напиши процедуру для предсказания по экспоненциальному среднему на 12 месяцев вперед…
- User
напиши процедуру для предсказания по экспоненциальному среднему на 12 месяцев вперед после последней даты. Параметры возми из этой процедуры
def forecast_prophet(group_df): # Преобразуем дату к явному datetime типу group_df['ДатаНачалаМесяца'] = pd.to_datetime(group_df['ДатаНачалаМесяца'])
# Инициализация модели Prophet prophet_model = Prophet() # Переименовываем столбцы для совместимости с Prophet model_df = group_df.rename(columns={"ДатаНачалаМесяца": "ds", "КоличествоПродано": "y"}) # Обучаем модель prophet_model.fit(model_df) # Получаем последнюю дату из датасета last_date = model_df['ds'].max() # Генерируем **только** будущие периоды (без истории) future = prophet_model.make_future_dataframe(periods=12, freq='MS', include_history=False) # Добавляем смещение в 12 месяцев к последней дате future['ds'] = pd.date_range(start=last_date + pd.DateOffset(months=12), periods=12, freq='MS') # Генерируем прогноз forecast = prophet_model.predict(future) # Добавляем НоменклатураНасоса в прогноз # Предполагается, что 'НоменклатураНасоса' одинакова для всех строк в group_df nom_nasosa = group_df['НоменклатураНасоса'].iloc[0] # Берем первое значение forecast['НоменклатураНасоса'] = nom_nasosa # Округляем прогноз до целых чисел forecast['yhat'] = forecast['yhat'].round().astype(int) # Возвращаем только нужные столбцы с переименованием return forecast[['ds', 'НоменклатураНасоса', 'yhat']].rename(columns={"ds": "ДатаНачалаМесяца", "yhat": "ПрогнозProphet"}) - Assistant
Вот процедура для предсказания по экспоненциальному среднему, основанная на структуре вашей процедуры Prophet:
def forecast_exponential_smoothing(group_df, alpha=0.3): # Преобразуем дату к явному datetime типу group_df['ДатаНачалаМесяца'] = pd.to_datetime(group_df['ДатаНачалаМесяца']) # Сортируем по дате для корректного расчета экспоненциального среднего group_df = group_df.sort_values('ДатаНачалаМесяца') # Переименовываем столбцы для единообразия model_df = group_df.rename(columns={"ДатаНачалаМесяца": "ds", "КоличествоПродано": "y"}) # Вычисляем экспоненциальное среднее exp_smoothed = model_df['y'].ewm(alpha=alpha, adjust=False).mean() # Получаем последнее сглаженное значение для прогноза last_smoothed_value = exp_smoothed.iloc[-1] # Получаем последнюю дату из датасета last_date = model_df['ds'].max() # Генерируем будущие даты на 12 месяцев вперед future_dates = pd.date_range(start=last_date + pd.DateOffset(months=1), periods=12, freq='MS') # Создаем DataFrame с прогнозом forecast = pd.DataFrame({ 'ds': future_dates, 'yhat': [last_smoothed_value] * 12 # Используем последнее сглаженное значение для всех прогнозов }) # Добавляем НоменклатураНасоса в прогноз nom_nasosa = group_df['НоменклатураНасоса'].iloc[0] forecast['НоменклатураНасоса'] = nom_nasosa # Округляем прогноз до целых чисел forecast['yhat'] = forecast['yhat'].round().astype(int) # Возвращаем только нужные столбцы с переименованием return forecast[['ds', 'НоменклатураНасоса', 'yhat']].rename(columns={"ds": "ДатаНачалаМесяца", "yhat": "ПрогнозExpSmoothing"})Основные отличия от процедуры Prophet:
-
Параметр alpha: Добавлен параметр
alpha(по умолчанию 0.3) для управления степенью сглаживания. Чем выше значение, тем больше влияние последних наблюдений. -
Экспоненциальное сглаживание: Используется метод
ewm()из pandas для вычисления экспоненциально взвешенного среднего. -
Прогнозирование: Для всех 12 будущих месяцев используется одно и то же значение - последнее сглаженное значение из исторических данных.
-
Простота: Метод более простой по сравнению с Prophet, но менее точный для сложных временных рядов с трендами и сезонностью.
Вы можете настроить параметр
alpha:alpha = 0.1- более консервативное сглаживаниеalpha = 0.5- сбалансированное сглаживаниеalpha = 0.9- более агрессивное сглаживание, больше реагирует на недавние изменения
-
Other models, same or similar prompt
Responses were produced in different, uncontrolled contexts (system prompts, settings, prior turns). This is not a benchmark.