Skip to main content

Az idősorok – időrendben rögzített megfigyelések – a futó esetek mindegyikében központi szerepet játszanak: a webáruház forgalma, az üzem mérései, a riasztási napló mind idősor. Az időbeli rendezettség új lehetőségeket és új veszélyeket hoz: a megfigyelések nem függetlenek, a jövő a múltból jelezhető előre, de a véletlen keresztvalidáció félrevezet. A fejezet az idősorok felbontásával és az autokorrelációval kezdődik, majd az előrejelzés klasszikus módszereit (exponenciális simítás, ARIMA-modellek, dinamikus regresszió) és értékelésük helyes módját tárgyalja. Ezután az idősorok hasonlóságát (dinamikus idővetemítés) és tömör reprezentációit (Fourier- és hullámtranszformáció, PAA, SAX) mutatjuk be, végül az idősorok osztályozását és szegmentálását.

A fejezet végére az olvasó képes lesz egy idősort trendre, szezonalitásra és maradékra bontani; az autokorrelációs függvényt értelmezni; exponenciális simító és (S)ARIMA-modellt illeszteni és gördülő kezdőpontú értékeléssel összehasonlítani egyszerű viszonyítási módszerekkel; a DTW-távolságot kézzel és programmal kiszámítani; és a legfontosabb idősor-reprezentációkat alkalmazni.

12.1 Az idősorok szerkezete

12.1.1 Felbontás

Egy \(y_1, y_2, \dots, y_T\) idősor változását rendszerint három komponensre bontjuk (12.1. ábra): a hosszú távú trendre (\(T_t\)), a rögzített periódussal ismétlődő szezonalitásra (\(S_t\), periódusa \(m\): órás adatoknál a napi ciklusra \(m = 24\), heti adatoknál az éves ciklusra \(m \approx 52\)), és a maradékra (\(R_t\)). Additív felbontásban \(y_t = T_t + S_t + R_t\); ha a szezonális ingadozás a szinttel arányos, multiplikatív felbontás (\(y_t = T_t\cdot S_t\cdot R_t\)) vagy a logaritmált sor additív felbontása a megfelelő. A klasszikus felbontás a trendet \(m\) hosszú centrált mozgóátlaggal becsüli, a szezonális komponenst pedig a trendtől megtisztított értékek periódusonkénti átlagaként. Az STL (seasonal-trend decomposition using LOESS) (Cleveland és mtsai., 1990) lokális regresszióval, iteratívan becsli a komponenseket; a szezonális mintázat lassan változhat, és robusztus változata a kiugró értékekre sem érzékeny (Hyndman & Athanasopoulos, 2021).

ábra 12.1.. Az additív idősor-felbontás: a megfigyelt sor (felül) a trend, a periodikus szezonális komponens és a maradék összege.

12.1.2 Stacionaritás és autokorreláció

Egy idősor (gyengén) stacionárius, ha várható értéke és szórása időben állandó, és a két időpont közötti kovariancia csak a késleltetéstől függ. A stacionaritás az előrejelző modellek többségének alapfeltevése; a trend és a szezonalitás megsérti, ezért ezeket differenciálással (\(\nabla y_t = y_t - y_{t-1}\), illetve szezonálisan \(\nabla_m y_t = y_t - y_{t-m}\)) vagy felbontással távolítjuk el. A stacionaritás formálisan is vizsgálható, például a kiterjesztett Dickey–Fuller-próbával (Dickey & Fuller, 1979).

Az idősor belső függőségi szerkezetét az autokorrelációs függvény (ACF) írja le:

\[ r_k = \frac{\sum_{t=k+1}^{T}(y_t - \bar y)(y_{t-k} - \bar y)}{\sum_{t=1}^{T}(y_t - \bar y)^2},\qquad k = 1, 2, \dots \tag{12.1}\]

A parciális autokorrelációs függvény (PACF) a \(k\) késleltetésű korrelációt a közbülső késleltetések hatásának kiszűrése után méri. A két függvény mintázata az ARIMA-modellek rendjének megválasztását segíti, a modell maradékainak ACF-je pedig a modell megfelelőségét mutatja: jó modell maradéka fehér zaj, amit a Ljung–Box-próba (Ljung & Box, 1978) egyszerre több késleltetésre ellenőriz. Az autokorreláció a 11. fejezet ellenőrzőkártyáinál is gondot okozott, és ez az oka annak is, hogy idősoroknál a véletlen keresztvalidáció túl optimista képet ad (7. fejezet).

12.2 Előrejelzés

12.2.1 Viszonyítási módszerek

Minden előrejelző modellt egyszerű viszonyítási (benchmark) módszerekkel kell összevetni (Hyndman & Athanasopoulos, 2021). A naiv előrejelzés az utolsó megfigyelést ismétli, \(\hat y_{T+h} = y_T\); a szezonális naiv az egy periódussal korábbi értéket, \(\hat y_{T+h} = y_{T+h-m}\); a sodródásos változat a naiv előrejelzést az eddigi átlagos változással tolja el. A nagy nemzetközi előrejelzési versenyek egyik visszatérő tanulsága, hogy ezeket a módszereket meglepően nehéz legyőzni, és hogy a bonyolult módszerek csak akkor jobbak, ha az adatok szerkezete ezt indokolja (Makridakis és mtsai., 2018).

