التنبؤ | STAT-101

من النماذج إلى التنبؤات

ملاءمة النموذج ليست سوى نصف العمل. الهدف العملي من تحليل السلاسل الزمنية هو التنبؤ دائمًا تقريبًا: استخدام نموذج معاير على بيانات الماضي لتوليد تنبؤات حول القيم المستقبلية. في هذا الدرس نتناول كيفية إنتاج هذه التنبؤات وتقييمها بدقة — بما في ذلك التنبؤات النقطية وفترات التنبؤ ومقاييس الدقة وطرق التمهيد الأسي ومكتبة Prophet الحديثة.

التنبؤ فن وعلم في آنٍ واحد. يفهم المتنبئ الجيد الافتراضات الكامنة وراء كل أسلوب، ويعرف كيفية تشخيص إخفاق التنبؤ، ويختار الأداة المناسبة للأفق الزمني وتكرار البيانات.

نوعان من التنبؤات

التنبؤ النقطي — قيمة مفردة كأفضل تخمين لكل خطوة زمنية مستقبلية. سهل التواصل، لكنه لا يُظهر عدم اليقين.

تنبؤ الفترة — نطاق (مثل فترة تنبؤ 95%) يُتوقع أن تقع القيمة المستقبلية ضمنه. يُكمّم عدم اليقين وضروري لاتخاذ القرار.

التنبؤ النقطي بلا فترة تنبؤ تنبؤٌ ناقص.

فترات التنبؤ

بالنسبة لنموذج ARIMA، يتزايد عدم اليقين في التنبؤ مع الأفق الزمني. عند الأفق h، تكون فترة التنبؤ بـ h خطوة:

فترة التنبؤ بـ h خطوة

\hat{X}_{t+h} \pm z_{\alpha/2}\,\sigma_h

‎&hat;X_t+h هو التنبؤ النقطي، z_α/2 هو مُحيل التوزيع الطبيعي (1.96 لـ 95%)، وσ_h هو الخطأ المعياري للتنبؤ بـ h خطوة. مع تزايد h، يتسع نطاق الفترة.

في المشي العشوائي (ARIMA(0,1,0))، يتزايد تباين التنبؤ خطيًا مع الأفق: σ_h² = hσ_ε². أي أن فترات التنبؤ تتسع كجذر h — وهي سمة تراها كثيرًا عند التنبؤ بالسلاسل الزمنية المالية.

مقاييس دقة التنبؤ

تُقاس الدقة على مجموعة اختبار محجوزة لم يرَها النموذج أثناء التدريب. المقاييس الثلاثة الأكثر شيوعًا هي MAE وRMSE وMAPE.

متوسط الخطأ المطلق

\text{MAE} = \frac{1}{n}\sum_{t=1}^{n}|Y_t - \hat{Y}_t|

متوسط الانحراف المطلق. بوحدات السلسلة نفسها؛ سهل التفسير.

جذر متوسط مربع الخطأ

\text{RMSE} = \sqrt{\frac{1}{n}\sum_{t=1}^{n}(Y_t - \hat{Y}_t)^2}

يُعاقب الأخطاء الكبيرة أكثر من MAE. بوحدات السلسلة الأصلية.

متوسط النسبة المئوية للخطأ المطلق

\text{MAPE} = \frac{100}{n}\sum_{t=1}^{n}\left|\frac{Y_t - \hat{Y}_t}{Y_t}\right|

خطأ نسبي مئوي مستقل عن المقياس. مفيد للمقارنة عبر سلاسل مختلفة الحجم. غير معرّف عندما Y_t = 0؛ استخدم sMAPE أو MASE كبدائل.

لا يوجد مقياس واحد أفضل من غيره في كل الحالات. يُفضَّل RMSE حين تكون الأخطاء الكبيرة مكلفة بوجه خاص؛ وMAE حين تكون الأخطاء متماثلة تقريبًا؛ وMAPE حين تُخاطب جمهورًا غير تقني. أبلِغ دائمًا بأكثر من مقياس، وقيّمها إلى جانب تغطية فترات التنبؤ.

طرق التمهيد الأسي

تُشكّل طرق التمهيد الأسي عائلة من خوارزميات التنبؤ التي تُسند أوزانًا تتناقص أسيًّا للملاحظات الماضية — الملاحظات الأحدث أكثر أهمية. وهي كثيرًا ما تُنافس نماذج ARIMA وأسهل في الضبط.

ثلاثة أشكال

التمهيد الأسي البسيط (SES): يعالج السلاسل بلا اتجاه أو موسمية. معامل تمهيد واحد α (0 < α < 1). معادل لـ ARIMA(0,1,1).

طريقة هولت الخطية: تُضيف معادلة ثانية لتتبع الاتجاه بمعامل β. مناسبة للسلاسل ذات الاتجاه دون موسمية.

هولت–وينترز (التمهيد الأسي الثلاثي): تُضيف مكوّن موسمي بمعامل γ. النسخة الجمعية تتعامل مع التذبذب الموسمي الثابت، والنسخة الضربية مع التذبذب المتنامي.

