Северо-Западный федеральный округ

Решение представляет собой композицию нескольких наиболее удачных на наш взгляд алгоритмов для работы с временными рядами во главе с мета-алгоритмом.

Для начала из Train датасета с помощью библиотеки Kats были выделены мета-признаки. Для каждого временного ряда алгоритм прогнал сразу 6 моделей: Prophet, SARIMA, ARIMA, stlf, HoltWinters, Theta. Затем для каждого набора мета-признаков была выбрана лучшая модель. Далее мета-алгоритм решил задачу классификации и научился для каждого набора выбирать наиболее удачный алгоритм. 

Работа алгоритма: 

Модель при получении временного ряда отдает его на обработку мета-модели. Анализируя мета-данные, она выбирает, какой из алгоритмов, перечисленных ранее, может решить данную задачу прогнозирования лучше. Затем в режиме онлайн идет обучение модели на предложенном тестовом ряде, ее улучшение и в итоге выводятся предсказания.

Технические особенности нашего решения продиктованы неоднозначностью связей между данными в таблицах Train и Test. Наша модель рассматривает каждый из временных рядов в тестовых данных независимо друг от друга.

Уникальность: 

Мы пробовали много разных технических подходов: тюнили МЕТА-алгоритмы с помощью классических ML-подходов и параметры эксп. сглаживания с помощью ньютоновских методов оптимизации, использовали не менее 6 алгоритмов близких к эконометрическим для предсказания временных рядов, рассуждали о данных в контексте кластеризации для создания связей между train и test выборками, даже думали над гипотезой горизонтального рассмотрения рядов, что в совокупности помогло подобрать оптимальное решение.

Google Colaboratory, numpy, pandas, matplotlib, kats, sklearn, stats, seaborn, Facebook Prophet.<

1. Наша система позволяет предсказывать поведение экономической переменной на основе исторических данных. Реализован веб-сервис, который принимает на вход произвольный числовой ряд по месяцам или кварталам, а так же время для предсказания. В ответ выдаётся прогноз. Реализована двухуровневая модель для предсказаний.
2. Технические особенности: pandas, numpy, scikit-learn, torch, streamlit, ya.cloud. Двухуровневый ансамбль.
3. Уникальность решения состоит в использовании двухуровневого ансамбля: сначала временной ряд отображается в латентное пространство автоэнкодера и далее в этом пространстве ищутся наиболее похожие ряды на исторических данных. В качестве предсказания выдаётся усреднённое продолжение ближайших соседей.

Реализация адаптивного алгоритма для прогнозирования данных макроэкономических показателей

В качестве изначальных данных использованы только данные показателей, предоставленные организаторами. Данные отражают значения различных макроэкономических показателей за 2001-2015 год. На основе этих данных создано отображение «временной ряд->параметры пайплайна». В качестве начального приближения для каждого ряда в целях экономии времени использована модель авторегрессии с L2 регуляризацией.

На основе этих данных построена двухуровневая мета-модель, учитывающая структуру временных рядов (Вычисление характеристик по скользящему окну). Для каждого временного ряда выбирается самый близкий по структуре временной ряд из тестовых данных и выбираются гиперпараметры, которые оказались лучшими для похожего ряда из обучающей выборки. В случаях условного предсказания используется модель с добавлением в нее экзогенных переменных.

В качестве проверки финального решения алгоритм будет запущен на тестовых данных, представленных организаторами.

Уникальность:

Использование двухуровневой мета-модели. Автоматическая настройка параметров с помощью фреймворка FEDOT. Возможность масштабирования решения до подбора оптимальной композитной модели.

Стек технологий:

AutoML фреймворк FEDOT, язык программирования python 3.8.