Журнал

Дайджест обновлений Silver Kit

28 апреля 2025
Обложка поста Дайджест обновлений Silver Kit
Библиотека компонентов Loginom Silver Kit обновилась до версии 3.1.6. В новой версии добавлены компоненты: Декомпозиция (аддитивная) и Декомпозиция (мультипликативная).

Обзор компонентов декомпозиции временного ряда

Назначение компонентов

Компонент Декомпозиция позволяет разделить временной ряд на три основные составляющие:

  • Тренд: долгосрочная тенденция изменения уровня ряда;
  • Сезонность: регулярные повторяющиеся колебания внутри фиксированного периода;
  • Остаток (шум): случайные флуктуации, не объясняемые трендом и сезонностью.

Эти компоненты позволяют выявить структуру временного ряда, проанализировать его поведение и построить прогнозы.

Типы моделей декомпозиции

Аддитивная модель

Аддитивная модель предполагает, что временные ряды формируются следующим образом:

Y(t) = T(t) + S(t) + R(t).

где:

  • T(t)— компонент тренда;

  • S(t)— компонент сезонности;

  • R(t)— остаточный шум.

Данный подход эффективен, когда амплитуда колебаний остается примерно постоянной вне зависимости от уровня самого временного ряда.

Мультипликативная модель

Мультипликативная модель описывает временные ряды следующим образом:

Y(t)=T(t) ⋅ S(t) ⋅ R(t).

Данный подход эффективен, когда амплитуда колебаний зависима от уровня временного ряда.

Особенности реализации

Обе модели имеют схожую архитектуру и интерфейс: одинаковые входные и выходные порты, настраиваемые параметры. Их отличия заключаются только в внутренней реализации алгоритмов расчёта: одна модель использует аддитивный подход, другая — мультипликативный. Выбор подходящей модели (аддитивной или мультипликативной) должен осуществляться пользователем самостоятельно исходя из характеристик исходных данных.

Отчет "Декомпозиция"

Отчёт наглядно иллюстрирует результаты разделения временного ряда на отдельные компоненты: тренд, сезонность и остаточные значения. На графиках представлены указанные компоненты, что даёт возможность подробно оценить их индивидуальный вклад в общую динамику временного ряда.

Таким образом, предоставляя доступ к детальному изучению внутренней структуры временных рядов, отчёт помогает аналитикам принимать обоснованные решения по выбору методов дальнейшего анализа и построения прогнозных моделей.

Обложка поста Дайджест обновлений Python Kits

Дайджест обновлений Python Kits

Представляем обновление нашей библиотеки компонентов Python Kits (релиз 3.2.2). В новой версии добавлены компоненты для работы с фреймворком для MLOps ClearML, а также внесен ряд улучшений.
Артём Гусев
26 февраля 2025
Обложка поста Дайджест обновлений JSON Kit

Дайджест обновлений JSON Kit

Библиотека компонентов Loginom JSON Kit обновилась до версии 1.1.0. В нее добавлен компонент Парсинг JSON+, работающий на базе популярной библиотеки JMESPath. Этот компонент расширяет возможности работы с JSON-данными, обеспечивая более гибкие и эффективные способы извлечения и обработки информации.
Артём Гусев
16 января 2025
Обложка поста Дайджест обновлений Python Kits

Дайджест обновлений Python Kits

Представляем обновление библиотеки компонентов Python Kits (релиз 3.2.1) . В нем мы сосредоточились на поддержке виртуальных окружений, новых компонентах для формирования HTML и отправки писем, а также провели оптимизацию существующих компонентов.
Артём Гусев
12 декабря 2024