Предсказание числовой последовательности

Дата публикации: 28 апреля 2026

Что такое числовая последовательность и зачем её предсказывать?

Числовая последовательность — это упорядоченный набор чисел, в котором каждое число называют элементом или членом последовательности. Примеры окружают нас повсюду:

• Курсы валют или акций на бирже;
• Температура воздуха, измеренная каждый час;
• Число пользователей сайта по дням;
• Рост бактерий в лабораторной колонии.

Возможность предсказывать следующее значение последовательности позволяет:

• Оптимизировать закупки и производство;
• Формировать инвестиционные стратегии;
• Диагностировать отказ оборудования;
• Строить алгоритмы искусственного интеллекта.

Классификация последовательностей

По происхождению

• Детерминированные — последовательности, заданные формулой или рекуррентным правилом. Пример: числа Фибоначчи F_n = F_n-1 + F_n-2.
• Стохастические — включают случайную составляющую. Пример: цены закрытия акций.
• Псевдослучайные — генерируются алгоритмом и выглядят случайными, но полностью воспроизводимы при известном начальном состоянии.

По размеру шага

• Дискретные — значения заданы в целых моментах времени (ежедневные продажи).
• Непрерывные — измерения можно брать сколь угодно часто (температура с высокочастотным датчиком).

Основные методы предсказания

Классические статистические модели

Скользящее среднее

Простой метод сглаживания, при котором следующее значение равно среднему из k предыдущих:

Ŷ_n+1 = (Y_n + Y_n-1 + … + Y_n-k+1) / k

Подходит для краткосрочных прогнозов при медленно меняющемся тренде.

Экспоненциальное сглаживание

Даёт больший вес свежим данным:

Ŷ_n+1 = α · Y_n + (1-α) · Ŷ_n

Где α ∈ (0, 1) — параметр «забывания».

ARIMA

Комбинирует авторегрессию (AR), интегрирование (I) и скользящее среднее (MA):

Y_t = c + Σ φ_i Y_t-i + Σ θ_j ε_t-j + ε_t

Требует стационарности ряда и калибровки трёх параметров (p, d, q).

Машинное обучение

Деревья решений и случайные леса

Дерево решений разбивает пространство признаков (например, последние k значений) на области и предсказывает среднее в листе. Случайный лес усредняет множество деревьев, повышая устойчивость.

LSTM и GRU

Рекуррентные нейросети с долгой краткосрочной памятью (LSTM) и аналогичные Gated Recurrent Units хорошо справляются с долгими зависимостями:

• Принимают на вход вектор предыдущих значений;
• Управляют потоком информации через «забывающие» и «входные» вентили;
• Выдают как точечный прогноз, так и доверительный интервал.

Prophet от Meta

Библиотека fbprophet в Python автоматически находит тренд, сезонность и праздничные эффекты, требуя лишь CSV с двумя колонками: ds (дата) и y (значение).

Генераторы псевдослучайных чисел: можно ли их предсказать?

Линейный конгруэнтный генератор задаётся формулой:

X_n+1 = (a·X_n + c) mod m

Если знать константы a, c, m и хотя бы одно значение X_k, то всю последовательность легко восстановить. Более сложные алгоритмы, такие как Mersenne Twister, имеют период 2¹⁹⁹³⁷−1, но при наличии 624 последовательных чисел их состояние можно полностью реконструировать с помощью обратного вычисления (см; «php_mt_reload»).

Практический пример: предсказываем курс доллара на Python

Ниже минимальный фрагмент кода, демонстрирующий работу Prophet.

import pandas as pd
from prophet import Prophet

df = pd.read_csv('usd_rub.csv') # датафрейм с колонками ds, y
model = Prophet
model.fit(df)

future = model.make_future_dataframe(periods=30)
forecast = model.predict(future)
model.plot(forecast).savefig('forecast.png')

Оценка качества прогноза

• MAE — средняя абсолютная ошибка;
• RMSE, среднеквадратичное отклонение;
• MAPE, средняя абсолютная процентная ошибка.

Часто данные делят на обучающую (70 %), валидационную (15 %) и тестовую (15 %) выборки, чтобы избежать переобучения.

Избегаем подводных камней

1. Переобучение, модель запоминает шум вместо закономерности.
2. Нестационарность — тренд может меняться, требуя периодической переоценки.
3. Выбросы — экстремумы сильно влияют на средние метрики.
4. Датасдвиг, распределение в будущем может отличаться от прошлого (например, экономические санкции).

Предсказание числовых последовательностей — это пересечение статистики, информатики и предметной экспертизы. Простые скользящие средние подходят для грубых прогнозов, ARIMA — для стационарных рядов, а LSTM и Prophet, для сложных нелинейных зависимостей. Главное — правильно выбрать модель, подготовить данные и не забывать проверять прогнозы в реальной жизни.