Zaman Serisi Analizi: 2024 Yılında Zaman İçinde Eğilimleri ve Kalıpları Takip Etmek

Zaman Serisi Analizi, finans, sağlık ve enerji sektörlerinde kullanılan önemli bir istatistiksel yöntemdir. Geçmiş verilere bakarak gelecekteki değerleri tahmin etmeye yardımcı olur. Nesnelerin İnterneti'nin (IoT) yükselişiyle birlikte 2024 yılında her zamankinden daha önemli hale gelmiştir. Milyarlarca cihaz çok miktarda bilgi gönderiyor¹^.

Bu yöntem, işletmelerin satış modellerini anlamalarına ve enerji şirketlerinin insanların ne kadar şey kullandığına bakarak daha iyi planlama yapmalarına yardımcı olur¹ ^{. Ayrıca finans firmalarının ve sağlık sistemlerinin daha iyi kararlar almasına da} yardımcı olur¹ . 2024 için zaman serisi analizinin temellerine , tekniklerine ve yeni trendlerine bakacağız. Ayrıca kullanılan farklı veri türlerini de ele alacağız²^.

Önemli Noktalar

• Zaman serisi analizi çeşitli sektörlerde gelecekteki sonuçları tahmin etmek için çok önemlidir.
• Zaman serisi verilerinin özelliklerini anlamak, karar verme yeteneklerini geliştirir.
• akım eğilimler veri analitiğini etkileyen IoT cihazlarının artan entegrasyonunu gösteriyor.
• ARIMA gibi geleceğe yönelik tahmin modelleri, doğru tahminler için hayati öneme sahiptir.
• Veri madenciliği teknikleri analiz sürecini önemli ölçüde geliştirebilir.
• Gibi kalıpları tanıma mevsimsellik İşletmelere stratejik planlama konusunda yardımcı olur.

Zaman Serisi Analizi Nedir?

Zaman serisi analizinin ne olduğuna ve neden önemli olduğuna bakacağız. Ayrıca sıklıkla gördüğümüz farklı zaman serisi verilerini de ele alacağız.

Tanım ve Önem

Zaman serisi analizinin tanımı, verilerin zaman içinde incelenmesiyle ilgilidir. Trendleri ve kalıpları belirlememize yardımcı olur . Bu yöntem, finans, ekonomi, hava durumu ve sağlık hizmetleri gibi alanlarda çok önemlidir. Şirketlerin geçmiş verilerle akıllı kararlar almasını sağlar.

İşletmeler, trendleri tahmin etmek ve hızla değişen piyasalarda önde kalmak için bunu kullanıyor. Bu , zaman serisi analizinin ne kadar hayati önem taşıdığını gösteriyor. İnsanlara akıllı kararlar almak için ihtiyaç duydukları içgörüleri sağlıyor³^.

Zaman Serisi Veri Türleri

Zaman serisi verilerini iki ana türe ayırıyoruz :

• Düzenli aralıklarla: Aylık satışlar veya günlük hava durumu gibi belirli zamanlarda toplanan veriler.
• Düzensiz Aralıklar: Web sitesi ziyaretleri veya işlemler gibi rastgele zamanlarda toplanan veriler.

Bu türleri bilmek , doğru analiz yöntemlerini seçmek için çok önemlidir. Her türün kendine özgü zorlukları ve analiz yöntemleri vardır. Örneğin, ARIMA modelleri durağan verilerle en iyi sonucu verir⁴^.

Zaman serisi verilerini anlamak, gelişmiş analizleri daha iyi kullanmamıza yardımcı olur. Bu bilgi, farklı alanlardaki büyük kalıpları tahmin etmek ve anlamak için çok önemlidir ^{3 4}.

Zaman Serisi Verilerinin Bileşenleri

Zaman serisi verilerini anlamak, iyi analiz ve tahmin için çok önemlidir. Bu, trendleri, mevsimselliği ve gürültüyü içerir . Her bir unsur, veri kalıplarını anlamlandırmak ve geleceği tahmin etmek için önemlidir.

