Metoda Theta a fost o piatră de temelie a prognozei serii cronologice de când Assimakopoulos și Nikolopoulos au introdus-o în 2000. În timp ce abordarea clasică este elegantă prin simplitate – fiind echivalentă cu netezirea exponențială simplă (SES) cu deriva – unele provocări de prognoză ar putea necesita mai multă flexibilitate. Metoda Theta conștientă de context (ahead::ctxthetaf) extinde acest cadru clasic prin introducerea parametrilor de derive reglabili și estimarea pantei bazată pe învățarea automată.
Metoda Theta clasică revizuită
Metoda clasică Theta descompune o serie de timp în „linii theta” prin modificarea curburii locale. Pentru o serie temporală (y_t), linia theta cu parametrul (theta) este definită prin a doua diferență:
(nabla^2 Z_t(theta) = theta nabla^2 y_t)
unde (nabla^2) denotă al doilea operator de diferență. Metoda clasică folosește (theta = 2), care amplifică tendința pe termen lung în timp ce atenuează fluctuațiile pe termen scurt. După cum au demonstrat Hyndman și Billah (2003), aceasta este echivalentă matematic cu SES cu deriva:
(hat{y}_{t+h|t} = ell_t + bh)
unde (ell_t) este nivelul din SES și $b$ este termenul de deriva.
Extinderea cadrului
The ahead::ctxthetaf funcția generalizează această abordare în trei moduri cheie:
1. Parametrizare Theta flexibilă
În loc să stabilească (theta = 2), metoda acceptă un parametru reglabil (theta in (0, infty)):
- (theta = 0): Fără componentă de deriva (SES pur)
- (theta = 0,5): comportamentul Theta clasic (linia (theta) = 2)
- (theta = 1): Greutate completă în derivă
- (theta > 1): Deriva amplificată pentru seriale cu tendințe puternice
Această flexibilitate permite prognozatorului să controleze accentul pe continuarea tendinței versus inversarea mediei.
2. Estimarea pantei în funcție de context
În loc să presupună o derivă constantă, metoda estimează pante care variază în timp folosind modele de învățare automată. Deriva la fiecare orizont de prognoză (h) se calculează astfel:
(b_h = theta cdot text{slope}_h(f))
unde (f) este un model adaptat (regresia liniară în mod implicit, dar poate fi păduri aleatoare, creșterea gradientului etc.) și (text{slope}_h) se obține prin diferențierea numerică a predicțiilor modelului.
3. Intervale avansate de predicție
Dincolo de intervalele gaussiene, metoda acceptă abordări de predicție conformă, inclusiv:
- Blocați bootstrap
- Generație surogat
- Estimarea densității nucleului (KDE)
- Entropia maximă de bootstrap (meboot)
Aceste metode oferă o cuantificare mai robustă a incertitudinii, în special pentru reziduurile non-Gauss.
Formulare matematică
Prognoza la orizontul $h$ este dată de:
(hat{y}_{n+h} = ell_n + b_h left(frac{1-(1-alpha)^n}{alpha} + h – 1right))
unde:
- (ell_n) este nivelul final din SES cu parametrul de netezire (alpha)
- (b_h) este deriva conștientă de context la orizont (h)
- Termenul ((1-(1-alpha)^n)/alpha) explică efectul de netezire cumulativ
Pentru seriile sezoniere se aplică ajustarea sezonieră multiplicativă:
(hat{y}_{n+h} = left(ell_n + b_h cdot d_hright) times s_{h bmod m})
unde $s_i$ sunt indici sezonieri și $m$ este perioada sezonieră.
Implementare practică
devtools::install_github("Techtonique/ahead")
install.packages("randomForest")
library(ahead)
# Compare different theta values
# theta = 0 (no drift, pure SES)
plot(ahead::ctxthetaf(AirPassengers, theta = 0),
main = "theta = 0 (No Drift)")
# theta = 0.5 (classical theta behavior)
plot(ahead::ctxthetaf(AirPassengers, theta = 0.5),
main = "theta = 0.5 (Classical)")
# theta = 1 (full drift)
plot(ahead::ctxthetaf(AirPassengers, theta = 1),
main = "theta = 1 (Full Drift)")
# theta = 1.5 (amplified drift)
plot(ahead::ctxthetaf(AirPassengers, theta = 1.5),
main = "theta = 1.5 (Amplified)")
# Compare linear vs non-linear with different theta
plot(ahead::ctxthetaf(AirPassengers, theta = 0.5, fit_func = lm),
main = "Linear Model, theta = 0.5")
plot(ahead::ctxthetaf(AirPassengers, theta = 0.5,
fit_func = randomForest::randomForest),
main = "Random Forest, theta = 0.5")
plot(ahead::ctxthetaf(AirPassengers, theta = 1, fit_func = lm),
main = "Linear Model, theta = 1")
plot(ahead::ctxthetaf(AirPassengers, theta = 1,
fit_func = randomForest::randomForest),
main = "Random Forest, theta = 1")
plot(ahead::ctxthetaf(USAccDeaths, theta = 0.15,
type_pi="kde"))
plot(ahead::ctxthetaf(USAccDeaths, theta = 0.75,
type_pi="surrogate"))
Registered S3 method overwritten by 'quantmod':
method from
as.zoo.data.frame zoo
Când să utilizați Theta în funcție de context
Metoda excelează în scenariile în care:
- Incertitudinea tendinței există: Când nu sunteți sigur cu privire la continuarea tendinței, parcurgeți valorile $theta$
- Apar modele neliniare: Modelele de învățare automată pot surprinde dinamica de derive complexă
- Reziduurile sunt non-gaussiene: Intervalele de predicție conforme oferă o acoperire mai bună
- Eficiența computațională contează: Metoda este mai rapidă decât modelele ARIMA sau spațiale de stat
Limitări și considerații
- Alegerea modelului: Alegerea potrivită
fit_funcși $theta$ necesită cunoștințe de domeniu sau validare încrucișată - Riscul de extrapolare: Modelele neliniare pot produce prognoze nerealiste pe orizont lung
- Complexitate sezonieră: Ajustarea sezonieră multiplicativă presupune o sezonalitate stabilă
Concluzie
Metoda Theta conștientă de context face legătura între prognoza statistică clasică și învățarea automată modernă, oferind un cadru flexibil care se adaptează la diferite grade de impuls al tendinței, menținând în același timp eficiența computațională. Prin reglarea parametrului $theta$ și prin utilizarea unei estimări sofisticate a pantei, practicienii pot naviga în compromisul de variație de părtinire inerent în predicția seriei temporale.
Assimakopoulos, V., & Nikolopoulos, K. (2000). Modelul theta: o abordare de descompunere a prognozei. Jurnalul Internațional de Prognoză16(4), 521-530.
Hyndman, RJ și Billah, B. (2003). Demascarea metodei Theta. Jurnalul Internațional de Prognoză19(2), 287-290.
Moudiki, T. (2025). Simulari predictive conforme pentru serii temporale univariate. Proceedings of Machine Learning Research266, 1-2.
Exemplele de cod presupun că ahead pachetul este instalat: devtools::install_github("Techtonique/ahead")
