# Временные ряды и прогнозирование

> Временные ряды (time series): декомпозиция на тренд и сезонность, наивные бейзлайны, лаговые фичи, walk-forward валидация и почему random split для рядов — утечка данных.

Раздел: [Основы машинного обучения](https://ml-book.com/s/ml-basics/) · Страница темы: https://ml-book.com/t/time-series/ · Обновлено: 2026-07-07 · Источник: ml-book.com, учебник делается сообществом

## Интуиция

Временной ряд — это наблюдения, упорядоченные во времени: продажи по дням, нагрузка на сервер по минутам, курс валюты. От обычной табличной задачи он отличается двумя вещами: порядок важен (перемешать строки нельзя — время потечёт вспять) и наблюдения зависимы (продажи сегодня похожи на вчерашние). Обе особенности ломают привычные привычки: и подготовку фичей, и валидацию.

Классический способ думать о ряде — декомпозиция (decomposition) на три компоненты:

`y(t) = тренд(t) + сезонность(t) + остаток(t)`

Тренд — медленное движение уровня (бизнес растёт), сезонность — повторяющийся узор (по субботам продажи выше), остаток — шум, который не объясняется ни тем, ни другим. Хорошая модель ловит первые две компоненты и не пытается выучить третью.

## Бейзлайны, которые стыдно проигрывать

Прежде чем строить что-то умное, обязательны наивные прогнозы:

- **Naive**: завтра = сегодня. Последнее известное значение тянется на весь горизонт.
- **Seasonal naive**: завтра = неделю назад (для недельной сезонности). Часто на удивление силён.
- **Скользящее среднее (moving average)**: среднее последних k точек — сглаживает шум, но игнорирует тренд и сезонность.

Если ваша нейросеть проигрывает seasonal naive — у вас нет модели, у вас есть дорогой генератор случайных чисел. На собеседовании фраза «сначала я построю naive-бейзлайн» звучит как признак зрелости.

> **💡 Ключевая мысль**
>
> В задачах с временем главное правило одно: и фичи, и валидация используют только прошлое. Всё, что трогает будущее, — утечка.

> 🎛 Интерактивная визуализация — на странице темы: https://ml-book.com/t/time-series/

## Фичи и валидация: только из прошлого

ML-подход к рядам — превратить прогноз в обычную табличную задачу. Фичи для точки t:

- **Лаги (lags)**: y(t−1), y(t−7), y(t−28) — значения ряда в прошлом;
- **Скользящие агрегаты**: среднее/минимум/максимум за последние 7 или 30 дней;
- **Календарные признаки**: день недели, месяц, праздники, промо-акции.

Железное правило: каждая фича вычисляется только из данных до момента t. Скользящее среднее, центрированное на t (окно захватывает будущее), — уже [утечка данных](https://ml-book.com/t/feature-engineering/). Тот же вопрос задаём внешним признакам: фактическая погода в день прогноза известна не будет — можно брать только прогноз погоды, каким он был в момент предсказания.

Валидация — та же логика. Random split перемешивает будущее в train, и модель получает нечестно низкую ошибку: она интерполирует между известными соседями вместо экстраполяции. Правильно — сплит по времени: обучение на прошлом, проверка на будущем. Ещё честнее — walk-forward (расширяющееся окно): обучаемся на данных до точки k, прогнозируем следующий отрезок, сдвигаем границу, повторяем и усредняем ошибку по всем отрезкам.

## Чем прогнозируют на практике

- **Экспоненциальное сглаживание (exponential smoothing)**: прогноз — взвешенное среднее прошлого, свежие точки весят больше; версии с трендом и сезонностью (Holt-Winters).
- **ARIMA**: следующая точка — линейная комбинация прошлых значений (авторегрессия) и прошлых ошибок, после устранения тренда разностями. Идея важнее формул: ряд объясняется собственным прошлым.
- **Prophet**: декомпозиция «тренд + сезонности + праздники» с удобным API — быстрый сильный бейзлайн для бизнес-рядов.
- **Градиентный бустинг на лаговых фичах** — рабочая лошадка индустрии: легко добавлять внешние признаки (цены, промо, погоду), одна модель на тысячи рядов.
- **Нейросети и трансформеры для рядов** — оправданы, когда рядов и данных очень много; на одном коротком ряде почти всегда проигрывают классике и бустингу.

Качество меряют MAE (средняя абсолютная ошибка, в единицах ряда) и MAPE (в процентах — удобно сравнивать ряды разного масштаба). И помните про горизонт: чем дальше прогноз, тем больше накапливается неопределённость — ошибка на 30 дней вперёд всегда хуже, чем на 7. Поэтому горизонт выбирают от бизнес-задачи (на сколько дней вперёд реально принимаются решения), а метрику считают отдельно по каждому шагу горизонта: усреднённое по 30 дням число прячет тот факт, что первая неделя предсказывается отлично, а последняя — на уровне подбрасывания монетки.

> **⚠️ Подводный камень**
>
> MAPE делит ошибку на фактическое значение: если ряд проходит около нуля (маржа, температура, спрос на редкий товар), метрика взрывается до тысяч процентов или вовсе не определена. Для таких рядов берите MAE или sMAPE/WAPE.

> **🎤 На собеседовании**
>
> - «Как валидировать модель прогноза продаж?» — только сплит по времени, лучше walk-forward: несколько последовательных отрезков «обучение на прошлом — проверка на будущем».
> - «Почему naive-бейзлайн обязателен?» — он задаёт планку почти бесплатно; сложная модель, не бьющая seasonal naive, не даёт ценности.
> - «Какие фичи нельзя брать?» — всё, что использует данные после момента предсказания: центрированные окна, агрегаты за «весь период», статистики, посчитанные по всему ряду до сплита.
> - «Чем бы прогнозировали 10 000 рядов товаров?» — бустинг на лагах и календарных фичах: одна модель на все ряды, внешние признаки добавляются тривиально.

## Связанные темы

- [Фичи и утечки данных (data leakage)](https://ml-book.com/t/feature-engineering/)
- [Линейная регрессия](https://ml-book.com/t/linear-regression/)
- [Мониторинг и дрифт данных](https://ml-book.com/t/monitoring-drift/)
- [Деревья решений и ансамбли](https://ml-book.com/t/trees-ensembles/)

---

Интерактив, тест из 12 вопросов и карточки терминов — на странице темы: https://ml-book.com/t/time-series/
Весь учебник в markdown: https://ml-book.com/llms-full.txt · Оглавление для агентов: https://ml-book.com/llms.txt