Прогнозирование спроса на такси: временные ряды, лаги и CatBoost

Контекст и цель

В этом проекте я решал задачу прогнозирования количества заказов такси на следующий час по историческим данным. Формально это регрессия, но по сути — классическая работа с временным рядом.

Репозиторий с ноутбуком проекта:

Постановка задачи

Дано: история заказов с временной меткой.

Нужно: предсказать num_orders на следующий час.

Метрика качества: RMSE (чем меньше — тем лучше).

Данные и предобработка

1) Приведение временной шкалы

Первое, что я сделал в задаче:

• приводим столбец времени к datetime
• устанавливаем его индексом
• приводим ряд к равномерной сетке (например, почасовой)

1
2
3
4
5
6
7

# df: исходные данные с временем и num_orders

df["datetime"] = pd.to_datetime(df["datetime"])
df = df.set_index("datetime").sort_index()

# приводим к почасовой частоте
hourly = df.resample("1H").sum()

2) Анализ ряда (EDA)

На этапе EDA необходимо проверить:

• тренд и сезонности (суточная/недельная)
• выбросы и аномальные пики
• стабильность дисперсии

Подготовка признаков: как превратить ряд в табличные данные

Большинство моделей градиентного бустинга (CatBoost/LightGBM/XGBoost) ожидают табличные признаки. Поэтому временной ряд нужно «развернуть» в supervised-формат.

Я использовал два основных семейства признаков:

1. Лаги — значения ряда в прошлом (t-1, t-2, …)
2. Скользящие статистики — например, rolling mean

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17

def make_features(data: pd.DataFrame, max_lag: int, rolling_window: int) -> pd.DataFrame:
    df_feat = data.copy()

    # календарные признаки
    df_feat["hour"] = df_feat.index.hour
    df_feat["dayofweek"] = df_feat.index.dayofweek

    # лаги
    for lag in range(1, max_lag + 1):
        df_feat[f"lag_{lag}"] = df_feat["num_orders"].shift(lag)

    # скользящее среднее (сдвигаем, чтобы не подглядывать в текущий час)
    df_feat["rolling_mean"] = (
        df_feat["num_orders"].shift(1).rolling(rolling_window).mean()
    )

    return df_feat

После генерации признаков неизбежно появляются NaN в начале ряда (из-за лагов и окна). Их нужно удалить:

1
2

features = make_features(hourly, max_lag=24, rolling_window=24)
features = features.dropna()

Разделение train/valid/test без утечки

Правильный подход — последнюю часть ряда оставить под тест, а до неё — обучаться и валидироваться.

Обучение моделей и сравнение

Я сравнивал несколько базовых подходов:

• простая baseline-модель
• линейная регрессия (как sanity check)
• бустинги: LightGBM / CatBoost

Почему бустинг — сильный кандидат:

• хорошо работает на табличных данных
• «переваривает» много лаговых признаков
• умеет моделировать нелинейности и взаимодействия (час × день недели × лаги)

1
2
3
4
5
6

from sklearn.metrics import mean_squared_error

model.fit(X_train, y_train)
pred = model.predict(X_valid)
rmse = mean_squared_error(y_valid, pred, squared=False)
print("RMSE:", rmse)

Что важно в результате (и что я вынес)

1. Временной порядок важнее всего. Ошибка в разбиении или в rolling легко даст нереалистично хорошую метрику.
2. Фичи решают. В задачах прогнозирования на 1 шаг вперёд лаги + rolling часто дают большой прирост.
3. Календарные признаки — must-have. Без hour и dayofweek модель хуже ловит сезонность.
4. Baseline обязателен. Он защищает от ситуации «сложная модель хуже, чем простое правило».