Login

Sto lavorando a un progetto di analisi di serie temporali sui dati di vendita della mia azienda e mi sono imbattuto in un problema che mi sta facendo perdere un po’ di tempo. Ho pulito il dataset e applicato un modello ARIMA di base, ma quando provo a valutare le prestazioni su un orizzonte di più passi avanti, le previsioni sembrano “appiattirsi” troppo in fretta e perdono completamente la dinamicità dei dati reali. Ho letto che per scenari del genere potrebbe essere utile esplorare l’idea di ensemble forecasting, ma non sono sicuro se sia la strada giusta o se forse il problema sia nella mia feature engineering. Qualcuno ha avuto un’esperienza simile con dati che hanno una forte componente stagionale e dei picchi irregolari?

Mi sembra che ensemble forecasting potrebbe aiutare a catturare dinamiche diverse ma se il modello ARIMA resta basico senza una buona feature engineering che venga a capo di stagionalità e picchi l effetto sull orizzonte lungo resta limitato

Mi sta sul cuore la sensazione di veder le previsioni palesemente piatte dopo pochi passi avanti, come se il modello si fosse fermato per una pausa non prevista

Qualcuno mi ha detto che basta aggiungere una rete neurale leggera o un modello di decomposizione per superare il problema ma in realtà potrebbe essere che la feature di picchi non venga gestita bene

Non sono convinto che cambiare modello sia la risposta e continuo a pensare che sia una questione di come si valuta l orizzonte

Potrebbe essere utile riformulare la domanda chiedendosi cosa significa davvero valutarne la perdita lungo più passi e quali metriche rivelano la dinamica invece di puntare al minimo errore

Potrebbe valere l idea di considerare forecast probabilistici o regime switching per catturare stagionalità forte e picchi irregolari senza forzare un unico punto di previsione

Login
Nome utente:
Password:	Password dimenticata?
	Ricordami