Расскажите про опыт работы с временными рядами и используемые модели

Что проверяют

Отличаете ли вы задачу с временем от обычной регрессии. Главный признак уровня в ответе: понимаете ли вы, что такие данные нельзя перемешивать, и можете ли назвать бейзлайн, с которым сравнивали модель.

Как отвечать

Разложите на этапы:

• разведка: тренд, сезонность (часто несколько периодов сразу), выбросы, пропуски, календарь праздников. Стационарность проверяют тестами, например расширенным тестом Дики-Фуллера, и лечат разностями или логарифмом;
• признаки: лаги, скользящие статистики, календарные признаки. Всё считается только по прошлому относительно точки прогноза;
• модели. Сезонно-наивный прогноз как бейзлайн, дальше ETS и Holt-Winters, ARIMA и SARIMA, SARIMAX при внешних регрессорах, Prophet для рядов с праздниками и пропусками, градиентный бустинг на лаговых признаках, когда рядов много, рекуррентные сети только при действительно больших данных;
• валидация только вперёд: скользящее или расширяющееся окно, разбиение по дате, горизонт совпадает с прикладным;
• метрики: MAE, RMSE, MASE, sMAPE. Выбор объясняйте задачей, а не привычкой.

Скажите, сколько рядов и какой гранулярности были, прогноз точечный или интервальный, и как модель переобучалась в продакшене.

Где спотыкаются

Перемешивают выборку и считают признаки сразу по всей истории. Нормировка или заполнение пропусков средним по всему ряду заносит будущее в обучение, и офлайн-качество получается красивым, а в бою модель проседает.

Второе: берут MAPE по привычке. На нулях он не определён, на малых значениях взрывается, и метрика начинает описывать несколько ночных часов вместо рабочего дня. MASE и MAE ведут себя предсказуемее.

Третье: не называют бейзлайн. Без сравнения с наивным и сезонно-наивным прогнозом непонятно, есть ли от модели польза, а говорить про «точность прогноза» в долях вообще некорректно: это регрессия, а не классификация, и там другие метрики.