d), aby uzyskać stacjonarność szeregu. Dalej: ARIMA i SARIMA.
Często zadawane pytania
Czy lekcja „Składowe szeregów czasowych i stacjonarność” jest bezpłatna?
Tak — pełny tekst „Składowe szeregów czasowych i stacjonarność” jest dostępny za darmo tutaj w sieci. Aby ćwiczyć ją interaktywnie (wbudowany edytor kodu i tutor AI dostępny 24/7) i odblokować resztę kursu Learn AI with Python, przejdź na CoddyKit PRO. Kurs Learn AI with Python zawiera 4 lekcji w sumie.
Co nauczysz się w „Składowe szeregów czasowych i stacjonarność”?
Trend, sezonowość, szum, test ADF stacjonarności, różnicowanie w celu uzyskania stacjonarności. Ćwiczysz Learn AI with Python z praktycznym kodem, który uruchamiasz bezpośrednio w przeglądarce, a tutor AI dostępny 24/7 odpowiada na Twoje pytania podczas pracy nad lekcją.
Czy potrzebuję doświadczenia, aby zacząć Learn AI with Python?
Nie wymagamy żadnego doświadczenia. Learn AI with Python w CoddyKit jest strukturyzowany dla początkujących i zaawansowanych użytkowników, więc możesz zacząć tutaj lub od początku i uczyć się w swoim tempie. To lekcja 1 z 4.
Ile czasu zajmuje lekcja „Składowe szeregów czasowych i stacjonarność”?
Większość lekcji CoddyKit trwa około 5–10 minut. Każda lekcja to mały, interaktywny krok, dzięki czemu robisz systematyczne postępy i zawsze wracasz dokładnie do tego samego miejsca — na webie i w aplikacji.
Czy mogę pisać i uruchamiać kod w tej lekcji Learn AI with Python?
Tak. Każda lekcja Learn AI with Python zawiera wbudowany edytor kodu, więc piszesz i uruchamiasz prawdziwy kod bezpośrednio w przeglądarce i od razu otrzymujesz sprzężenie zwrotne od AI — bez konfiguracji na komputerze.
Wszystkie lekcje w tym kursie
- Składowe szeregów czasowych i stacjonarność
- Modele ARIMA i SARIMA
- Prophet do automatycznego prognozowania
- LSTM do prognozowania szeregów czasowych