Когда одной ARIMA мало. Прогнозирование временных рядов нейросетями / Хабр

Когда одной ARIMA мало. Прогнозирование временных рядов нейросетями / Хабр

Как сказал один мудрый человек, доклады по временным рядам бывают двух типов. Первый — предсказание *** (попробуйте угадать в комментариях, о чем шла речь), а второй — ориентированные на практическую пользу. Эта статья точно не относится к первому типу, а, надеемся, что ко второму. Но об этом уже судить не нам, а вам в комментариях.

Привет, Хабр! Меня зовут Никита, я работаю в Мегафоне аналитиком больших данных. В этой статье я хочу поговорить про временные ряды, а если конкретнее, про использование нейросетей для их прогнозирования. 

На опыте решения реальной задачи я убедился, что сегодня существует немало архитектур, показывающих достаточно высокую точность прогнозирования и при этом нетрудных в использовании. Однако, по сравнению с классическими методами прогнозирования, они не так популярны.

Поэтому сейчас мы разберемся как работают архитектуры DeepAR и NBEATS, как применить их на реальных данных и (главное) когда стоит это делать.

Для полного погружения в тему переходите в репозиторий. Код можно запустить в Colab c помощью всего одной кнопки, параллельно с прочтением статьи.

  1. Теоретическая часть

    1. Обзор задачи

    2. DeepAR

    3. NBEATS

  2. Практическая часть

    1. Датасет, фреймворк

    2. Подготовка данных

    3. Обучение модели

    4. Инференс

  3. Итоги

Свяжем машинное обучение с реальным миром инфраструктуры

Чтобы не заскучать, мы не будем обсуждать идеи вне контекста их применения. Мы возьмем реальную бизнес задачу, и на примере ее решения покажем, чем хороши в ней нейросети.

Итак, как вы уже, возможно, догадались, мы сотовый оператор, и поэтому у нашего BigData подразделения есть немало задач, напрямую связанных с работой сотовой сети.

Не смотря на то, что существуют разные архитектуры сети сотовой связи, основным элементом в каждой является базовая станция, которая обеспечивает подключение пользователя по беспроводным каналам. В местности с высокой плотностью застройки и большим количеством абонентов, одна базовая станция может обслуживать территорию радиусом в несколько сотен метров, а за городом — территорию радиусом в несколько километров. Выгляните в окно, и наверняка, увидите на одной из крыш соседних домов небольшую вышку — это и есть базовая станция.

Про соты

В основе сетей мобильной связи лежит иерархическая структура, которая обеспечивает эффективную и надежную передачу данных. На самом высоком уровне находятся макросоты (большие зоны покрытия, охватывающие города или регионы), внутри которых существуют более мелкие зоны покрытия, называемые микросотами, и еще более мелкие — пикосоты или фемтосоты. Поскольку именно на эти объекты инфраструктуры ложится основная нагрузка от пользователей, понятно, что они должны быть всегда в строю. А это требует от оператора поддерживать постоянный цикл эксплуатации, ремонта, обновления и мониторинга базовых станций.

Окей, элемент важный, понятно. А при чем тут временные ряды и машинное обучение?

Как я уже писал выше, состояние базовых станций и нагрузка на них (передаваемый объем трафика) мониторится оператором. Поэтому для каждой базовой станции у нас есть история нагрузки на нее. Значит, для каждой базовой станции мы можем составить временной ряд, где для момента в прошлом у нас будет известно значение нагрузки, и чисто теоретически, мы можем попробовать прогнозировать нагрузку наперед.

Какую выгоду мы можем получить от точного прогнозирования нагрузки?

  • Мы можем более эффективно планировать и распределять сетевые ресурсы в будущем, а значит, улучшать качество связи.

  • Сократить расходы на оптимизацию инфраструктуры и эксплуатацию оборудования.

  • Использовать полученные прогнозы в качестве признаков для других задач.

Почему бы не сделать авторегрессию на каждый временной ряд?