12.2.2 Exponenciális simítás

Az egyszerű exponenciális simítás az előrejelzést a múltbeli értékek exponenciálisan csökkenő súlyú átlagaként képzi: \(\ell_t = \alpha y_t + (1 - \alpha)\ell_{t-1}\), és \(\hat y_{T+h} = \ell_T\). Holt (Holt, 2004) kiterjesztése egy trendkomponenssel, Winters (Winters, 1960) pedig egy szezonális komponenssel egészítette ki; az additív Holt–Winters-módszer egyenletei

\[ \begin{aligned} \ell_t &= \alpha(y_t - s_{t-m}) + (1 - \alpha)(\ell_{t-1} + b_{t-1}), & b_t &= \beta(\ell_t - \ell_{t-1}) + (1 - \beta)b_{t-1},\\ s_t &= \gamma(y_t - \ell_{t-1} - b_{t-1}) + (1 - \gamma)s_{t-m}, & \hat y_{T+h} &= \ell_T + h\,b_T + s_{T+h-m(k+1)}, \end{aligned} \tag{12.2}\]

ahol \(\ell_t\) a szint, \(b_t\) a trend, \(s_t\) a szezonális komponens, \(k\) pedig a \((h-1)/m\) egészrésze. A hosszú távú előrejelzések túlzott meredekségét a csillapított trend mérsékli, amely a trendet minden lépésben egy \(\phi < 1\) tényezővel szorozza. A simítási paramétereket a maximum-likelihood vagy a legkisebb négyzetek elve szerint becsüljük; a módszercsalád állapottér-modellként (ETS: error–trend–seasonal) is felírható, ami előrejelzési intervallumokat és információs kritériumokon alapuló modellválasztást tesz lehetővé (Hyndman & Athanasopoulos, 2021).

12.2.3 ARIMA-modellek

Az autoregresszív AR(\(p\)) modell az idősort saját késleltetett értékeinek lineáris függvényeként, a mozgóátlag MA(\(q\)) modell a korábbi véletlen sokkok lineáris kombinációjaként írja le. A kettő kombinációja a differenciált sorra az ARIMA(\(p,d,q\)) modell (Box és mtsai., 2015):

\[ \Bigl(1 - \sum_{i=1}^{p}\phi_iB^i\Bigr)(1 - B)^d y_t = c + \Bigl(1 + \sum_{j=1}^{q}\theta_jB^j\Bigr)\varepsilon_t , \tag{12.3}\]

ahol \(B\) a késleltető operátor (\(By_t = y_{t-1}\)), \(\varepsilon_t\) fehér zaj. A szezonális SARIMA(\(p,d,q\))(\(P,D,Q\))\(_m\) modell ugyanezt a szerkezetet a szezonális késleltetésekre (\(B^m\)) is alkalmazza. A Box–Jenkins-módszertan lépései: a sor stacionáriussá tétele (differenciálás, transzformáció), a rend azonosítása az ACF és a PACF alapján (vagy információs kritériummal, például AIC), a paraméterek becslése, és a maradékok diagnosztikája. Ha a jövőbeli értékeket befolyásoló, ismert vagy előre jelezhető külső változók (termelési terv, időjárás-előrejelzés, akciók) vannak, a dinamikus regresszió – lineáris regresszió ARIMA-hibataggal (ARIMAX, SARIMAX) – ezeket is felhasználja.

12.2.4 Az előrejelzések értékelése

Az előrejelzést mindig olyan adatokon kell értékelni, amelyek a modell illesztésekor még nem voltak ismertek. Egyetlen tanító–teszt felosztás helyett a gördülő kezdőpontú értékelés (rolling origin, idősoros keresztvalidáció) több kezdőpontból készít előrejelzést, mindig csak a kezdőpont előtti adatokat felhasználva (12.2. ábra) (Bergmeir & Benítez, 2012; Hyndman & Athanasopoulos, 2021).

ábra 12.2.. Gördülő kezdőpontú értékelés: minden kezdőpontban csak a korábbi adatokon illesztjük a modellt, és a következő \(h\) időpontra adott előrejelzést értékeljük.

A hibamértékek közül a MAE és az RMSE az eredeti mértékegységben értelmezhető, de sorok között nem hasonlítható össze. A MAPE (átlagos abszolút százalékos hiba) nullához közeli értékeknél instabil, és aszimmetrikusan bünteti a túl- és az alulbecslést. Hyndman & Koehler (2006) ezért a skálázott abszolút hibát (MASE) javasolta, amely a MAE-t a tanítóadatokon számolt naiv (vagy szezonális naiv) egylépéses előrejelzés MAE-jével osztja: az 1-nél kisebb érték azt jelenti, hogy a módszer jobb a naiv viszonyításnál.

12.3 Hasonlóság és reprezentáció

12.3.1 Dinamikus idővetemítés

Két idősor euklideszi távolsága az azonos időpontú értékeket veti össze, ezért már egy kis időbeli eltolódás vagy eltérő sebesség is nagy távolságot ad. A dinamikus idővetemítés (dynamic time warping, DTW) (Berndt & Clifford, 1994; Sakoe & Chiba, 1978) az időtengelyt rugalmasan „vetemíti”: azt a monoton illesztést keresi a két sor pontjai között, amely mentén az összesített eltérés a legkisebb (12.3. ábra). Az \(\mathbf{a}\) és \(\mathbf{b}\) sorok kumulált költségmátrixát dinamikus programozással töltjük ki:

\[ D(i, j) = (a_i - b_j)^2 + \min\bigl\{D(i-1, j),\; D(i, j-1),\; D(i-1, j-1)\bigr\}, \qquad D(0, 0) = 0 , \tag{12.4}\]

és \(\operatorname{DTW}(\mathbf{a}, \mathbf{b}) = \sqrt{D(n, m)}\). Az optimális illesztés (vetemítési út) a \(D(n, m)\) cellából visszakövethető. A számítás költsége \(O(nm)\); a Sakoe–Chiba-sáv az utat a főátló \(w\) szélességű környezetére korlátozza, ami gyorsít, és megakadályozza a fizikailag értelmetlen, túlzott vetemítést. Nagy adatbázisokban a DTW-t olcsó alsó korlátokkal (például az LB_Keogh-korláttal (Keogh & Ratanamahatana, 2005)) kombinálják, így a legtöbb jelöltet a teljes számítás nélkül ki lehet zárni (Rakthanmanon és mtsai., 2012).

