Dažādu faktoru ietekme laikrindu prognozēšanā

Abstract

Bakalaura darba mērķis ir izpētīt, kāda veida faktori visvairāk ietekmē laikrindu datus, kādās komponentēs tie sadalās, un aprakstīt pieeju, kā pilnīgi analizēt laikrindas un prognozēt nākotnes rādītājus, balstoties uz vēsturisko datu uzvedību. Balstoties uz aprakstīto pieeju, tika trenēti un salīdzināti savā starpā prognozēšanas modeļi, izmantojot slīdošā vidējā, eksponenciālas izlīdzināšanas un ARIMA metodes. Laikrindu analīzei un modeļu trenēšanai tika izvēlēti dati par elektrības pārdošanas cenām ASV štatos, kuros pastāv maiņas punkts. Vēsturiskie mēneša dati ir izgūti caur ASV Enerģētikas informācijas pārvaldes API. Datu apstrāde un modeļa trenēšana ir realizētas Python programmēšanas valodā.

The goal of this study is to research which factors have the most impact on time series data, what components can the data be divided to, and to describe the approach of meaningful analysis of time series and forecasting future data based on historic behavior. Based on the described approach, time series models using rolling mean, exponential smoothing and ARIMA methods were trained and compared to each other. For time series analysis and model training, data about electricity retail prices across USA states with an observed change in pattern has been selected. Historical monthly data was gathered using U.S. Energy Information Administration API. Data analysis and model training are implemented using Python programming language.