Trendler

Eğilimler , verilerin zaman içinde yukarı mı, aşağı mı gittiğini yoksa aynı mı kaldığını gösteren ana yönü ortaya koyar. Bu eğilimleri bilmek, verilerdeki uzun vadeli değişiklikleri anlamamıza yardımcı olur. Bu da bize bundan sonra ne olabileceğine dair ipuçları verir⁵^.

Örneğin perakende satışların her çeyrekte arttığını görmek olumlu bir trend gösterebilir. Bu, stratejileri planlamak için faydalıdır.

Mevsimsellik

Mevsimsellik, verilerin yılın belirli zamanlarında düzenli kalıplarda değişmesi anlamına gelir. Bu kalıplar, tatillerde daha fazla satış veya ^kışın daha yüksek enerji kullanımı gibi şeylerde görülebilir⁶ . Bu kalıpları bilmek, işletmelerin yıl boyunca daha iyi planlama yapmasına yardımcı olur.

Gürültü

Gürültü, ana trendlerin veya mevsimselliğin bir parçası olmayan, verilerdeki rastgele iniş çıkışlardır. Genellikle kontrolümüz dışında olan şeylerden veya veri ölçümündeki hatalardan kaynaklanır⁵ ^. Gürültüyü ortadan kaldırmak, gerçek verileri daha iyi görmemize yardımcı olur. Bu da tahminlerimizi ve kararlarımızı daha doğru hale getirir.

Zaman Serisi Analizi: 2024 Yılında Zaman İçinde Eğilimleri ve Kalıpları Takip Etmek

2024'te zaman serisi analizi her zamankinden daha önemli. Şirketler bir adım önde olabilmek için gerçek zamanlı verileri kullanıyor. Bu yöntem, karmaşık verileri anlayarak akıllı seçimler yapmalarına yardımcı olur.

Neden Şimdi Önemli?

Günümüzde zaman serisi analizi, finans, sağlık ve kaynak yönetimi gibi alanlarda çok önemlidir. Geçmiş verilere bakarak geleceği tahmin etmeye yardımcı olur. Verileri zaman içinde göstererek, eğilimleri ve değişiklikleri kolayca tespit edebiliriz . ⁷

Trendler ve mevsimsellik gibi şeyler tahminleri çok etkiler. Bunları bilmek şirketlerin daha iyi çalışmasına ve daha fazla para kazanmasına yardımcı olur.

Analizde Yükselen Eğilimler

Tahmine dayalı analitik, operasyonların iyileştirilmesinde büyük önem taşıyor. Yeni araçlar verilerin toplanmasını ve işlenmesini kolaylaştırıyor. Bu, zaman serisi analizini 2024'te daha da kullanışlı hale getiriyor.

^{Yapay zeka ve makine öğrenimi, büyük veri kümelerini daha iyi kullanmamıza yardımcı oluyor. Bunu Federal Rezerv ve Kaggle 6} gibi yerlerden gelen verilerde görüyoruz . Bu araçlar, şirketlere hızla değişen bir pazarda ihtiyaç duydukları avantajı sağlıyor.

Tahmin Modellerini Anlamak

Zaman serisi analizindeki tahmin modellerine dalıyoruz . Bu yöntemler, işletmelerin geçmiş trendlere bakarak gelecekteki değerleri tahmin etmelerine yardımcı olur. Çeşitli sektörlerde karar verme süreçlerini iyileştirmek için istatistiksel uygulamalar kullanırlar.

Tahmin Modellerinin Türleri

Piyasada birçok tahmin modeli var:

• ARIMA (Otoregresif Entegre Hareketli Ortalama) zaman serilerini trendler ve mevsimsellik ile analiz etmenin anahtarıdır.
• Üstel Yumuşatma geçmiş gözlemleri kullanır ancak geleceğe yönelik tahminler için son trendlere odaklanır.
• Mevsimsel Ayrışma Daha iyi tahmin için verileri trend, mevsimsellik ve gürültüye ayırır.

Her modelin kendine özgü bir rolü vardır. Örneğin, ARIMA hisse senedi piyasası tahminleri için mükemmeldir, üstel düzeltme ise satış tahminleri ve envanter yönetimi için idealdir⁸ ^. Bu yöntemleri kullanarak şirketler daha sorunsuz çalışabilirler.