Давайте сперва обсудим причины из-за которых мы рассматриваем использование нейросетей в задачах прогнозирования временных рядов. Для этого рассмотрим некоторые недостатки классических методов прогнозирования, которые мы можем успешно компенсировать с помощью нейросетей:

  • Первым методом, который часто используется, является метод авторегрессии (AR). Его основная слабость заключается в том, что для каждого временного ряда приходится строить отдельную модель, и эти модели не учитывают информацию из других временных рядов.  

  • Также, мы можем извлечь из исследуемых временных рядов признаки и использовать для прогнозирования алгоритмы классического машинного обучения(например, градиентный бустинг). Однако, тогда мы сталкиваемся с тем, что качество предсказаний напрямую зависит от качества созданных нами признаков. Создание признаков может быть трудоемким и неочевидным процессом.

  • С вышеуказанными недостатками справляются рекуррентные нейронные сети — мы можем обучать их на многих временных рядах и нам не обязательно использовать дополнительные признаки.

Тем более, за последние годы появилось много архитектур способных эффективно решать задачу прогнозирования временных рядов, поэтому в любом случае будет полезно хотя бы знать об их существовании.

Конечно, если в вашем проекте удается достичь необходимой точности и классическими методами — это отлично, нейросети не нужны в каждой задаче)

DeepAR

Первая модель, которой мы коснемся — DeepAR (deep auto regression). Эта модель состоит из нескольких рекуррентных блоков(как правило используются ячейки LSTM или GRU). При этом, тип ячейки, размер скрытого слоя и количество рекуррентных ячеек — это настраиваемые гиперпараметры модели.

Модель называется авторегрессионной, потому что на каждом временном шаге мы передаем в ячейку не только значение скрытого слоя с предыдущего шага(как в обычных рекуррентных сетях), но и предыдущее значение временного ряда/прогноз с предыдущего шага (во время обучения/прогноза на тесте).

Вторая важная идея, на которой построена модель — мы учим ее предсказывать не действительное значение временного ряда, а параметры распределения значений временного ряда таким образом, чтобы максимизировать правдоподобие полученной выборки. В качестве прогноза мы берем среднее значение полученного распределения.

За счет того, что модель возвращает при прогнозе параметры распределения, мы можем осуществлять вероятностный прогноз — то есть возвращать интервалы, в которые с заданной точностью попадает будущее значение временного ряда. Такая возможность может быть очень полезной во многих задачах.

Стоит также отметить, что DeepAR позволяет использовать дополнительные признаки при прогнозировании и обучаться на многих временных рядах одновременно.

NBEATS

В отличие от DeepAR в данной архитектуре используются не рекуррентные слои, а полносвязные.

Сеть получает на вход временной ряд и пропускает его через несколько полносвязных слоев. Затем выход с последнего слоя направляется по двум путям: backcast (моделирует прошлые значения) и forecast (моделирует будущие значения). Эта часть называется блоком сети.

Теперь смотрим на картинку снизу, часть слева. Выход backcast (левая стрелка от блока) вычитается из входного вектора перед следующим блоком, а выход forecast прибавляется к вектору прогноза от предыдущего блока. Такая архитектура позволяет backcast отфильтровать только необходимую информацию из входных данных, а forecast скорректировать прогноз и уменьшить ошибку (сильно напоминает идею градиентного бустинга, не правда ли?). Такая последовательность блоков называется стеком. Выходы со всех стеков также суммируются, и мы получаем глобальный прогноз.

Такая архитектура имеет ряд преимуществ, а именно: быстрее обучается, поскольку нет рекуррентных блоков, а также обладает возможностью тонкой настройки путей backast и forecast, что позволяет достичь очень высокой точности прогнозирования.

У архитектуры NBEATS есть еще одно важное преимущество. Модель способна выделить тренд и сезонную компоненту из каждого исследуемого временного ряда, что повышает интерпретируемость прогнозов. Это особенно важно при непосредственном анализе временных рядов, чтобы заметить изменения в поведении трафика, возможно, обосновать их причины.

