Содержание поста "Прогнозирование 1782 временных рядов с помощью мультисегментного подхода (72-стр. pdf, Jupyter-тетрадка)"
1. Описание задачи 2
2. Пробуем простые прогнозные модели 6
2.1. Модель наивного прогноза (продажи за последние 16 дней) 7
2.2. Модель наивного прогноза (продажи за последние 16 дней) с поправкой на дни недели 9
2.3. Модель сезонного наивного прогноза (продажи за тот же 16-дневный период прошлого года) 12
2.4. Модель сезонного наивного прогноза (продажи за тот же 16-дневный период прошлого года) с поправкой на дни недели 13
2.5. Модель усредненного наивного прогноза (усреднение продаж по нескольким предшествующим 16-дневным периодам) 15
2.6. Модель усредненного наивного прогноза (усреднение продаж по нескольким предшествующим 16-дневным периодам) с поправкой на дни недели 18
2.7. Модель скользящего среднего 20
3. Предварительная подготовка и конструирование признаков для обучающего и тестового наборов 29
4. Обучение модели CatBoost на обучающем наборе и получение прогнозов для тестового набора 53
5. Дополнительная подготовка обучающего и тестового наборов для гребневой регрессии 58
6. Обучение модели гребневой регрессии на обучающем наборе и получение прогнозов для тестового набора 60
7. Предварительная подготовка и конструирование признаков для исторического набора и набора новых данных 63
8. Обучение модели CatBoost на историческом наборе и получение прогнозов для набора новых данных 68
9. Дополнительная подготовка исторического набора и набора новых данных для гребневой регрессии 69
10. Обучение модели гребневой регрессии на историческом наборе и получение прогнозов для набора новых данных 71
11. Усреднение прогнозов CatBoost и гребневой регрессии для набора новых данных и отправка посылки для Kaggle 71
прикладной_анализ_временных_рядов