पहले आपको यह ध्यान देने की आवश्यकता है कि आयरिशस्टैट द्वारा उल्लिखित दृष्टिकोण एआरआईएमए मॉडल के लिए विशिष्ट है, न कि मॉडल के किसी सामान्य सेट के लिए।
अपने मुख्य प्रश्न का उत्तर देने के लिए "क्या समय श्रृंखला पूर्वानुमान को स्वचालित करना संभव है?":
हाँ यही है। पूर्वानुमान के पूर्वानुमान के मेरे क्षेत्र में, अधिकांश वाणिज्यिक पूर्वानुमान पैकेज ऐसा करते हैं। कई खुले स्रोत पैकेज ऐसा करते हैं, विशेष रूप से रोब हंडमैन के ऑटो.रिमा () (स्वचालित एआरआईएमए पूर्वानुमान) और ईटीएस () (स्वचालित घातीय चौरसाई पूर्वानुमान) आर में खुले स्रोत पूर्वानुमान पैकेज से कार्य इन दो कार्यों के विवरण पर यहां देखें। । ऑटो पिरामिड का पायथन कार्यान्वयन भी है जिसे पिरामिड कहा जाता है , हालांकि मेरे अनुभव में यह आर संकुल के रूप में परिपक्व नहीं है।
दोनों वाणिज्यिक उत्पाद जिनका मैंने उल्लेख किया है और खुले स्रोत पैकेजों का मैंने उल्लेख किया है, सर्वोत्तम पूर्वानुमान चुनने के लिए सूचना मानदंड का उपयोग करने के विचार के आधार पर काम करते हैं: आप मॉडल का एक गुच्छा फिट करते हैं, और फिर सबसे कम एआईसी, बीआईसी, एआईसीसी, के साथ मॉडल का चयन करते हैं, आदि .... (आमतौर पर यह नमूना सत्यापन के बदले में किया जाता है)।
हालांकि एक प्रमुख चेतावनी है: ये सभी विधियाँ मॉडलों के एकल परिवार के भीतर काम करती हैं। वे ARIMA मॉडल के सेट के बीच सबसे अच्छा संभव मॉडल चुनते हैं, या घातीय चौरसाई मॉडल के सेट के बीच सबसे अच्छा संभव मॉडल।
यदि आप मॉडल के विभिन्न परिवारों में से चुनना चाहते हैं तो ऐसा करना अधिक चुनौतीपूर्ण है, उदाहरण के लिए यदि आप ARIMA, एक्सपोनेंशियल स्मूथिंग और थीटा पद्धति से सर्वश्रेष्ठ मॉडल चुनना चाहते हैं। सिद्धांत रूप में, आप एक ही तरीके से ऐसा कर सकते हैं कि आप मॉडल के एकल परिवार के भीतर करते हैं, अर्थात सूचना मानदंड का उपयोग करके। हालांकि व्यवहार में, आपको एआईसी या बीआईसी की गणना उसी तरह से करनी चाहिए, जिस तरह से सभी मॉडलों पर विचार किया जाता है, और यह एक महत्वपूर्ण चुनौती है। सूचना मापदंड के बजाय समय श्रृंखला क्रॉस-सत्यापन , या नमूना सत्यापन से बाहर का उपयोग करना बेहतर हो सकता है, लेकिन यह अधिक कम्प्यूटेशनल रूप से गहन (और कोड के लिए थकाऊ) होगा।
फेसबुक का पैगंबर पैकेज सामान्य एडिटिव मॉडल के आधार पर पूर्वानुमान पीढ़ी को स्वचालित करता है विवरण के लिए यहां देखें । हालाँकि पैगंबर केवल एक ही मॉडल फिट बैठता है, कई मापदंडों के साथ एक बहुत ही लचीला मॉडल। पैगंबर की निहित धारणा यह है कि एक GAM "उन सभी पर शासन करने वाला एक मॉडल है", जो सैद्धांतिक रूप से उचित नहीं हो सकता है लेकिन वास्तविक दुनिया के परिदृश्यों के लिए बहुत व्यावहारिक और उपयोगी है।
एक और चेतावनी जो उपर्युक्त सभी विधियों पर लागू होती है: संभवतः आप स्वचालित समय श्रृंखला पूर्वानुमान करना चाहते हैं क्योंकि आप कई बार श्रृंखला का पूर्वानुमान करना चाहते हैं, बहुत अधिक मैन्युअल रूप से विश्लेषण करने के लिए। अन्यथा आप केवल अपने स्वयं के प्रयोग कर सकते हैं और अपने दम पर सबसे अच्छा मॉडल ढूंढ सकते हैं। आपको यह ध्यान रखने की आवश्यकता है कि एक स्वचालित पूर्वानुमान दृष्टिकोण कभी भी प्रत्येक और हर बार श्रृंखला के लिए सबसे अच्छा मॉडल खोजने वाला नहीं है - यह सभी समय श्रृंखला में औसतन एक अच्छा मॉडल देने जा रहा है, लेकिन यह अभी भी संभव है कि कुछ उन समय श्रृंखला में स्वचालित पद्धति द्वारा चुने गए लोगों की तुलना में बेहतर मॉडल होंगे। इस पोस्ट को देखेंइसके उदाहरण के लिए। इसे सीधे शब्दों में कहें, अगर आप स्वचालित पूर्वानुमान के साथ जाने वाले हैं - तो आपको हर बार श्रृंखला के लिए सर्वोत्तम संभव पूर्वानुमानों के बजाय "अच्छे पर्याप्त" पूर्वानुमानों को सहन करना होगा।