Учёт сезонности (Seasonality Accounting)
Учёт сезонности — это включение в модели машинного обучения и нейронных сетей факторов, отражающих периодические, повторяющиеся во времени закономерности в данных, чтобы повысить точность прогнозов.
В задачах прогнозирования (спроса, продаж, нагрузки на сервисы, потребления ресурсов и т. п.) данные часто демонстрируют цикличность: например, продажи мороженого выше летом, а спрос на отопление — зимой; трафик на онлайн‑магазины возрастает перед праздниками. Если модель не «знает» о таких циклах, она будет систематически ошибаться — недооценивать или переоценивать целевые показатели в определённые периоды. Учёт сезонности позволяет модели корректно интерпретировать временные паттерны и давать более надёжные предсказания.
Аналогия
Представьте, что вы планируете закупки продуктов для кафе. Если вы игнорируете то, что летом гости чаще берут холодные напитки и салаты, а зимой — супы и горячие блюда, вы либо недозакупите востребованное, либо накопите излишки. Учёт сезонности в ML — это как вести календарь сезонных предпочтений и подстраивать закупки под него: модель «запоминает» циклические тренды и учитывает их при расчётах.
Исторический контекст
Идея учёта периодических закономерностей восходит к классической статистике и эконометрике (модели ARIMA, сезонные декомпозиции). В контексте нейронных сетей активный интерес к сезонности вырос с развитием рекуррентных сетей (RNN, LSTM) и трансформеров, способных улавливать длинные временные зависимости. Важную роль сыграли прикладные задачи: прогнозирование энергопотребления, пассажиропотока, онлайн‑трафика, где сезонные эффекты очевидны и значимы. Современные архитектуры (например, Temporal Fusion Transformer, N‑BEATS) явно включают механизмы для моделирования сезонности — от встроенных тригонометрических признаков до специализированных блоков внимания по временным циклам.
Смежные понятия
- Тренд — долгосрочное направление изменения ряда (рост/падение), в отличие от сезонности, которая описывает краткосрочные повторяющиеся колебания.
- Шумы/аномалии — случайные или единичные отклонения, которые не образуют регулярного цикла и обычно фильтруются, а не моделируются как сезонность.
- Цикличность — более общее понятие, может включать нестрого периодические паттерны (например, экономические циклы); сезонность подразумевает жёсткую привязку к календарным периодам (день, неделя, месяц, год).
Примеры использования
- В прогнозировании продаж ритейлера модель включает признаки типа «день недели», «месяц», «праздничный флаг» или тригонометрические функции времени (синус/косинус для кодирования цикличности).
- В энергосетях LSTM‑модель учитывает суточную и годовую сезонность потребления, добавляя соответствующие временные эмбеддинги.
- Архитектура N‑BEATS использует специализированные блоки для разложения ряда на тренд и сезонность, обучая отдельные подсети для каждого компонента.
- В прогнозировании трафика веб‑сервисов применяют модели с вниманием по временным шкалам (например, Temporal Fusion Transformer), где механизм внимания явно выделяет сезонные паттерны (пики в рабочие часы, спады ночью).