☆ Сохранить Seasonal ARIMA — прогнозирование временных рядов с учетом сезонной зависимости

07/18/2026

Seasonal ARIMA (SARIMA) — это модель прогнозирования временных рядов, которая учитывает не только краткосрочные изменения и тренды, но и закономерности, повторяющиеся через определенные временные интервалы. Обычная ARIMA описывает поведение ряда через прошлые значения, differencing для устранения тренда и зависимость между ошибками. SARIMA расширяет этот подход, добавляя информацию о сезонных циклах. Благодаря этому модель может учитывать не только то, что происходило недавно, но и то, как ряд вел себя в аналогичный период прошлого года или в тот же день недели предыдущего цикла.

Проще говоря: представим, что нужно спрогнозировать ежемесячную выручку магазина мороженого. Продажи в августе зависят не только от результатов июля, но и от сезонного поведения прошлого года — например, был ли август периодом высокого спроса. SARIMA одновременно анализирует текущую динамику временного ряда и повторяющиеся сезонные закономерности, чтобы получить более точный прогноз.

SARIMA строит прогноз, объединяя текущую динамику и повторяющиеся закономерности предыдущих сезонных циклов.

Метод (принцип работы, особенности и т.д.)

Расширение ARIMA
- Классическая ARIMA использует компоненты AutoRegressive (AR), Integrated (I) и Moving Average (MA), чтобы описывать зависимость от прошлых значений, устранять тренд и учитывать структуру ошибок.
- AR показывает влияние предыдущих наблюдений, I применяется для преобразования нестационарного ряда в более стабильную форму через differencing, а MA учитывает зависимость текущего значения от прошлых ошибок.
- Однако если данные содержат регулярные сезонные изменения, например ежегодный рост летом или снижение активности по выходным, одной ARIMA может быть недостаточно.
- Например, потребление электроэнергии зависит не только от недавнего уровня нагрузки, но и от повторяющихся факторов, связанных с определенными днями недели или временами года.
- В такой ситуации после прогноза в остатках может сохраняться сезонная зависимость, что указывает на то, что модель не полностью учла повторяющийся цикл.
- SARIMA устраняет это ограничение, добавляя к стандартной ARIMA отдельные сезонные компоненты AR, I и MA.
Структура параметров
- SARIMA обычно записывается в виде SARIMA(p·d·q)(P·D·Q·s).
- Параметры p, d и q относятся к несезонной части модели и определяют, как учитывать недавнюю динамику и ошибки.
- Здесь p — порядок несезонного AR, d — количество операций differencing, а q — порядок несезонного MA.
- P, D и Q описывают сезонную часть модели и определяют влияние прошлых значений и ошибок в тех же сезонных периодах.
- P отвечает за порядок сезонного AR, D — за количество сезонных differencing операций, а Q — за порядок сезонного MA.
- Параметр s обозначает длину сезонного цикла. Например, для месячных данных обычно используется значение 12, для квартальных — 4, а для дневных данных с недельной закономерностью — 7.
- Таким образом, первая группа параметров описывает недавнее поведение ряда, а вторая отвечает за повторяющиеся сезонные изменения.
Роль сезонного differencing
- При сильной сезонности среднее значение временного ряда может регулярно изменяться, из-за чего нарушается предположение о стационарности.
- В этом случае разность между текущим значением и значением из предыдущего сезонного цикла помогает уменьшить влияние повторяющегося паттерна.
- Например, если сравнить значение августа 2026 года со значением августа 2025 года, получится разница между одинаковыми месяцами разных лет.
- После такой обработки становится проще увидеть не сам сезонный эффект августа, а изменение текущего августа относительно прошлого года.
- Именно этот процесс называется сезонным differencing D. В отличие от обычного differencing, который сравнивает соседние точки времени, сезонный differencing сравнивает значения, разделенные сезонным периодом s.
- Поэтому сезонное differencing является важным этапом SARIMA, позволяющим модели надежнее учитывать повторяющиеся временные циклы.
Интерпретация сезонного AR / MA
- Сезонный AR(P) описывает зависимость между одинаковыми периодами разных циклов, например влияние продаж августа прошлого года на продажи августа текущего года.
- Сезонный MA(Q) отражает связь между ошибками прошлых сезонных периодов и текущей структурой ошибок модели.
- Например, неожиданное увеличение продаж прошлым летом может помочь объяснить ошибки прогноза в текущем летнем сезоне.
- Иными словами, сезонный AR использует прошлые значения аналогичного сезона, а сезонный MA — прошлые ошибки этого же периода.
- SARIMA учитывает не только последние наблюдения, но и исторические значения и ошибки, связанные с теми же сезонными интервалами.
- Поэтому модель часто используется как базовая модель для задач с выраженной сезонностью: прогнозирования продаж, спроса, посещаемости и потребления электроэнергии.
\[ SARIMA(p·d·q)(P·D·Q·s) \]

p·d·q описывают несезонную часть модели, связанную с недавними изменениями и трендами, а P·D·Q отвечают за сезонную часть, которая учитывает повторяющиеся закономерности. s обозначает сезонный период: для месячных данных обычно используется 12, а для квартальных — 4.
Интуитивный пример
- Рассмотрим прогноз ежемесячных продаж кафе.
- Продажи в феврале могут зависеть от января, но одновременно на них влияет и поведение покупателей в феврале прошлого года.
- Если каждый год зимой спрос на определенные напитки снижается, а летом увеличивается, SARIMA напрямую отражает этот повторяющийся цикл в модели.
- Поэтому прогноз учитывает не только сходство с предыдущим месяцем, но и сходство с тем же месяцем предыдущего года.
Подходящие сценарии применения
- SARIMA особенно хорошо работает с временными рядами, где сезонный цикл четко выражен и сохраняется достаточно долго.
- Чем больше доступно исторических данных и чем больше раз повторяется сезонная закономерность, тем надежнее модель оценивает структуру цикла.
- Например, чтобы обучить годовую сезонность s=12 на месячных данных, желательно иметь несколько лет наблюдений с повторяющимися годовыми циклами.
- Однако если сезонность часто меняется или структура ряда нарушается из-за внешних событий, изменений политики или неожиданных факторов, качество прогноза может ухудшаться.
- Таким образом, SARIMA лучше всего подходит для временных рядов с устойчивой повторяющейся структурой, но имеет ограничения в быстро меняющихся условиях.

Значение и ограничения

SARIMA является более практичным развитием классической ARIMA для анализа временных рядов. Модель учитывает не только последние изменения, тренды и структуру ошибок, но и сезонные циклы, поэтому хорошо подходит для данных с четко выраженными повторяющимися закономерностями. Даже при умеренном объеме данных SARIMA может служить надежной базовой моделью для прогнозирования продаж, спроса, количества посетителей и потребления электроэнергии.

При этом SARIMA предполагает, что сезонный цикл остается относительно стабильным. Поэтому модель хуже справляется с нелинейными процессами и временными рядами, где сезонность постоянно изменяется. Кроме того, качество прогноза сильно зависит от выбора параметров p·q·P·Q и количества обычных и сезонных differencing операций d и D. На практике необходимо учитывать анализ ACF, PACF, диагностику остатков и особенности предметной области. SARIMA остается эффективным инструментом для временных рядов с регулярными повторениями, но в условиях постоянно меняющихся закономерностей ее стоит сравнивать с другими моделями.

Что стоит прочитать сначала (3/5)

Что читать дальше (5/15)