Практическая часть

Выбранный датасет

Чтобы практическая часть была воспроизводима и полезна, нам нужен репрезентативный датасет по нашей задаче. Такой существует — Telecom Italia BigDataChallenge. В нем представлены данные по нагрузке базовых станций за два месяца, при этом также доступны и дополнительные данные по потреблению электроэнергии, активности в социальных сетях и т.д. 

Данные представлены реальным телекоммуникационным оператором, и единственная операция, которая была произведена с ними, это масштабирование (чтобы не показывать реальные объемы потребления, каждое значение в датасете было умножено на коэффициент, который не указывается). Также, количество временных рядов, соответствующих трафику равняется 10000, что тоже довольно близко к реальным масштабам.

Чтобы получше понять данные, с которыми мы работаем, смотрите ноутбук с EDA.

Выбранный фреймворк

Для прогнозирования временных рядов сегодня существует много фреймворков, и, в большинстве случаев они содержат: классы и методы для подготовки временных рядов к обучению, EDA и реализованные архитектуры моделей.

Есть к примеру ETNA, GluonTS, DART. Рекомендую с ними ознакомиться!)

В рамках нашей практической части мы будем использовать библиотеку pytorch forecasting, она также содержит внутри все нужные нам модели и обладает достаточно гибким интерфейсом. Также, будет понятна всем, кто когда-либо сталкивался с pytorch.

Далее действие происходит в ноутбуках DeepAR и NBEATS. Можете начать с любого и потом перейти ко второму.

Этап 1. Подготовка данных

Как правило, временные ряды изначально представлены в виде таблиц, но для обучения сети обычный pandas DataFrame не подойдет.

Сейчас наши данные выглядят следующим образом:

square_id

time_idx

internet 

47

1

34.2

Для каждой базовой станции (обозначенной отдельным square_id) есть значения интернета для временных шагов от 1 до N, где N — длительность обучающей выборки, измеряемая в временных шагах (в нашем случае это часы).

А мы хотим получить из каждого временного ряда пары последовательностей длины T1 и T2, где T1 — это длина последовательности, которую сеть будет получать на вход, а T2 — это длина последовательности, которую мы хотим спрогнозировать. (Параметры T1 и T2 мы можем задать сами, или у нас может быть бизнес требование, что например прогнозировать меньше, чем на два дня вперед не имеет смысла.)

Подробнее про Т1 и Т2

Понятно, что при увеличении T1 мы даем модели больше информации, и это может положительно влиять на качество прогноза, но важно помнить, что это происходит не всегда. К примеру, если в прошлом произошло событие, которое сильно изменило поведение временного ряда, данные из прошлого могут быть лишь дополнительным шумом. Однако, увеличение T1 гарантированно увеличивает сложность модели, что несет в себе негативные последствия. Во-первых, увеличивается число параметров, и сеть обучается дольше, а во-вторых, увеличение числа параметров может привести к переобучению. 

Увеличение T2 в свою очередь может сильно повысить сложность решаемой задачи, поскольку неопределенность со временем увеличивается, а автокорреляция ряда падает.

Для обоих параметров нужно выбирать корректную длину временного шага. К примеру, если нужно прогнозировать временной ряд на неделю вперед, и мы делаем прогноз по часам, T2 = 24*7 = 168, что достаточно много, и при высокой дисперсии временного ряда будет сложной задачей. Если это возможно, лучше агрегировать значения по дням, и тогда мы получим задачу, где T2 = 7. Если в качестве агрегации использовать усреднение, то полученный временной ряд будет сильно менее шумен, и задача станет проще.

Чтобы подобрать оптимальные T1 и T2 можно использовать следующие лайфхаки:

  1. Посмотреть на полную и частную АКФ ряда, там мы увидим за какой промежуток времени наблюдается наибольшая взаимосвязь между прошлыми и будущими значениями ряда, и подобрать наилучшее T1 около полученного числа,

  2. В качестве T2 взять минимально возможную длину прогнозирования, удовлетворяющую бизнес требованиям.

