Skip to content
The Chat Archive
claude-sonnet-4-20250514-thinking-32k· Anthropic LMArena Human Preference 140K

напиши процедуру для предсказания по экспоненциальному среднему на 12 месяцев вперед…

  1. 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"})
    
  2. 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:

    1. Параметр alpha: Добавлен параметр alpha (по умолчанию 0.3) для управления степенью сглаживания. Чем выше значение, тем больше влияние последних наблюдений.

    2. Экспоненциальное сглаживание: Используется метод ewm() из pandas для вычисления экспоненциально взвешенного среднего.

    3. Прогнозирование: Для всех 12 будущих месяцев используется одно и то же значение - последнее сглаженное значение из исторических данных.

    4. 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 сглаживание
    • alpha = 0.5 - сбалансированное сглаживание
    • alpha = 0.9 - более агрессивное сглаживание, больше реагирует на недавние изменения

Responses were produced in different, uncontrolled contexts (system prompts, settings, prior turns). This is not a benchmark.