ábra 12.3.. A dinamikus idővetemítés kézi példája. (a) Az euklideszi távolság az azonos indexű pontokat veti össze, a DTW a jelalakokat illeszti egymáshoz. (b) A kumulált költségmátrix a vetemítési úttal (kiemelve); a szaggatott vonal az euklideszi illesztésnek megfelelő főátló.

12.3.2 Kézi példa

A segédcsomag két rövid jelalakja ugyanaz a „hegy”, egy lépéssel eltolva. Az euklideszi távolság a (12.4) rekurzió nélkül, a pontonkénti eltérésekből számolható:

a, b = ab.mini.idosor_mini()
print("a =", a, "\nb =", b)
print(f"euklideszi távolság: {np.sqrt(((a - b) ** 2).sum()):.3f}")

def dtw(a, b, w=None):
    """Kumulált költségmátrix a (-@eq-dtw) rekurzióval, opcionális Sakoe–Chiba-sávval."""
    n, m = len(a), len(b)
    D = np.full((n + 1, m + 1), np.inf)
    D[0, 0] = 0.0
    for i in range(1, n + 1):
        jlo, jhi = (1, m) if w is None else (max(1, i - w), min(m, i + w))
        for j in range(jlo, jhi + 1):
            D[i, j] = (a[i - 1] - b[j - 1]) ** 2 + min(D[i - 1, j], D[i, j - 1], D[i - 1, j - 1])
    return D

D = dtw(a, b)
print(f"DTW-távolság: {np.sqrt(D[-1, -1]):.3f}")
pd.DataFrame(D[1:, 1:].astype(int), index=[f"a{i+1}={v:g}" for i, v in enumerate(a)],
             columns=[f"b{j+1}={v:g}" for j, v in enumerate(b)])
a = [0. 1. 3. 4. 3. 1. 0. 0.] 
b = [0. 0. 1. 3. 4. 3. 1. 0.]
euklideszi távolság: 3.464
DTW-távolság: 0.000
b1=0 b2=0 b3=1 b4=3 b5=4 b6=3 b7=1 b8=0
a1=0 0 0 1 10 26 35 36 36
a2=1 1 1 0 4 13 17 17 18
a3=3 10 10 4 0 1 1 5 14
a4=4 26 26 13 1 0 1 10 21
a5=3 35 35 17 1 1 0 4 13
a6=1 36 36 17 5 10 4 0 1
a7=0 36 36 18 14 21 13 1 0
a8=0 36 36 19 23 30 22 2 0

A DTW-távolság nulla: a vetemítési út az \(a_1\) értéket \(b_1\)-hez és \(b_2\)-höz is hozzárendeli, a hegyet egy lépéssel eltolva tökéletesen illeszti, végül \(a_8\)-at is \(b_8\)-hoz rendeli. Az euklideszi távolság ezzel szemben 3,46, pedig a két jelalak szemmel láthatóan ugyanaz.

12.3.3 Tömör reprezentációk

Hosszú idősorok hasonlóságkereséséhez, csoportosításához és indexeléséhez az idősort kevés együtthatóval leíró, tömör reprezentációra van szükség, amelyben a távolság jól közelíti (lehetőleg alulról becsüli) az eredeti távolságot (Faloutsos és mtsai., 1994). A legfontosabbak:

  • A diszkrét Fourier-transzformáció (DFT) az idősort különböző frekvenciájú szinuszok összegeként írja le, \(X_k = \sum_{t=0}^{T-1}y_te^{-2\pi ikt/T}\); az első néhány együttható a lassú változásokat őrzi meg (Agrawal és mtsai., 1993). A periodogram (\(|X_k|^2\) a frekvencia függvényében) a rejtett periodicitások felderítésének eszköze.
  • A diszkrét hullámtranszformáció (DWT) (Daubechies, 1992) időben és frekvenciában egyaránt lokalizált bázisfüggvényeket használ; a legegyszerűbb Haar-hullámnál az együtthatók szomszédos szakaszok átlagai és különbségei (Chan & Fu, 1999). Hirtelen változásokat és tranzienseket jobban leír, mint a DFT.
  • A darabonként konstans közelítés (piecewise aggregate approximation, PAA) (Keogh és mtsai., 2001) az idősort \(w\) egyenlő hosszú szakaszra bontja, és mindegyiket az átlagával helyettesíti.
  • A SAX (symbolic aggregate approximation) (Lin és mtsai., 2007) a \(z\)-normalizált sor PAA-értékeit a standard normális eloszlás kvantilisei által meghatározott sávok szerint betűkké alakítja (12.4. ábra). Az így kapott szövegszerű reprezentációra a szövegbányászat és a sorozatminta-keresés eszközei (például a 6. fejezet módszerei) is alkalmazhatók.
ábra 12.4.. A PAA és a SAX reprezentáció a hűtővízáram három napos, \(z\)-normalizált órás adatsorán. A 12 szakasz átlaga (vastag vonal) a normális eloszlás kvantilisei (szaggatott vonalak) szerint négybetűs ábécé elemeivé alakul.