Так как же нам перевести DataFrame в нужный формат?

Вышеупомянутые библиотеки позволяют упростить эту задачу, и сделать все буквально через один метод. Посмотрим на примере torch.forecasting. На основе нашей таблицы мы инициализировали класс TimeSeriesDataset и получили то, что нам нужно:

context_length = 60
prediction_length = 24

training = TimeSeriesDataSet(train,
                             time_idx="time_idx",
                             target="internet",
                             categorical_encoders={
                               "square_id": NaNLabelEncoder()...
                               group_ids=["square_id"],
                               static_categoricals=[ "square_id" ],
                               time_varying_unknown_reals=["internet"],
                               max_encoder_length=context_length,
                               max_prediction_length=prediction_length,
                               allow_missing_timesteps=False)

Но, как видно, указали еще много различных параметров, давайте разберем основное.

  • time_idx — колонка с индексом временного шага у каждого ряда,

  • target — колонка с переменной которую мы прогнозируем

  • group_ids — колонка, по которой мы отличим один ряд от другого, обязательный параметр в задаче, где у нас много временных рядов

  • context/prediction_length — наши T1 и T2.

Есть также дополнительные параметры, которые могут различаться в зависимости от решаемой задачи и используемой модели, все они описаны в документации.

Пользуясь объектом training можем создать датасет для валидации:

validation = TimeSeriesDataSet.from_dataset(training, 
                                            df,
                                            min_prediction_idx=train_cutoff + 1)

А потом в одну строчку и создать dataloader’ы :

batch_size = 128
train_dataloader = training.to_dataloader(train=True,
                                          batch_size=batch_size,
                                          num_workers=4,
                                          batch_sampler="synchronized"
                                         )
val_dataloader = validation.to_dataloader(train=False, 
                                          batch_size=batch_size, 
                                          num_workers=4,
                                          batch_sampler="synchronized")

Этап 2. Обучение модели

Прелесть класса TimeSeriesDataset состоит в том, что при его создании мы задали и часть параметров модели, и теперь сами сетки можно инициализировать с параметрами, указанными при создании датасета:

net = DeepAR.from_dataset(
  training,
  learning_rate=3e-2,
  hidden_size=40,
  rnn_layers=5,
  loss=MultivariateNormalDistributionLoss(rank=25),
  optimizer="Adam"
)
net = NBeats.from_dataset(
  training,
  learning_rate=1e-3,
  widths=[32, 512],
  backcast_loss_ratio=1.0,
)

Сейчас мы не указываем параметры, зависящие от входных данных, такие как context_length и prediction_length. Важно отметить, что доступные параметры для разных моделей различаются, и к примеру, подать датасет с категориальными фичами в NBEATS не получится, поэтому параметры с которыми мы инициализируем TimeSeriesDataset будут различаться.

Когда у нас есть модель и датасет, можно приступить к обучению. Поскольку библиотека не сильно отходит от обычного torch, можно написать стандартный цикл обучения, или же воспользоватся обертками для него, такими как Lightning(сами авторы torch forecasting рекомендуют его использовать):

logger = TensorBoardLogger('...', name="...")
early_stop_callback = EarlyStopping(monitor="val_loss"...)

trainer = pl.Trainer(max_epochs=50, accelerator="cpu",
  enable_model_summary=True,
  gradient_clip_val=0.1, callbacks=[early_stop_callback],
  limit_train_batches=200, limit_val_batches=100,
  enable_checkpointing=True,
  logger=logger)


trainer.fit(net,
train_dataloaders=train_dataloader,
val_dataloaders=subset_data_loader)

Lightning позволяет не писать  с нуля цикл обучения для модели, а воспользоваться для этого классом Trainer и также использовать tensorboard. Это удобный инструмент, который позволит посмотреть на то как менялись значения лоссов и метрик во время обучения на тренировочной и валидационной выборках.

