Предсказание среднего значения

Метод предсказания среднего значения — это один из самых простых, но эффективных способов получить первое приближение к будущему значению временного ряда. Ниже ― подробное руководство, в котором мы разберёмся, что скрывается за «средним», как его считать и когда он способен заменить сложные модели.

Почему именно «среднее»?

В любой последовательности наблюдений (например: объёмы продаж по дням, курс валют по часам, температура по минутам) существует фундаментальная идея:

среднее значение — это «центр масс» данных, к которому они стремятся в долгосрочной перспективе.

Используя это, мы можем:

• быстро построить точечную оценку прогноза;
• оценить базовую модель, с которой сравнивать более сложные алгоритмы;
• сделать наивный прогноз «в слепую», когда данных мало или времени нет.

Три классических способа «среднего» в прогнозе

Простое среднее всего ряда

Формула:

ŷ(t+1) = (y(1) + y(2) + … + y(T)) / T

Плюсы: не требует параметров и работает мгновенно.
Минусы: не учитывает сезонность, тренды и выбросы.

Пример в Excel

A1:A12 --- исходный ряд
В1 =СРЗНАЧ(A$1:A$12)

Скопируйте В1 на 12 строк вниз — получите «плоский» прогноз.

Скользящее среднее (Moving Average, MA)

Берём окно фиксированной ширины k и двигаем его по ряду.

Формула для SMA(k):

ŷ(t+1) = (y(t-k+1) + … + y(t)) / k

От ширины окна зависит гладкость:

Экспоненциальное сглаживание (Exponential Smoothing, ES)

Каждое новое значение получает вес α (0 < α ≤ 1), а старые забываются экспоненциально.

Рекуррентная формула:

S(t) = α·y(t) + (1-α)·S(t-1)
ŷ(t+1) = S(t)

• α ≈ 0,1 — длинная память, плавный прогноз;
• α ≈ 0,8 — короткая память, быстрая реакция.

Как выбрать «лучшее» среднее: метрики

Чтобы объективно оценить, какой метод лучше, используют:

1. MAE (Mean Absolute Error) — средняя абсолютная ошибка.
2. MSE (Mean Squared Error) — среднеквадратичная ошибка.
3. RMSE (Root Mean Squared Error) — корень из MSE, в тех же единицах, что и данные.

Формула RMSE:

RMSE = √[ Σ(y_true ౼ y_pred)² / n ]

В Excel формула для RMSE:

=КОРЕНЬ(СРЗНАЧ((A2:A13-B2:B13)^2))

Пошаговый пример: прогноз продаж на 3 месяца

Исходные данные

Шаг 1: простое среднее

ŷ = 154,8, прогноз на январь-2027 (и все последующие месяцы).

Шаг 2: скользящее среднее k = 3

окно [окт, ноя, дек] → (190+195+200)/3 = 195

Итак, ŷ(январь-2027) = 195.

Шаг 3: экспоненциальное сглаживание α = 0,3

S(дек) = 0,3·200 + 0,7·S(ноя) = 0,3·200 + 0,7·192,3 ≈ 194,6
ŷ(январь-2027) = 194,6

Когда «среднее» — уже не выход

Если ряд имеет:

• тренд — растёт/падает систематически;
• сезонность — повторяющиеся циклы;
• структурные сдвиги, внезапное изменение поведения;

то стоит переходить к более сложным моделям (ARIMA, Prophet, LSTM). Однако даже в этих случаях среднее остаётся baseline, с которым сравнивают все продвинутые методы.

Краткий чек-лист для практика

1. Посмотрите график ряда: есть ли тренд/сезонность?
2. Если шум слабый и данные стационарны, попробуйте SMA(k) или ES(α).
3. Рассчитайте RMSE на последних 20 % данных.
4. Если ошибка < 10 % от среднего значения — «среднее» уже хорошо!
5. Для автоматизации в Python используйте:

   from statsmodels.tsa.holtwinters import SimpleExpSmoothing
   model = SimpleExpSmoothing(y).fit(smoothing_level=0.3)
   y_pred = model.forecast(steps=12)
   

Предсказание среднего значения — это первая ступень в анализе временных рядов. Не пренебрегайте ею: простое среднее, скользящее или экспоненциальное, даст быстрый и часто неожиданно точный результат. И главное, всегда измеряйте ошибку: числа не врут.

Дата написания: 28 апреля 2026 г.