12.4 Idősorok osztályozása és szegmentálása

Az idősor-osztályozás feladata egy teljes idősor (vagy idősorszakasz) osztályba sorolása: egy gépindítás jó vagy rossz lefutású volt-e, milyen hibatípus jellemző egy jelablakra. Kiterjedt összehasonlító vizsgálatok szerint az 1-legközelebbi szomszéd osztályozó DTW-távolsággal évtizedekig nehezen legyőzhető viszonyítási alap volt (Bagnall és mtsai., 2017); az újabb módszerek – az idősorok jellemzőit véletlen konvolúciós szűrőkkel kinyerő ROCKET (Dempster és mtsai., 2020) és a 10. fejezet konvolúciós hálózatai (Ismail Fawaz és mtsai., 2019) – a pontosságot és a sebességet tekintve egyaránt előrelépést hoztak. A módszerek értékelésének közös alapja a nyilvános UCR-idősorarchívum (Dau és mtsai., 2019).

A szegmentálás az idősort belsőleg homogén szakaszokra bontja: működési állapotokra, termékváltásokra, hibaepizódokra. A klasszikus algoritmusok (csúszóablakos, felülről lefelé és alulról felfelé haladó módszerek) a szakaszokat egyszerű – például lineáris – modellekkel közelítik, és a közelítési hiba alapján vágnak (Keogh és mtsai., 2004); a változáspont-észlelés a szakaszok számát és határait egy büntetett költségfüggvény optimumaként határozza meg, amire a PELT-algoritmus lineáris időben ad egzakt megoldást (Killick és mtsai., 2012). Többváltozós folyamatadatoknál a szakaszok homogenitása a változók közötti összefüggések (például lokális PCA-modellek) alapján is mérhető; ilyen a fuzzy klaszterezésen alapuló szegmentálás, amely a szakaszhatárok bizonytalanságát is kezeli (Abonyi és mtsai., 2005).

12.5 Gyakorlat: forgalom-előrejelzés, hűtési igény és jelalakok

12.5.1 A heti rendelésszám előrejelzése

A PannonShop logisztikája a következő négy hét rendelésszámát szeretné előre látni a raktári létszám tervezéséhez. A heti rendelésszám két év adatából áll; erős éves szezonalitás (az év végi csúcs), két akciós időszak és növekedés jellemzi.

tx = ab.shop_clean()
heti = tx.set_index("InvoiceDate").groupby(pd.Grouper(freq="W-SUN")).Invoice.nunique()
heti = heti[(heti.index > "2024-01-01") & (heti.index <= "2025-12-28")]
het_sorszam = heti.index.isocalendar().week.to_numpy().astype(int)
akcio = np.isin(het_sorszam, ab.load_shop().truth["promo_weeks"][2025]).astype(float)
fig, ax = plt.subplots()
ax.plot(heti.index, heti.values, color=ab.PALETTE[0], lw=1.3)
ax.scatter(heti.index[akcio == 1], heti.values[akcio == 1], color=ab.PALETTE[1], s=18, zorder=3, label="akciós hét")
ax.set_ylabel("rendelések / hét"); ax.legend()
fig.tight_layout()
print(heti.groupby(heti.index.year).sum().rename("rendelések száma"))
InvoiceDate
2024    7001
2025    8207
Name: rendelések száma, dtype: int64
ábra 12.5.. A PannonShop heti rendelésszáma. Az év végi csúcs és az akciós hetek (pontok) határozzák meg a sor szerkezetét; a második évben a forgalom nagyobb.

Négy módszert hasonlítunk össze gördülő kezdőpontú értékeléssel (a 65. héttől négyhetente, négyhetes horizonttal): a naiv és a szezonális naiv előrejelzést, a szezonális naiv előrejelzés növekedéssel korrigált változatát (az elmúlt nyolc hét és az egy évvel korábbi nyolc hét log-szintjének különbségével), valamint egy dinamikus harmonikus regressziót, amely a logaritmált rendelésszámot Fourier-tagokkal (az éves szezonalitás), trenddel, valamint az akciós és az ünnepi hetek indikátoraival magyarázza, AR(1) hibataggal. Az éves periódusú Holt–Winters- és SARIMA-modellekhez két év kevés: a szezonális komponens becsléséhez legalább két teljes periódus kellene már a legelső kezdőpontban is.

from statsmodels.tsa.statespace.sarimax import SARIMAX

y = np.log(heti.to_numpy())
t = np.arange(len(y))
unnepi = np.isin(het_sorszam, [49, 50, 51, 52]).astype(float)
def fourier(t, K, P=52.18):
    return np.column_stack([f(2 * np.pi * k * t / P) for k in range(1, K + 1) for f in (np.sin, np.cos)])
Xdhr = np.column_stack([fourier(t, 3), t / 52, akcio, unnepi])
H = 4
kezdopontok = range(64, len(y) - H + 1, 4)

def naiv(o):            return np.repeat(y[o - 1], H)
def szez_naiv(o):       return y[o - 52:o - 52 + H]
def szez_naiv_nov(o):   return y[o - 52:o - 52 + H] + (y[o - 8:o].mean() - y[o - 60:o - 52].mean())
def dhr(o):
    illesztett = SARIMAX(y[:o], exog=Xdhr[:o], order=(1, 0, 0), trend="c").fit(disp=False, maxiter=200)
    return illesztett.forecast(H, exog=Xdhr[o:o + H])

skala = np.mean(np.abs(np.diff(heti.to_numpy()[:64])))     # naiv egylépéses MAE a tanítóadatokon
eredm = {}
for nev, f in [("naiv", naiv), ("szezonális naiv", szez_naiv),
               ("szezonális naiv + növekedés", szez_naiv_nov), ("dinamikus harmonikus regresszió", dhr)]:
    hibak = np.concatenate([np.abs(np.exp(f(o)) - heti.to_numpy()[o:o + H]) for o in kezdopontok])
    eredm[nev] = {"MAE [rendelés/hét]": hibak.mean(), "MASE": hibak.mean() / skala}
pd.DataFrame(eredm).T.round(2)
MAE [rendelés/hét] MASE
naiv 45.45 1.48
szezonális naiv 28.12 0.91
szezonális naiv + növekedés 16.65 0.54
dinamikus harmonikus regresszió 26.74 0.87