Этап 3. Прогноз

Чтобы довести пайплайн до конца, нам нужно предусмотреть и как модель будет работать с реальными данными. Предположим, что мы получаем их в схожем с обучающей выборкой формате — эксель таблица со значениями трафика за последний context_length временных шагов.

Первое, что нам нужно сделать — это подготовить данные для создания TimeSeriesDataset. К сожалению, TimeSeriesDataset не позволяет создать датасет длины меньше, чем context_length + prediction length (то есть обязательно должна быть тестовая часть с ответами). Поэтому давайте добавим к нашим временным рядам prediction_length нулей:

test_df = df[df.time_idx > last_idx - context_length]
start_idx = test_df.time_idx.max() + 1
for square_id in test_df.square_id.unique():
data = []
for d in range(config['prediction_length']):
  data.append({"square_id": square_id,
  "time_idx": start_idx + d,
  "internet": 0})
data = pd.DataFrame(data)
test_df = pd.concat([test_df, data])

Теперь можем создать TimeSeriesDataSet, но важно сделать это через метод from_dataset, так как в датасете, который мы создавали для обучения, сохранена вся информация о правильном препроцессинге временных рядов (скейлинг, удаление тренда и т.д.)

infer_dataset = TimeSeriesDataSet.from_dataset(dataset,
test_df)
infer_loader = infer_dataset.to_dataloader(...)

Когда у нас есть dataloader с временными рядами для прогноза, нам нужно лишь сделать predict и привести данные к необходимому формату:

preds = net.predict(infer_loader, ...)
x, y = next(iter(infer_loader))
encoder = infer_dataset.categorical_encoders['square_id']
ids = encoder.inverse_transform(x['decoder_cat'])
time_steps = list(range(1, infer_dataset.max_prediction_length+1))
result = pd.DataFrame(columns=['square_id', 'internet', 'time_idx'])
for base in tqdm(range(test_df.square_id.nunique())):
  base_id = ids[base]
  forecast = pd.DataFrame(
  {'internet': preds[base].numpy().tolist(),
  'square_id': base_id.tolist(),
  'time_idx': time_steps})
  result = pd.concat([result, forecast], axis=0)
return result

Подводя итоги

Обе модели смогли показать качество сильно выше бейзлайна при прогнозировании нагрузки на базовые станции.

Про валидацию

Для оценки производительности разработанных моделей были проведены тренировка и валидация на отдельных наборах данных. Однако, стоит отметить, что данный туториал не включает использование кросс-валидации и других методов валидации, которые могли бы обеспечить более детальную и объективную оценку предложенных алгоритмов. Это решение было принято с целью сокращения объема туториала и упрощения его понимания для начинающих в области временных рядов.

(Если вы еще не открыли ноутбуки, переходите и смотрите результаты, там много красивых графиков) 

Рассуждая над тем, какую модель стоит использовать для своей задачи можно опираться на следующие их преимущества:

  • NBEATS обучается быстрее, позволяет интерпретировать прогнозы (что вполне может быть требованием от заказчика) и при отсутствии дополнительных признаков, вероятно будет точнее DeepAR.

  • В случае когда у вас есть дополнительные признаки, или же когда нужно не только спрогнозировать значения временного ряда, но и оценить вероятный диапазон их изменений — на помощь придет DeepAR.

А еще было бы очень интересно услышать о вашем опыте использования нейросетей при прогнозировании временных рядов! Какие архитектуры использовали, заняло ли это больше времени по сравнению с классическими подходами, и, главное, стоило ли того?)

Опубликовал(а)admin
Предыдущая запись
новаторское решение проблемы галлюцинаций ИИ / Хабр
Следующая запись
Изучаем Q#. Обучаем перцептрон / Хабр
Добавить комментарий
Ваш электронный адрес не будет опубликован. Обязательные поля помечены *