Глоссарий ИИ
Полный словарь искусственного интеллекта
Аддитивная декомпозиция
Аналитический метод, разделяющий временной ряд на независимые компоненты (тренд, сезонность, остатки) согласно аддитивной связи, где y(t) = g(t) + s(t) + h(t) + ε(t).
Точки изменения
Автоматически обнаруживаемые моменты, когда темп роста тренда значительно меняется, позволяя фиксировать структурные изменения в данных без ручного вмешательства.
Логистический тренд
Моделирование насыщающегося роста с максимальной ёмкостью, использующее сигмоидную функцию для представления явлений, которые естественным образом достигают плато во времени.
Календарные эффекты
Специфическое влияние особых дней (праздники, исключительные события) на прогнозы, моделируемое дополнительными регрессорами с эффектами до и после каждой календарной даты.
Неопределённость прогноза
Доверительный интервал, генерируемый методом Монте-Карло, интегрирующий неопределённость параметров тренда, сезонности и зашумлённых наблюдений для количественной оценки надёжности прогнозов.
Кусочно-линейная регрессия
Подход, моделирующий тренд как серию линейных сегментов, соединённых в точках изменения, обеспечивающий локальную гибкость при сохранении интерпретируемой простоты.
Ряды Фурье
Математическое представление сезонности с использованием комбинаций синусов и косинусов различных частот, позволяющее гибко аппроксимировать регулярные циклические паттерны.
Недельная сезонность
Циклическая компонента с периодом 7 дней, фиксирующая повторяющиеся паттерны неделя за неделей, по умолчанию моделируемая 3 парами членов Фурье для баланса гибкости/регулярности.
Годовая сезонность
Циклический паттерн продолжительностью 365.25 дней, отражающий годовые сезонные колебания, настраиваемый по количеству членов Фурье в зависимости от сложности данных (по умолчанию 10).
Временная перекрестная проверка
Метод оценки, специфичный для временных рядов, где обучающие и тестовые наборы сохраняют хронологический порядок, используя скользящие окна для оценки прогнозной производительности.
Байесовские априорные распределения
Априорные распределения параметров модели (Лапласа для тренда, Нормальное для сезонности), служащие для регуляризации оценки и предотвращения переобучения на зашумленных данных.
Емкость насыщения
Параметр логистического тренда, определяющий максимальное асимптотическое значение, которого может достичь временной ряд, важный для моделирования рынков с естественным насыщением.
Множитель сезонности
Параметр, регулирующий относительную амплитуду сезонной компоненты по сравнению с трендом, позволяющий контролировать значимость циклических эффектов в итоговой модели.