সময়ের সাথে পরিবর্তনশীল ডেটার পূর্বাভাস।
Forecasting data that changes over time.
Decompose, test stationarity, forecast
statsmodels, Prophet
Rainfall/temperature forecast for Dhaka
💡 পূর্বাভাসের আগে সিরিজের কাঠামো বোঝা জরুরি।
💡 ARIMA-র মতো মডেল স্থির পরিসংখ্যানিক বৈশিষ্ট্য ধরে নেয়।
💡 নয়েজ সরিয়ে প্রবণতা দেখা এবং সহজ কিন্তু শক্তিশালী পূর্বাভাস।
💡 ক্লাসিক পরিসংখ্যানিক পূর্বাভাস মডেল—অর্থনীতি ও জনস্বাস্থ্যে মানদণ্ড।
💡 ব্যবসা ও জনস্বাস্থ্য ডেটায় কম টিউনিংয়ে দ্রুত যুক্তিসঙ্গত পূর্বাভাস।
💡 বহু ভেরিয়েবল ও জটিল অরৈখিক সময়-নির্ভরতা ধরতে ডিপ লার্নিং।
import numpy as np, pandas as pd, matplotlib.pyplot as plt
idx=pd.date_range("2022-01-01",periods=36,freq="MS"); t=np.arange(36)
temp=pd.Series(26+0.05*t+5*np.sin(2*np.pi*t/12)+np.random.default_rng(0).normal(0,.6,36),idx)
roll=temp.rolling(12).mean(); diff=temp.diff()
print(temp.head()); print("Seasonal lag-12 autocorrelation:",round(temp.autocorr(12),3))
temp.plot(label="monthly temp"); roll.plot(label="12-mo rolling mean"); plt.legend(); plt.title("Trend + seasonality"); plt.show()1. স্টেশনারিটি যাচাইয়ের টেস্ট?
2. ARIMA-র 'I' মানে?