معادلة تحديث التمهيد الأسي البسيط

S_t = \alpha\, Y_t + (1-\alpha)\, S_{t-1}, \quad 0 < \alpha < 1

S_t هو المستوى المُمهَّد في الزمن t. عندما α = 1، يُختزل SES إلى التنبؤ الساذج (القيمة الأخيرة)؛ وعندما α → 0 يصبح متوسطًا طويل الأمد.

Prophet: التنبؤ على نطاق واسع

Prophet (أصدرته شركة Meta عام 2017) مكتبة تنبؤ مفتوحة المصدر مصممة للـسلاسل الزمنية التجارية ذات الموسمية القوية والتأثيرات المتعددة للعطلات والبيانات المفقودة. تُحلّل السلسلة إلى اتجاه وموسمية وعطلات/أحداث ثم تُضيف حد ضوضاء.

نموذج Prophet

الاتجاه: نمو خطي أو لوجستي متقطع مع اكتشاف تلقائي لنقاط التغيير.

الموسمية: متسلسلات فورييه بفترات قابلة للتهيئة (سنوية، أسبوعية، يومية).

العطلات: تواريخ أحداث يزودها المستخدم تُنمذج بمؤشرات فردية.

Prophet قوي تجاه القيم الشاذة، يتعامل مع الفجوات تلقائيًا، ويتطلب ضبطًا أدنى — مثالي للممارسين الذين يتنبؤون بمئات السلاسل.

التحقق التقاطعي للسلاسل الزمنية

يُخلط التحقق التقاطعي الاعتيادي k-fold الملاحظات عشوائيًا، وهو غير صحيح للسلاسل الزمنية لأنه يُسرّب المعلومات المستقبلية إلى التدريب. النهج الصحيح هو التحقق بالتقدم للأمام (walk-forward validation).

في هذا النهج تُدرّب تكرارًا على البيانات حتى الزمن t وتُقيّم على الـ h ملاحظات التالية، ثم تُقدّم نافذة التدريب خطوة وتكرر. يُحاكي هذا مهمة التنبؤ الحقيقية ويُعطي توزيعًا للأخطاء عبر نوافذ تقييم متعددة.

نافذة متوسعة مقابل نافذة متحركة

النافذة المتوسعة: تنمو مجموعة التدريب في كل خطوة (درّب على t=1..100، ثم 1..101، …). تستخدم كل التاريخ المتاح؛ أفضل عند شُح البيانات.

النافذة المتحركة: حجم مجموعة التدريب ثابت ويتحرك للأمام (درّب على t=1..100، ثم 2..101، …). تمنع الماضي البعيد من الهيمنة؛ أفضل حين تتغير آلية توليد البيانات عبر الزمن.

التنبؤ التجميعي

دمج تنبؤات من نماذج متعددة يتفوق على أي نموذج منفرد دائمًا تقريبًا. هذه الظاهرة — لغز التركيب التنبؤي — من أكثر النتائج التجريبية ثباتًا في بحوث التنبؤ. حتى المتوسط البسيط المتساوي الأوزان بين ARIMA والتمهيد الأسي وخط أساس ساذج يتفوق كثيرًا على كل أسلوب منفرد.

أما التجميعات الأكثر تطورًا فتُرجّح النماذج بحسب دقتها الحديثة (التركيب الدينامي)، أو تستخدم التركيم عبر متعلّم فوقي، أو تدمج التنبؤات النقطية مع نماذج احتمالية. وقد أظهرت مسابقة التنبؤ M4 عام 2018 أن التجميعات الهجينة بين الإحصاء وتعلّم الآلة تحتل صدارة الحالة الراهنة على معيار قياسي من 100,000 سلسلة.

صيغة التجميع البسيطة

لـ K نماذج بتنبؤات &hat;Y_1,t+h، …، &hat;Y_K,t+h:

&hat;Y_مجمّع = (1/K) ∑&hat;Y_k,t+h

أبرز النقاط

يجب أن ترافق التنبؤات النقطية دائمًا فترات تنبؤ؛ يتزايد عدم اليقين مع أفق التنبؤ.
MAE وRMSE وMAPE تُبرز جوانب مختلفة من خطأ التنبؤ؛ احرص على الإبلاغ بمقاييس متعددة مُقيَّمة على مجموعة اختبار محجوزة.
التمهيد الأسي (SES وهولت وهولت–وينترز) يوفر بدائل بسيطة وفعّالة لـ ARIMA، خاصة للسلاسل التجارية ذات الاتجاه والموسمية.
يُعالج Prophet السلاسل التجارية ذات الموسمية القوية وتأثيرات العطلات والبيانات المفقودة تلقائيًا بضبط أدنى.
التحقق التقاطعي بالتقدم للأمام (متوسع أو متحرك) هو الطريقة الصحيحة لتقييم نماذج التنبؤ؛ لا تستخدم k-fold الاعتيادي أبدًا.
التنبؤات التجميعية التي تجمع نماذج متعددة تتفوق دائمًا تقريبًا على أي نموذج منفرد؛ المتوسط المتساوي الأوزان خط أساس قوي.