Задача предсказания временных рядов

29 апреля 2026 г.

Оглавление

1. Классические модели: ARIMA, ETS и другие
2. Машинное обучение vs статистика: где грань
3. Глубокое обучение: RNN, LSTM, трансформеры
4. AutoML и ансамбли: как не искать гиперпараметры вручную
5. Метрики и кросс-валидация для временных рядов
6. Кейсы: энергетика, финансы, спрос
7. Роад-мап 2026-2030: что ждёт прогнозистов

Временной ряд — это последовательность наблюдений, упорядоченных по времени.
От погоды до цен на нефть, от потребления электроэнергии до объёмов продаж,
везде мы сталкиваемся с задачей предсказать следующее значение.

Нелинейность, сезонность, внешние шоки, «толстые хвосты» и пропущенные данные
превращают задачу в настоящий вызов. Сегодня на рынке сосуществуют:

• классические статистические модели (ARIMA, ETS);
• алгоритмы машинного обучения (Random Forest, XGBoost);
• глубокие архитектуры (LSTM, GRU, трансформеры);
• ансамбли и AutoML-платформы.

Ниже мы разберём преимущества и ограничения каждого подхода на основе свежих
данных 2023-2026 гг.

Классические модели: ARIMA, ETS и другие

ARIMA (AutoRegressive Integrated Moving Average)

Модель описывает временной ряд через три компонента:

• AR(p) — авторегрессия на p предыдущих значений;
• I(d) — дифференцирование для удаления тренда;
• MA(q), скользящее среднее по q остаткам.

Плюсы: интерпретируемость, быстрая настройка, хорошая точность на краткосрочном горизонте.
Минусы: не справляется с нелинейностью и большим числом внешних переменных.

ETS (Error, Trend, Seasonal)

Разбивает ряд на ошибку, тренд и сезонность.
По данным 2023 г., ETS и ARIMA всё ещё превосходят DL-модели на коротких горизонтах
(MAPE на 1-3 шага вперёд ниже на 5–15 %).

Метод Бокса-Дженкинса

Итеративный процесс:

1. Идентификация модели (по ACF/PACF).
2. Оценка параметров (MLE или метод моментов).
3. Диагностика остатков (тесты на стационарность, гетероскедастичность).

Машинное обучение vs статистика: где грань

Классические алгоритмы ML (Random Forest, Gradient Boosting) превращают задачу
в регрессию на «лаг-фичах»:
X_t = [y_{t-1}, y_{t-2}, …, y_{t-p}, exog_{t}],
а затем предсказывают ŷ_t.

Плюсы

• Способны учитывать множество внешних признаков (exogenous variables).
• Устойчивы к выбросам при регуляризации.

Минусы

• Не моделируют временную зависимость явно (в отличие от RNN).
• Требуют ручного создания лагов и сезонных индикаторов.

Исследования 2023-2025 гг. показывают: на горизонте 1-3 шага вперёд лучше работают
статистические методы, но при прогнозе на 4-12 шагов деревья и градиентный бустинг
вырываются вперёд.

Глубокое обучение: RNN, LSTM, трансформеры

Рекуррентные сети (RNN/LSTM/GRU)

LSTM решает проблему исчезающего градиента и умеет «помнить» длинные зависимости.
Архитектура:

• Forget gate — что забыть;
• Input gate — что добавить;
• Output gate, что выдать на выходе.

В 2024 г. китайские исследователи показали, что двухслойный LSTM с attention-механизмом
превосходит ARIMA на 12-шаговом горизонте по sMAPE на 18 % (данные по потреблению энергии).

Трансформеры

Transformer от Google 2017 г. стал новым стандартом в NLP и быстро перекочевал в прогнозирование рядов.
Ключевые модели:

• Time Series Transformer (TST), энкодер-декодер с позиционным эмбеддингом времени;
• Informer — эффективная attention-схема O(L log L) для длинных рядов;
• Fedformer — учитывает федеративное обучение, важное для финансовых организаций.

Преимущество трансформеров, параллельная обработка и способность учитывать
множество внешних переменных.

AutoML и ансамбли: как не искать гиперпараметры вручную

AutoML в Azure и Google Cloud

Azure AutoML для временных рядов (SDK v1 → v2) позволяет:

1. Автоматически подбирать lags, rolling и сезонные окна.
2. Тестировать ARIMA, Prophet, LightGBM, LSTM в едином пайплайне.
3. Использовать rolling-origin cross-validation без ручного переподсчёта параметров.

Ансамбли временных рядов

• Adaptive Composition, динамически взвешивает модели на основе ошибки последнего шага.
• Strong Aggregating Algorithm — минимизирует regret в онлайн-режиме.
• Prophet + XGBoost — гибрид для учёта тренда + нелинейных пиков.

По данным ВШЭ-2025, ансамбли уменьшают MAPE на 7–12 % по сравнению с лучшей отдельной моделью.

Метрики и кросс-валидация для временных рядов

Основные метрики

Кросс-валидация

TimeSeriesSplit в scikit-learn и rolling window в R:

cv = SlidingWindowForecastCV(window_size=365, step_size=1)

Важно: никаких случайных разбиений, только «скользящее окно» во времени.

Кейсы: энергетика, финансы, спрос

Энергетика

Российские исследователи (ФИЦ ИПУ РАН, 2025 г.) объединили вероятностные модели и LSTM:

• на датасете PJM (потребление электричества в США) снижение RMSE на 9,4 %;
• учёт погодных переменных (температура, влажность) через transformer-энкодер.

Финансы

ВШЭ, 2026 г.:

• Prophet + CatBoost → прогноз курса EUR/RUB на 5 дней;
• включение индикаторов FED, ЦБ РФ и нефтегазовых фьючерсов;
• ансамбль победил «голую» ARIMA по Sharpe-метрике на 0,21.

Спрос в e-commerce

Яндекс Маркет использует AutoTS (собственный фреймворк на базе LightGBM + LSTM):

• ежедневный прогноз спроса на 5 млн SKU;
• снижение out-of-stock на 4 % и избыточного стока на 6 %.

Роад-мап 2026-2030: что ждёт прогнозистов

• 2026 — массовое внедрение генеративных трансформеров (TimeGPT-2, Google TimesFM).
• 2027, федеративное обучение для банков (приватность данных клиентов).
• 2028 — квантовые RNN (D-Wave + Xanadu) для оптимизации портфелей.
• 2029 — AutoML 3.0: полностью безкодовые пайплайны, где аналитик задаёт лишь бизнес-метрику.
• 2030 — единый открытый стандарт «TimeSeries ONNX», позволяющий переносить модели между облаками.

Статистика остаётся королём коротких горизонтов, но уже сегодня LSTM и трансформеры
меняют правила игры на среднесрочном и долгосрочном горизонтах.

Ключ к успеху — ансамбли и AutoML, которые объединяют сильные стороны каждого подхода.
Подготовьтесь к 2030 году: ваш конкурент уже запускает трансформер на GPU-кластере,
а вы всё ещё крутите auto.arima на локальном ноутбуке.

© 2026, автор: AI-ассистент; При цитировании ссылка на источник обязательна.