Zaman Serisinde Tahmin Uygulamaları

Tahminin birçok kullanımı vardır. Şirketler bu modelleri aşağıdaki amaçlarla kullanır:

1. Envanteri iyi yönetmek için pazar taleplerini tahmin edin.
2. Yatırım planlarına yardımcı olmak için hisse senedi fiyat eğilimlerini tahmin edin.
3. Kaynakları daha iyi tahsis etmek için satışları tahmin edin.

Perakende mağazaları, müşteri talebini doğru bir şekilde tahmin etmek için satış verilerini kullanır ve bu da envanter yönetimini iyileştirir ^8. Gayrimenkul firmaları, piyasa trendlerine dayalı olarak projeler planlayabilir ^8. Tahmin modellerinin kullanılması, operasyonları daha verimli hale getirir ve şirketlerin piyasa değişikliklerine uyum sağlamasına yardımcı olur.

Zaman Serisi Analizi için Veri Madenciliği Teknikleri

Günümüz dünyasında zaman serisi verilerinden değerli bilgiler elde etmek için etkili veri madenciliği tekniklerine ihtiyacımız var. Veri madenciliği, zaman içinde toplanan verilerin anlamlandırılması açısından çok önemlidir. Birçok alanda kararları yönlendiren kalıpları, bağlantıları ve tuhaflıkları tespit etmemize yardımcı olur.

Veri Madenciliğinin Önemi

Veri madenciliği, zaman serisi analizinde tahminlerin doğruluğunu artırır. Finans şirketlerinin dolandırıcılığı tespit etmesine ve sağlık hizmeti sağlayıcılarının hastalık sonuçlarını tahmin etmesine yardımcı olur. Bu yöntemler, müşteri gruplarının pazarlanması ve imalatta tedarik zincirlerinin iyileştirilmesi gibi görevler için çok önemlidir ^{9 7}.

Veri Madenciliği Araçları

Zaman serisi analizinde etkili veri madenciliği için birçok aracımız var. InfluxDB ve Grafana gibi araçlar, zaman serisi verilerini iyi yönetmeye ve göstermeye yardımcı olur. Bu araçları kullanarak analistler, büyük veri kümelerinden önemli içgörüler ortaya çıkarabilirler. Bu, izleme ve karar verme süreçlerine yardımcı olur¹⁰ ^. Zaman serisi verileri büyüdükçe, bu araçları öğrenmek, günümüzün veri odaklı dünyasında önde kalmanın anahtarıdır.

İleri Teknikler: Tahmine Dayalı Analitik

Günümüz dünyasında tahmine dayalı analitik hakkında bilgi sahibi olmak, verilerle akıllı kararlar almanın anahtarıdır. Bu yöntem, geçmiş verilere dayanarak bundan sonra ne olacağını tahmin etmek için istatistiksel teknikleri kullanır. Bu yöntemleri kullanarak zaman serisi verilerindeki şeyleri tahmin etme konusunda daha iyi oluyoruz.

Tahmine Dayalı Analitikleri Tanımlama

Tahmine dayalı analiz, gelecekteki eğilimleri tahmin etmek için istatistikleri ve gelişmiş modelleri kullanmakla ilgilidir. Gerçekten de büyük bir ivme kazanıyor; pazar büyüklüğü 2020'de 5.29 milyar ABD dolarından 2028'e kadar 41.52 milyar ABD dolarına yükseliyor¹¹ ^. Makine öğrenimi ve zaman serisi analizi gibi istatistiksel yöntemlerin birleşimi , tahmine dayalı analizi teknoloji alanında büyük bir öneme sahip kılıyor¹²^.