A legjobb eredményt a legegyszerűbb, a szakterületi tudást (az éves ismétlődést és a növekedést) közvetlenül felhasználó módszer adja: a növekedéssel korrigált szezonális naiv előrejelzés MASE-értéke jóval 1 alatt van. A dinamikus harmonikus regresszió ugyan jobb a szezonális naiv módszernél, de két év adatából a Fourier-tagok és a indikátorváltozók együtthatói bizonytalanok, és a hirtelen év végi felfutást csak elmosódottan írják le. A tanulság általános: rövid, erősen szezonális soroknál a jól megválasztott viszonyítási módszer gyakran a legjobb választás, és egy bonyolultabb modell bevezetését mindig ehhez kell mérni.

12.5.2 Óránkénti hűtési igény előrejelzése

A hűtővízrendszer üzemeltetője 24 órával előre szeretné látni a hűtővízigényt. Az órás adatok bőségesek, a sor napi periodicitású (a környezeti hőmérséklet napi járása miatt), és szintje a gyártott terméktől és a hűtőköpeny állapotától függ. Bontsuk fel a sort STL-lel, és vizsgáljuk meg az autokorrelációját!

from statsmodels.tsa.seasonal import STL
ora = ab.load_plant().hourly.set_index("ido")
s = ora.F_hutoviz["2025-08-26":"2025-12-05"]
stl = STL(s["2025-10-01":"2025-10-28"], period=24, robust=True).fit()
fig, ax = plt.subplots(4, 1, sharex=True)
for a, (sor, nev) in zip(ax, [(stl.observed, "mért"), (stl.trend, "trend"), (stl.seasonal, "napi szezonalitás"), (stl.resid, "maradék")]):
    a.plot(sor.index, sor.values, color=ab.PALETTE[0], lw=0.8); a.set_ylabel(nev, fontsize=8)
fig.autofmt_xdate()
fig.tight_layout()
ábra 12.6.. A hűtővízáram órás idősorának STL-felbontása (24 órás periódus, robusztus változat) négy hétre. A trend az október 12-i leállás – a hűtőköpeny tisztítása – után jelentősen csökken, mert a tiszta hőátadó felület kevesebb hűtővizet igényel; a napi szezonalitás amplitúdója a környezeti hőmérséklet napi ingadozását követi.
from statsmodels.graphics.tsaplots import plot_acf, plot_pacf
fig, ax = plt.subplots(1, 2)
plot_acf(s["2025-09-01":"2025-09-14"], lags=72, ax=ax[0], color=ab.PALETTE[0], vlines_kwargs={"colors": ab.PALETTE[0]})
plot_pacf(s["2025-09-01":"2025-09-14"], lags=72, ax=ax[1], color=ab.PALETTE[0], vlines_kwargs={"colors": ab.PALETTE[0]}, method="ywm")
for a, cim in zip(ax, ["ACF", "PACF"]):
    a.set_title(cim, fontsize=9); a.set_xlabel("késleltetés [óra]")
fig.tight_layout()
ábra 12.7.. A hűtővízáram órás sorának autokorrelációs (balra) és parciális autokorrelációs függvénye (jobbra) az első két hétre. A 24 óránként ismétlődő csúcsok a napi szezonalitást jelzik.

Öt módszert hasonlítunk össze tizenöt kezdőponttal (október közepétől háromnaponta), 24 órás horizonttal, mindig az előző három hét adataira illesztve: a szezonális naiv előrejelzést (a tegnapi azonos óra), a csillapított trendű Holt–Winters-módszert, egy SARIMA\((1,0,1)(0,1,1)_{24}\) modellt, valamint két dinamikus regressziót. Ez utóbbiak a termelési tervből ismert alapjelet, betáplálási áramot és koncentrációt, valamint a környezeti hőmérsékletet is felhasználják; a jövőbeli környezeti hőmérsékletet itt a mért értékkel helyettesítjük, ami az időjárás-előrejelzés hibáját figyelmen kívül hagyja, tehát a valóságnál kissé optimista.

from statsmodels.tsa.holtwinters import ExponentialSmoothing
from statsmodels.stats.diagnostic import acorr_ljungbox

