Предсказание числовых рядов — это процесс использования статистических и математических методов для определения будущих значений на основе исторических данных.
Под числовым рядом понимается последовательность числовых значений, упорядоченных по времени или другому непрерывному параметру.
Такие ряды широко встречаются в экономике, финансах, инженерии, метеорологии и других сферах.
Типы числовых рядов
- Временные ряды — данные, собранные в хронологическом порядке (например, ежедневные продажи).
- Пространственные ряды — данные, упорядоченные по географическому признаку (например, цены на недвижимость по районам).
- Кросс-секционные ряды — снимки данных на определённый момент времени для множества объектов.
Классические методы прогнозирования
Скользящее среднее
Простейший метод сглаживания и прогнозирования. Будущее значение вычисляется как среднее из N предыдущих наблюдений.
Прогноз = (X(t-1) + X(t-2) + … + X(t-N)) / N
Преимущества: лёгкая реализация в Excel через функцию AVERAGE.
Недостатки: плохо реагирует на тренды и сезонность.
Экспоненциальное сглаживание
Простое экспоненциальное сглаживание (SES)
Используется для данных без выраженного тренда и сезонности.
S(t) = α·X(t) + (1-α)·S(t-1) Прогноз(t+1) = S(t)
где α ∈ (0;1), коэффициент сглаживания.
Метод Хольта
Расширение SES для учёта линейного тренда. В Excel реализуется при помощи надстройки «Анализ данных → Экспоненциальное сглаживание».
Метод Хольта-Винтерса
Добавляет компонент сезонности. Позволяет прогнозировать ряды с повторяющимися циклами.
Регрессионные модели
Линейная регрессия
Используется, когда числовой ряд можно описать зависимостью от других переменных (например, цена недвижимости от площади и района).
В Excel строится через «Данные → Анализ данных → Регрессия».
Множественная регрессия
Позволяет учитывать множество факторов: процентная ставка, доход населения, инфляция и т.д.
Машинное обучение в прогнозировании
ARIMA (AutoRegressive Integrated Moving Average)
Комбинирует авторегрессию, дифференцирование и скользящее среднее.
Позволяет моделировать стационарные и нестационарные временные ряды.
- AR(p) — авторегрессия на p лагов;
- I(d), дифференцирование d раз для достижения стационарности.
- MA(q) — скользящее среднее по q ошибкам.
В Excel ARIMA можно реализовать через плагин «XLSTAT» или «NumXL».
Prophet
Инструмент от Facebook для прогнозирования с учётом:
- трендов (линейных и нелинейных);
- ежегодной, еженедельной и ежедневной сезонности;
- праздников и событий.
Хотя Prophet изначально реализован в Python/R, результаты можно экспортировать в Excel для наглядности.
LSTM и нейросети
Глубокие рекуррентные сети (LSTM) хорошо справляются со сложными нелинейными зависимостями и длинными зависимостями.
Для Excel-ориентированных аналитиков доступны облачные сервисы, где модель обучается вне Excel, а прогнозы подгружаются обратно в таблицу.
Пошаговый пример в Excel
- Сбор данных. Допустим, у нас есть месячные продажи за 5 лет.
- Визуализация. Строим график («Вставка → Графики → Линейный») для выявления тренда и сезонности.
- Сглаживание. Применяем «Анализ данных → Экспоненциальное сглаживание».
- Оценка ошибки. Считаем MAPE (средняя абсолютная процентная ошибка):
=СРЗНАЧ(ABS((Факт-Прогноз)/Факт))*100 - Прогноз на 12 месяцев. Используем «Прогноз.ETS»:
=ПРОГНОЗ.ETS(дата_будущего; известные_значения; известные_даты; [сезонность]; [агрегация])
Качество прогноза и метрики
| Метрика | Формула | Интерпретация |
|---|---|---|
| MAE | mean(|y ⎯ ŷ|) | Средняя абсолютная ошибка |
| RMSE | sqrt(mean((y ⎯ ŷ)²)) | Штрафует за большие ошибки |
| MAPE | 100% · mean(|(y-ŷ)/y|) | Относительная ошибка в % |
Практические советы
- Всегда проверяйте данные на пропущенные значения и выбросы.
- Используйте разделение на обучающую и тестовую выборки (например, последние 20% данных).
- Храните промежуточные расчёты на отдельных листах Excel, чтобы облегчить аудит.
- Документируйте выбранные параметры модели (например, α = 0,3, сезонность = 12).
Предсказание числовых рядов — это мощный инструмент для поддержки принятия решений в бизнесе и социальной политике.
С помощью Excel и доступных надстроек можно реализовать как простые методы скользящего среднего, так и продвинутые модели ARIMA и Prophet.
Главное — правильно подготовить данные, выбрать подходящий метод и систематически проверять точность прогноза.
Качественное прогнозирование способствует росту качества жизни, оптимизации производственных ресурсов и устойчивому развитию жилищного строительства.