Forecasting — tarixiy vaqt qatori va tashqi omillar asosida kelajakdagi qiymat, talab, hodisa yoki intervalni bashorat qilish jarayoni. U savdo, trafik, energiya, moliya, ob-havo, server yuklamasi va resurs rejalashtirishda ishlatiladi.
Forecasting oddiy regressiondan vaqt tartibi, trend, seasonality va future leakagega nisbatan qat’iy talablar bilan farq qiladi.
Time series
Vaqt qatori ketma-ket timestamp va qiymatlardan iborat:
2026-07-01 → 120
2026-07-02 → 135
2026-07-03 → 128
Interval soatlik, kunlik, haftalik yoki irregular bo‘lishi mumkin.
Model sampling frequency’ni bilishi kerak.
Forecast horizon
Kelajakda qancha oldinga bashorat qilish horizon deyiladi.
Masalan:
- keyingi soat;
- 7 kun;
- 12 oy.
Horizon uzaygani sari uncertainty odatda oshadi.
Qisqa va uzoq horizon uchun boshqa model ishlatilishi mumkin.
Trend
Vaqt davomida umumiy o‘sish yoki pasayish.
Linear, nonlinear yoki bosqichli trend bo‘lishi mumkin.
Trend doim davom etadi deb taxmin qilish xavfli.
Market va product o‘zgarishi structural break yaratadi.
Seasonality
Ma’lum davr bilan takrorlanadigan pattern:
- kunlik;
- haftalik;
- oylik;
- yillik;
- bayram.
Bir qator bir nechta seasonalityga ega bo‘lishi mumkin.
Soatlik trafikda kun va hafta patterni birga uchraydi.
Cyclic pattern
Seasonality fixed kalendar davriga ega.
Cycle esa iqtisodiy yoki business davri bo‘lib, uzunligi qat’iy emas.
Ularni bir tushuncha deb qabul qilish noto‘g‘ri.
Forecast model trend va cycle’ni alohida ko‘rishi mumkin.
Lag feature
Oldingi qiymatlar feature sifatida ishlatiladi:
y(t-1)
y(t-7)
y(t-30)
Lag tanlash sampling va seasonalityga bog‘liq.
Future qiymat tasodifan featurega tushmasligi kerak.
Rolling feature
Vaqt windowidagi statistikalar:
- rolling mean;
- sum;
- max;
- standard deviation;
- trend.
Feature faqat forecast vaqtigacha mavjud data’dan hisoblanadi.
Centered rolling future leakage yaratadi.
Exogenous variable
Targetdan tashqari tashqi omillar:
- narx;
- reklama;
- bayram;
- ob-havo;
- iqtisodiy indikator;
- inventory.
Kelajakda bu feature qiymati mavjud bo‘lishi yoki o‘zi forecast qilinishi kerak.
Naive baseline
Oddiy baseline:
- oxirgi qiymat;
- kechagi qiymat;
- o‘tgan haftadagi ayni kun;
- historical mean.
Murakkab model baseline’dan yaxshiroq bo‘lmasa production qiymati shubhali.
Seasonal naive ko‘p business qatorlarda kuchli.
Moving average
Oxirgi qiymatlar o‘rtachasi noise’ni kamaytiradi.
Window katta bo‘lsa trendga sekin javob beradi.
Moving average o‘zi oddiy forecast va smoothing usuli.
Outlier natijani siljitishi mumkin.
Exponential smoothing
Yangi observationlarga ko‘proq weight beradi.
Level, trend va seasonality komponentlariga ega variantlar mavjud.
Kichik dataset va tushunarli business qatorlarda kuchli baseline.
Parameterlar likelihood yoki error bilan o‘rganiladi.
ARIMA
Autoregressive, differencing va moving-average komponentlarini birlashtiradi.
Stationaryga yaqin qatorlarda ishlatiladi.
Seasonal variant SARIMA.
Parameter order ACF, PACF va validation yordamida tanlanadi.
Machine-learning model
Tree va neural model lag, rolling va external featurelardan foydalanadi.
Bir nechta series bir modelda o‘qitilishi mumkin.
Entity ID embedding yoki category feature bilan beriladi.
Time split va backtesting zarur.
Deep forecasting
RNN, Transformer va temporal neural architecture uzoq dependency hamda ko‘p seriesni o‘rganishi mumkin.
Katta dataset va compute talab qiladi.
Murakkab model naive baseline’dan har doim ustun emas.
Direct va recursive
Multi-step forecast:
- recursive — oldingi prediction keyingi inputga kiradi;
- direct — har horizon uchun alohida output;
- multi-output — barcha horizon bir vaqtda.
Recursive usulda xatolar yig‘ilishi mumkin.
Direct model ko‘proq parameter talab qiladi.
Prediction interval
Faqat point forecast yetarli emas.
Interval:
kelajak qiymat ma’lum ehtimol bilan shu oraliqda
degan signal beradi.
Uncertainty horizon bilan kengayishi mumkin.
Quantile regression va probabilistic model ishlatiladi.
Backtesting
Model tarixning ma’lum nuqtasida train qilinib, keyingi davrda tekshiriladi.
Rolling yoki expanding window bir necha cutoff bo‘yicha takrorlanadi.
Bu real production jarayoniga yaqin baho beradi.
Random split time series uchun mos emas.
Metric
Keng metriclar:
- MAE;
- RMSE;
- MAPE;
- sMAPE;
- WAPE;
- MASE;
- quantile loss.
MAPE target nolga yaqin bo‘lsa beqaror.
Business cost positive va negative xatoda bir xil bo‘lmasligi mumkin.
Concept drift
Customer behavior, iqtisod, product va policy o‘zgaradi.
Tarixiy pattern yangi davrda ishlamasligi mumkin.
Model va featurelar muntazam qayta o‘qitiladi.
Drift, residual va forecast bias monitoring qilinadi.
Hierarchical forecast
Demand product, kategoriya, region va umumiy darajada mavjud bo‘lishi mumkin. Pastki qatorlar yig‘indisi yuqori forecastga teng bo‘lishi kerak. Reconciliation mustaqil predictionlarni coherent holatga keltiradi.
Missing timestamp
Time series’da ayrim interval yo‘q bo‘lsa u nol qiymatmi yoki data kelmaganmi, farqlanadi. To‘liq calendar index yaratiladi va missing indicator saqlanadi. Interpolation kelajak ma’lumotidan foydalanmasligi kerak.
Forecast bias
Predictionlar muntazam ravishda past yoki yuqori bo‘lsa bias mavjud. O‘rtacha residual, region va horizon bo‘yicha kuzatiladi. Inventory tizimida past forecast stockout, yuqori forecast esa ortiqcha zaxira yaratadi.
Retraining cadence
Model har yangi observationda yoki belgilangan jadval bo‘yicha qayta o‘qitiladi. Cadence data tezligi, drift va training xarajatiga mos tanlanadi.
Bog‘liq tushunchalar
Forecasting, Time series, Forecast horizon, Trend, Seasonality, Lag feature, Exponential smoothing, ARIMA, Backtesting, Prediction interval