kulso = ora.loc["2025-08-26":"2025-12-05", ["T_alapjel", "F_betap", "c_betap", "T_kornyezet"]]
H = 24
kezdo = pd.date_range("2025-10-15", "2025-11-28", freq="3D")
modszerek = {
    "szezonális naiv": lambda tr, Xtr, Xte: tr.to_numpy()[-24:],
    "Holt–Winters (csillapított)": lambda tr, Xtr, Xte: ExponentialSmoothing(
        tr.to_numpy(), trend="add", damped_trend=True, seasonal="add", seasonal_periods=24).fit().forecast(H),
    "SARIMA(1,0,1)(0,1,1)₂₄": lambda tr, Xtr, Xte: SARIMAX(
        tr.to_numpy(), order=(1, 0, 1), seasonal_order=(0, 1, 1, 24)).fit(disp=False).forecast(H),
    "regresszió + AR(1) hiba": lambda tr, Xtr, Xte: SARIMAX(
        tr.to_numpy(), exog=Xtr, order=(1, 0, 0), trend="c").fit(disp=False).forecast(H, exog=Xte),
    "SARIMAX": lambda tr, Xtr, Xte: SARIMAX(
        tr.to_numpy(), exog=Xtr, order=(1, 0, 1), seasonal_order=(0, 1, 1, 24)).fit(disp=False).forecast(H, exog=Xte),
}
eredm = {}
for nev, f in modszerek.items():
    mae, mase = [], []
    for o in kezdo:
        tr_idx = slice(o - pd.Timedelta(days=21), o - pd.Timedelta(hours=1))
        te_idx = slice(o, o + pd.Timedelta(hours=H - 1))
        elorejelzes = f(s[tr_idx], kulso[tr_idx].to_numpy(), kulso[te_idx].to_numpy())
        hiba = np.mean(np.abs(elorejelzes - s[te_idx].to_numpy()))
        skala = np.mean(np.abs(s[tr_idx].diff(24).dropna()))         # szezonális naiv MAE a tanítóablakon
        mae.append(hiba); mase.append(hiba / skala)
    eredm[nev] = {"MAE [m³/h]": np.mean(mae), "MASE (szezonális)": np.mean(mase),
                  "a kezdőpontok hányadában jobb a szez. naivnál": None}
    eredm[nev]["_mae"] = mae
alap = np.array(eredm["szezonális naiv"]["_mae"])
for nev in eredm:
    eredm[nev]["a kezdőpontok hányadában jobb a szez. naivnál"] = np.mean(np.array(eredm[nev].pop("_mae")) < alap)
pd.DataFrame(eredm).T.astype(float).round(3)
MAE [m³/h] MASE (szezonális) a kezdőpontok hányadában jobb a szez. naivnál
szezonális naiv 0.528 0.846 0.000
Holt–Winters (csillapított) 0.509 0.783 0.533
SARIMA(1,0,1)(0,1,1)₂₄ 0.547 0.823 0.600
regresszió + AR(1) hiba 0.456 0.655 0.733
SARIMAX 0.415 0.631 0.800
utolso = SARIMAX(s["2025-11-05":"2025-11-25"].to_numpy(), order=(1, 0, 1), seasonal_order=(0, 1, 1, 24)).fit(disp=False)
lb = acorr_ljungbox(utolso.resid[25:], lags=[24, 48])
print("Ljung–Box-próba a SARIMA maradékain (p-érték):", lb["lb_pvalue"].round(4).to_dict())
Ljung–Box-próba a SARIMA maradékain (p-érték): {24: 0.0269, 48: 0.1404}

A tisztán idősoros modellek (Holt–Winters, SARIMA) legfeljebb kevéssel jobbak a szezonális naiv előrejelzésnél – a kezdőpontok megválasztásától függően akár rosszabbak is –, igazán nagy javulást a külső változók hoznak: a termelési terv és a környezeti hőmérséklet ismeretében a hűtési igény szintjének változásai – amelyeket a tisztán idősoros modellek csak utólag követnek – előre láthatók. A szezonális tagot is tartalmazó SARIMAX a legjobb. A SARIMA-modell maradékaiban a Ljung–Box-próba szerint rövid távon (24 óráig) szignifikáns autokorreláció marad: a termékváltások okozta szintugrásokat a tisztán idősoros modell nem tudja leírni – ez is a külső változók felhasználása mellett szól. A táblázat utolsó oszlopa arra is figyelmeztet, hogy az átlagos hiba mögött nagy kezdőpontonkénti ingadozás áll: kevés kezdőpont esetén a módszerek sorrendje véletlenszerűen is megfordulhat, ezért érdemes sok kezdőpontot használni, és a hibák eloszlását is megnézni. Ez ugyanaz a tanulság, mint a 10. fejezet hűtési igény modelljénél: a folyamat fizikájából ismert bemenetek felhasználása többet ér, mint a modell bonyolultsága.

12.5.3 Jelalakok osztályozása dinamikus idővetemítéssel

A DTW előnye ott mutatkozik meg, ahol az azonos osztályba tartozó jelalakok időben eltolódnak vagy eltérő sebességgel zajlanak le. Ennek klasszikus mintapéldája a „henger–harang–tölcsér” (Cylinder–Bell–Funnel, CBF) feladat (Saito, 1994), amely az UCR-archívum egyik referenciaadatsora is (Dau és mtsai., 2019): három jelalak (állandó szintű szakasz, felfutó és lefutó rámpa), véletlen kezdettel, hosszal és amplitúdóval, zajjal terhelve. A DTW-t sok sorpárra egyszerre, a párok mentén vektorizálva számítjuk.

