Glossario · approach
Previsione di Serie Storiche
Campo di modellazione statistica per prevedere valori futuri da osservazioni ordinate nel tempo; comprende ARIMA, ETS e modelli in spazio degli stati.
Time Series ForecastingAnalisi delle Serie StoricheMetodologia Box-Jenkins
La Previsione di Serie Storiche (Time Series Forecasting) è la disciplina statistica che produce stime puntuali e intervallari di valori futuri a partire da dati ordinati cronologicamente (domanda, prezzi, temperatura, traffico). Componenti chiave: trend (direzione di lungo periodo), stagionalità (ripetizione periodica), ciclo (oscillazione di lungo periodo) e residuo (rumore). La metodologia classica è stata formalizzata da Box e Jenkins (1970): test di stazionarietà (ADF, KPSS), differenziazione (d), analisi di autocorrelazione (ACF) e autocorrelazione parziale (PACF), identificazione di ARIMA (p,d,q) e SARIMA (P,D,Q,m), stima dei parametri e diagnostica dei residui. La famiglia in spazio degli stati (ETS — errore/trend/stagionalità) modella trend e stagionalità in una cornice flessibile; lo smoothing esponenziale triplo Holt-Winters è il precursore pratico. Varianti moderne: modelli strutturali di serie storiche, regressione dinamica (ARIMAX con input esogeni), serie storiche bayesiane, machine learning (gradient boosting, LSTM, Temporal Fusion Transformer). Hyndman e Khandakar (2008) hanno standardizzato la selezione automatica del modello. Per le previsioni gerarchiche (referenza-categoria-totale) i metodi di riconciliazione impongono coerenza tra i livelli.
Örnek
Un operatore e-commerce prevede il volume giornaliero di ordini con un modello SARIMA(1,1,1)(0,1,1)7 in cui m=7 cattura la stagionalità settimanale; il MAPE si stabilizza attorno all'8,4% e l'output guida la pianificazione di scorte e capacità di spedizione.