Фундаментальная модель временных рядов или классический прогноз: что выбрать

Фундаментальная модель временных рядов обещает прогноз без отдельного обучения на каждом наборе. Классический метод — например, сезонная статистическая модель — требует настройки, зато его поведение проще объяснить. Третий путь, собственный обучаемый конвейер, может точнее учитывать бизнес-сигналы, но дороже поддерживается. Выбор нельзя делать по одному месту в рейтинге: он зависит от истории, цены ошибки и частоты изменений.

Короткий ответ

Для быстрого старта на множестве разнородных рядов разумно проверить zero-shot модель. Для стабильного процесса с ясной сезонностью классическая статистика часто остаётся сильной и дешёвой базой. Собственное обучение оправдано, когда есть качественные дополнительные признаки, достаточно примеров и ценность улучшения превышает стоимость поддержки.

Свежая IBM Granite PatchTST‑FM‑r2 показывает, почему категория стала практичной: около 385 миллионов параметров, контекст до 8192 точек и вероятностный прогноз по 99 квантилям. Но даже высокий результат GIFT‑Eval не отвечает, насколько модель поймёт ваши акции, смену склада или разрыв в сборе данных.

Данные и время до первого результата

Zero-shot подход выигрывает, когда нужно быстро получить базу для сотен рядов: продажи по товарам, нагрузка узлов, обращения и энергопотребление. Модель уже обучена на разнообразных последовательностях. Достаточно привести столбцы к ожидаемому формату, указать частоту и горизонт.

Классический метод тоже запускается быстро на одном чистом ряду, особенно если сезонность известна. Но для каждой группы могут понадобиться свои параметры. Собственный ML-конвейер медленнее: нужно разделение по времени, признаки календарк, поиск параметров и защита от утечки будущего.

Победитель на старте — фундаментальная модель для большого разнородного портфеля и статистическая база для нескольких понятных рядов. Собственное обучение здесь третье.

Качество на изменениях

Предобученная модель видела разные формы трендов и сезонности, поэтому может лучше переноситься на короткую историю. Однако она не знает событий вашего бизнеса, если они не представлены в числах. Резкая смена цены или политики учёта выглядит для неё как необычный скачок.

Классическая модель прозрачно продолжает найденную структуру и так же прозрачно ломается при смене режима. Собственный конвейер может включать цену, календарь, погоду и кампании, но только при аккуратной доступности этих признаков в момент прогноза. Признак, известный постфактум, создаёт красивый тест и бесполезную систему.

Объяснимость и работа с неопределённостью

Статистические методы проще обсуждать с финансистом: уровень, тренд, сезонность и доверительный интервал имеют знакомый смысл. Фундаментальная сеть сложнее интерпретируется, зато способна сразу выдавать распределение будущего. В PatchTST‑FM‑r2 используется голова на 99 квантилей, что позволяет строить не одну линию, а диапазоны.

Но широкий диапазон не объясняет причину. Решение о запасе требует контекста: что изменилось и какой сценарий покрывает верхняя граница. Поэтому прогноз дополняют журналом событий и правилами действий. Для чтения заявленных результатов полезен наш гайд по бенчмаркам: место в таблице зависит от выборки, метрики и правил воспроизводимости.

Стоимость и инфраструктура

Классическая модель часто работает на CPU и почти не требует специального окружения. Zero-shot сеть тяжелее, но один общий сервис может обслуживать много рядов без отдельного обучения. Свой ML-конвейер добавляет хранение признаков, регулярное переобучение, мониторинг дрейфа и поддержку кода.

Считайте полную стоимость: подготовку данных, вычисления, проверку, исправление пропусков и цену неверного решения. Бесплатные веса не означают бесплатный прогноз. Лицензии также различаются; что именно разрешает открытая модель, мы объясняем в материале об открытых весах и лицензиях.

Сценарий честного сравнения

Возьмите не менее трёх временных окон и спрячьте последние от настройки. Сравните простую сезонную наивную базу, классическую модель и zero-shot систему. Для каждого ряда используйте одинаковый горизонт и одинаковые доступные данные. Посчитайте минимум две метрики: ошибку масштаба и качество вероятностного диапазона.

Затем проведите бизнес-проверку. Преобразуйте прогноз в решение — заказ товара или график смен — и посчитайте дефицит, излишек или стоимость простоя. Модель с меньшей средней ошибкой может быть хуже, если она систематически недооценивает пики.

Обязательно выделите нестандартные периоды: праздники, сбой датчика, запуск продукта и смену правил. Средняя метрика скрывает именно те недели, когда прогноз наиболее нужен.

Когда выбрать каждый подход

Фундаментальная модель подходит для быстрого покрытия многих рядов, холодного старта и сильной базовой линии. Классический метод — для прозрачного стабильного процесса, небольшого числа сигналов и дешёвой эксплуатации. Собственная модель — для зрелого сценария с ценными внешними признаками и командой, которая умеет поддерживать обучение.

На практике полезна не монополия одного метода, а ступенчатая система. Простая база обнаруживает, приносит ли сложность пользу. Zero-shot модель даёт второй независимый прогноз. Собственный конвейер появляется только там, где разница подтверждена деньгами или риском.

Сравнить специализированный подход с другой современной моделью можно по карточке TimesFM‑3. Не переносите чужой рейтинг на свой ряд: повторите одинаковый тест.

FAQ

Нужно ли дообучать фундаментальную модель?

Для первого zero-shot теста — нет. Дообучение имеет смысл только после честного сравнения с базой и проверки лицензии.

Какая метрика главная?

Та, что связана с решением. Техническую ошибку дополняйте стоимостью дефицита, запаса, простоя или нарушения лимита.

Можно ли отказаться от классической базы?

Нежелательно. Простая база показывает, действительно ли сложная модель улучшает результат.

Что делать с резкими событиями?

Отмечать их отдельным признаком или сценарием, тестировать отдельно и оставлять ручную корректировку, если событие не было доступно модели заранее.