def cbf(n_osztalyonkent, rng, L=128):
    """A Cylinder–Bell–Funnel mintaadatsor generátora (Saito, 1994)."""
    t = np.arange(L)
    X, y = [], []
    for c in range(3):
        for _ in range(n_osztalyonkent):
            a = rng.integers(16, 33); b = min(a + rng.integers(32, 97), L - 1)
            chi = ((t >= a) & (t <= b)).astype(float)
            alak = [chi, chi * (t - a) / (b - a), chi * (b - t) / (b - a)][c]
            X.append((6 + rng.normal()) * alak + rng.normal(0, 1, L)); y.append(c)
    return np.array(X), np.array(y)

def dtw_parok(A, B, w=None):
    """DTW-távolság az A[k] és B[k] sorpárokra, a párok mentén vektorizálva."""
    n, L = A.shape
    elozo = np.full((n, L + 1), np.inf); elozo[:, 0] = 0.0
    for i in range(1, L + 1):
        akt = np.full((n, L + 1), np.inf)
        jlo, jhi = (1, L) if w is None else (max(1, i - w), min(L, i + w))
        for j in range(jlo, jhi + 1):
            c = (A[:, i - 1] - B[:, j - 1]) ** 2
            akt[:, j] = c + np.minimum(np.minimum(elozo[:, j], akt[:, j - 1]), elozo[:, j - 1])
        elozo = akt
    return np.sqrt(elozo[:, L])

rng = np.random.default_rng(0)
Xtr, ytr = cbf(10, rng); Xte, yte = cbf(100, rng)
znorm = lambda X: (X - X.mean(axis=1, keepdims=True)) / X.std(axis=1, keepdims=True)
Xtr, Xte = znorm(Xtr), znorm(Xte)
ii, jj = np.meshgrid(np.arange(len(Xte)), np.arange(len(Xtr)), indexing="ij")
tav = {"euklideszi": np.sqrt(((Xte[ii.ravel()] - Xtr[jj.ravel()]) ** 2).sum(axis=1))}
for w in [4, 12, None]:
    tav[f"DTW, w = {w if w else 'nincs korlát'}"] = dtw_parok(Xte[ii.ravel()], Xtr[jj.ravel()], w=w)
pd.Series({nev: (ytr[d.reshape(len(Xte), len(Xtr)).argmin(axis=1)] != yte).mean() for nev, d in tav.items()},
          name="1-NN tévesztési arány").round(3).to_frame()
1-NN tévesztési arány
euklideszi 0.177
DTW, w = 4 0.067
DTW, w = 12 0.010
DTW, w = nincs korlát 0.003
fig, ax = plt.subplots(1, 3, sharey=True)
for c, nev in enumerate(["henger", "harang", "tölcsér"]):
    for k in range(3):
        ax[c].plot(Xtr[ytr == c][k], color=ab.PALETTE[c], lw=0.9, alpha=0.9)
    ax[c].set_title(nev, fontsize=9); ax[c].set_xlabel("idő")
fig.tight_layout()
ábra 12.8.. A Cylinder–Bell–Funnel feladat osztályonként három-három mintája. Az osztályon belüli eltérés főként időbeli (kezdet, hossz), amit az euklideszi távolság nagy különbségként érzékel, a DTW viszont kiegyenlít.

Osztályonként mindössze tíz tanítómintával az euklideszi 1-NN osztályozó a tesztminták mintegy hatodát téveszti el, a DTW-vel a tévesztés néhány százalékra, korlátozás nélküli vetemítéssel szinte nullára csökken – összhangban az UCR-archívumban közölt eredményekkel. A Sakoe–Chiba-sáv szélessége itt kompromisszum: a keskeny sáv gyorsabb, de túl kevés vetemítést enged. A futó üzemi esetben a DTW nem hozna ilyen javulást: ott a hibák nem eltolt jelalakokban, hanem szintekben és ingadozásokban különböznek – a távolságmértéket mindig a feladat jellegéhez kell választani.

12.5.4 Periodicitás és tömörítés

Végül nézzük meg, mit árul el a periodogram a környezeti hőmérsékletről, és mennyire jól őrzik meg a különböző reprezentációk a hűtővízáram egy hetes sorát azonos számú (24) együtthatóval!

sor = ora.T_kornyezet["2025-04-01":"2025-09-30"]
x = (sor - sor.rolling(168, center=True, min_periods=1).mean()).to_numpy()   # a heti mozgóátlag (lassú változás) levonása
X = np.fft.rfft(x)
freq = np.fft.rfftfreq(len(x), d=1.0)                  # ciklus / óra
P = np.abs(X[1:]) ** 2 / len(x)
fig, ax = plt.subplots()
ax.semilogy(1 / freq[1:], P, color=ab.PALETTE[0], lw=0.8)
ax.set_xscale("log"); ax.set_xlim(4, 1000)
ax.set_xticks([6, 12, 24, 48, 168, 720], ["6", "12", "24", "48", "168", "720"])
ax.set_xlabel("periódus [óra]"); ax.set_ylabel("teljesítmény")
fig.tight_layout()
print(f"a legerősebb periódus: {1 / freq[1:][np.argmax(P)]:.1f} óra")
a legerősebb periódus: 24.0 óra
ábra 12.9.. A környezeti hőmérséklet órás sorának periodogramja (logaritmikus skálán) a periódusidő függvényében, a heti mozgóátlag levonása után. A legerősebb csúcs a 24 órás napi ciklus.
import pywt
het = ora.F_hutoviz["2025-10-20":"2025-10-26"].to_numpy()           # 168 óra
k = 24
z = (het - het.mean()) / het.std()
paa = np.repeat(z.reshape(k, -1).mean(axis=1), len(z) // k)         # 24 szakasz, egyenként 7 óra
# DFT: a 12 legkisebb frekvenciájú komplex együttható = 24 valós szám
F = np.fft.rfft(z); F[12:] = 0; dft = np.fft.irfft(F, n=len(z))
# Haar-DWT: a 24 legnagyobb abszolút értékű együttható
egyutt = pywt.wavedec(z, "haar")
lapos, szerk = pywt.coeffs_to_array(egyutt)
kuszob = np.sort(np.abs(lapos))[-k]
dwt = pywt.waverec(pywt.array_to_coeffs(np.where(np.abs(lapos) >= kuszob, lapos, 0), szerk, output_format="wavedec"), "haar")[:len(z)]
rmse = lambda r: float(np.sqrt(np.mean((z - r) ** 2)))
pd.Series({"PAA (24 szakasz)": rmse(paa), "DFT (12 komplex = 24 valós együttható)": rmse(dft),
           "Haar-DWT (24 legnagyobb együttható)": rmse(dwt)}, name="RMSE (z-normalizált)").round(3).to_frame()
RMSE (z-normalizált)
PAA (24 szakasz) 0.342
DFT (12 komplex = 24 valós együttható) 0.221
Haar-DWT (24 legnagyobb együttható) 0.241

