كتب الذكاء الاصطناعيمشاريع الذكاء الاصطناعيمقالات الذكاء الاصطناعيمعجم الذكاء الاصطناعياسئلة واجوبة في الذكاء الاصطناعيأكاديمية الذكاء الاصطناعي للأطفالأكاديمية الذكاء الاصطناعيمدرسة رياضيات الذكاء الاصطناعيمختبر الذكاء الاصطناعيمختبر الخوارزميات المستوحاة من الطبيعةأطلس نماذج الذكاء الاصطناعيموسوعة تطبيقات الذكاء الاصطناعيمستكشف مجموعات البيانات للذكاء الاصطناعياختبارات الذكاء الاصطناعيالفايب كودينغدليل البرمجة بالذكاء الاصطناعيمولّد مشاريع الذكاء الاصطناعيمرصد الذكاء الاصطناعيدليل أدوات الذكاء الاصطناعي البحث والنشر الأكاديميمكتبة البرومبتات الأكاديميةمستودع الرسائل والأطاريح في الذكاء الاصطناعيحاسبة الترقية العلميةمختبر التنبؤ بالسلاسل الزمنيةمتحف الذكاء الاصطناعيمختبر الرؤية الحاسوبيةمختبر معالجة اللغة الطبيعيةمختبر الحوسبة الكمّيةخرائط طريق الذكاء الاصطناعي

تفكيك السلسلة الزمنية

Time Series Decomposition

مبتدئ15 دقيقة

أهداف الدرس

  • التفريق بين التفكيك الجمعي والمضاعف
  • فهم خطوات التفكيك الكلاسيكي
  • قياس قوة الاتجاه والموسمية

الجمعي والمضاعف

في النموذج الجمعي يكون مدى الموسمية ثابتاً مهما تغير المستوى، وفي المضاعف يتناسب مع المستوى. بيانات المسافرين جواً مثال واضح على الموسمية المضاعفة؛ وأخذ اللوغاريتم يحولها إلى جمعية.

y_t = T_t + S_t + R_t \qquad y_t = T_t \times S_t \times R_t
104363622المرصودة127301475الاتجاه0.801.01.2الموسمية (مضاعفة)0.890.991.1الباقي194919511953195519571959

خطوات التفكيك الكلاسيكي

نقدّر الاتجاه بمتوسط متحرك مركزي بطول m (2×m عند m زوجي)، ثم نطرحه (أو نقسم عليه)، ثم نأخذ متوسط كل موسم ونمركزه ليكون مجموعه صفراً (أو متوسطه 1)، وما يتبقى هو الباقي. هذه هي طريقة seasonal_decompose في statsmodels التي يحاكيها المختبر.

قوة الاتجاه والموسمية

يحسب المختبر مقياسين بين 0 و1 حسب Wang وSmith وHyndman: قيمة قريبة من 1 تعني مكوناً قوياً.

F_T=\max\!\left(0,1-\tfrac{\operatorname{Var}(R_t)}{\operatorname{Var}(T_t+R_t)}\right),\quad F_S=\max\!\left(0,1-\tfrac{\operatorname{Var}(R_t)}{\operatorname{Var}(S_t+R_t)}\right)

حدود الطريقة

التفكيك الكلاسيكي يفقد m/2 قيمة في كل طرف، ويفترض موسمية ثابتة عبر السنين، ويتأثر بالقيم الشاذة. طرق مثل STL أكثر مرونة وتتوفر في محرك Python.

الخلاصة

  • الموسمية المتسعة مع المستوى = مضاعف
  • قوة الموسمية فوق 0.64 تبرر تفاضلاً موسمياً في Auto ARIMA

طبّق الدرس في تحليل السلسلة الزمنية

للاستزادة

  1. FPP3 الفصل 3: Time series decomposition
  2. FPP3 §3.4 Classical decomposition
  3. statsmodels: seasonal_decompose