Ezen a heti soron a DFT a legpontosabb, mert a jelet a sima napi ciklus uralja, amelyet néhány alacsony frekvenciás szinusz jól leír. A Haar-hullámtranszformáció a legnagyobb együtthatók megtartásával a lokális változásokhoz alkalmazkodik, ezért hirtelen szintugrásokat és tranzienseket tartalmazó soroknál kerül előnybe; az egyenletes felbontású PAA a legkevésbé pontos. A PAA és a SAX előnye az egyszerűség és az, hogy a távolságuk alsó korlátja az eredeti sorok euklideszi távolságának, ami gyors indexelést tesz lehetővé (Keogh és mtsai., 2001; Lin és mtsai., 2007).

Dinamikus idővetemítés: illesztés, költségmátrix és Sakoe–Chiba-sávMegnyitás új lapon ↗

12.6 Összefoglalás

  • Az idősorok trendre, szezonalitásra és maradékra bonthatók; az STL robusztus, rugalmas felbontást ad.
  • Az autokorreláció az idősorok alapvető jellemzője: az előrejelzés erre épül, a független mintavételt feltételező módszereket (véletlen keresztvalidáció, ellenőrzőkártyák) viszont félrevezeti.
  • Az exponenciális simítás és az (S)ARIMA-modellek a klasszikus előrejelzési eszközök; a külső változókat a dinamikus regresszió (SARIMAX) használja fel.
  • Az előrejelzéseket gördülő kezdőpontú értékeléssel, skálázott hibamértékkel (MASE) és egyszerű viszonyítási módszerekhez mérten kell értékelni.
  • A dinamikus idővetemítés az időbeli eltolódásokat és sebességkülönbségeket kiegyenlítő távolságmérték; a Sakoe–Chiba-sáv és az alsó korlátok gyorsítják.
  • A DFT, a DWT, a PAA és a SAX tömör reprezentációk; a SAX szimbolikus sorozattá alakítja az idősort.
  • Az idősor-osztályozás erős viszonyítási alapja az 1-NN DTW; a szegmentálás homogén szakaszokra bontja a sort.

Ellenőrző kérdések

  1. Mikor alkalmazunk multiplikatív felbontást, és hogyan vezethető vissza additívra?
  2. Mit jelez, ha az ACF 24, 48, 72 óra késleltetésnél csúcsokat mutat?
  3. Miért nem alkalmas a véletlen keresztvalidáció idősoros előrejelzők értékelésére?
  4. Mit jelent, ha egy módszer MASE-értéke 1-nél nagyobb?
  5. Mi a különbség a Holt–Winters-módszer additív és multiplikatív változata között?
  6. Miért lehet a DTW-távolság nulla két különböző hosszú sor között?
  7. Hogyan függ a SAX-reprezentáció az ábécé méretétől és a szakaszok számától?

Feladatok

  1. Kézi DTW. Számítsa ki kézzel az \(\mathbf{a} = (1, 2, 3)\) és a \(\mathbf{b} = (1, 1, 2, 3)\) sorok DTW-távolságát és a vetemítési utat! Ellenőrizze a dtw() függvénnyel!
  2. Heti előrejelzés. Bővítse a heti rendelésszám előrejelzését egy olyan változattal, amely a szezonális naiv előrejelzést az akciós hetekre külön korrigálja! Javul-e a MASE?
  3. SARIMA-rendválasztás. Válassza meg a hűtési igény SARIMA-modelljének rendjét AIC alapján egy kis rácson (\(p, q \in \{0, 1, 2\}\), \(Q \in \{0, 1\}\)), és vizsgálja meg a maradékok ACF-jét!
  4. Előrejelzési intervallum. Ábrázolja a SARIMAX-modell 24 órás előrejelzését 95%-os előrejelzési intervallummal (get_forecast().conf_int()) egy kiválasztott napra! Hány mért érték esik az intervallumon kívül a hét kezdőpont során?
  5. Szegmentálás. Bontsa szakaszokra a reaktorhőmérséklet alapjelének és a hűtővízáram órás sorának együttesét egy egyszerű alulról felfelé haladó algoritmussal (szakaszonként konstans közelítés)! Mennyire esnek egybe a szakaszhatárok a termékváltásokkal?

További olvasmányok

Az előrejelzés módszereinek kiváló, ingyenesen elérhető tankönyve Hyndman & Athanasopoulos (2021); az ARIMA-modellek klasszikus műve Box és mtsai. (2015). Az idősor-osztályozás módszereit Bagnall és mtsai. (2017), a mélytanulási megközelítéseket Ismail Fawaz és mtsai. (2019) tekinti át. A DTW gyors számításáról Keogh & Ratanamahatana (2005) és Rakthanmanon és mtsai. (2012), az idősor-reprezentációkról Lin és mtsai. (2007) cikke ajánlott; a szegmentálás módszereit Keogh és mtsai. (2004) foglalja össze.