Çeşitli Endüstrilerdeki Uygulamalar

Tahmine dayalı analiz, birçok sektörün daha iyi çalışmasına ve daha akıllıca plan yapmasına yardımcı olur. Finansta, kredi puanlaması, dolandırıcılık tespiti ve yatırım analizine yardımcı olur¹¹ ^. Pazarlama ekipleri , müşteri segmentasyonu, kişiselleştirilmiş kampanyalar ve satış tahminleri için kullanır¹¹ ^. Sağlık sektörü , hastalık tahmini ve hasta risk sınıflandırması için daha iyi içgörüler elde eder¹¹ . Tedarik zinciri yönetimi , talep tahmini ve envanter optimizasyonu için kullanır¹¹ ^{. Üretken yapay zeka gibi yeni teknolojiler ve torbalama ve artırma gibi yöntemlerle tahminlerimiz daha da iyi hale geliyor. Bu ,} karmaşık verileri daha iyi anlamamızı ve hızla değişen bir pazarda daha uyarlanabilir olmamızı sağlar.

Zaman Serisi Verilerinde Anormallik Tespiti

Zaman serisi verilerine daldığımızda anormallik tespiti adı verilen önemli bir kısım buluyoruz. Bu, olağan kalıplara uymayan veri noktalarını tespit etmekle ilgilidir. Bu noktalar finans, sağlık ve sanayi gibi alanlarda çok önemlidir. Bunları erken tespit etmek büyük içgörülere yol açabilir.

Anormallik Tespiti Nedir?

Zaman serisi analizinde anormallik tespiti, beklenildiği gibi davranmayan veri noktalarını bulmakla ilgilidir. Bunlar tek noktalar veya bir dizi nokta olabilir ^13. Bu noktaları bulmak önemlidir çünkü hisse senedi fiyatlarındaki yeni trendler veya sağlık sorunları gibi büyük değişiklikleri gösterebilirler ¹⁴.

Anormallik Tespit Yöntemleri

Zaman serisi verilerindeki anormallikleri bulmak için farklı yöntemler kullanıyoruz. İşte bazı ana teknikler:

• İstatistiksel Yöntemler: Verilerdeki aykırı değerleri bulmak için ortalama, standart sapma ve Z-skoru kullanıyoruz.
• İzolasyon Ormanı Algoritması: Bu yöntem, etiketlenmiş veriler olmadan anormallikleri bulur. Kaç aykırı değer bekleyeceğimizi bilmek için bir parametre belirledik¹³.
• Hareketli Ortalama: Bu, uzun vadeli eğilimleri gösterecek şekilde verileri düzelterek anormallikleri tespit etmemize yardımcı olur.
• ARIMA Modelleri: Bunlar verilerdeki anormallikleri ve karmaşık kalıpları bulmak için mükemmeldir.¹⁴.
• Üstel Yumuşatma: Bu yöntem, eski değerlere daha az ağırlık vererek verilerdeki son değişikliklere bakar.

Bu yöntemleri kullanmak, zaman serisi verilerindeki beklenmeyen değişiklikleri hızlı bir şekilde yakalamamıza yardımcı olur.

Bu yöntemleri kullanarak zaman serisi verilerini analiz etme ve anormallikleri etkili bir şekilde ele alma şeklimizi geliştirebiliriz.

Mevsimsellik Analizini Keşfetmek

Zaman serilerinde mevsimsellik analizi, verilerin periyodik değişimlerini anlamanın anahtarıdır. Düzenli olarak ortaya çıkan kalıpları belirlememize yardımcı olur. Bu kalıplar birçok alanda kararları büyük ölçüde etkileyebilir. Mevsimsellik, stok yönetimi, promosyon planlaması ve işleyiş biçimini iyileştirme açısından hayati öneme sahiptir.

Mevsimsellik Analizinin Önemi

Mevsimsellik analizi, talebi daha iyi tahmin etmemize ve kaynakları daha akıllıca kullanmamıza yardımcı olur. Örneğin, finans sektörü piyasa trendlerini tahmin etmek için, sağlık sektörü ise EKG gibi sağlık modellerini analiz etmek için bu analizi kullanır . ¹⁵ Şirketlerin müşterilerin davranışlarına uyum sağlamasına ve hizmetlerini iyileştirmesine yardımcı olur. Bu analizi kullanan şirketler genellikle bütçeleri ve planları konusunda daha başarılı olurlar . ¹⁶

Verilerde Mevsimselliğin Belirlenmesine Yönelik Yöntemler

Verilerde mevsimselliği bulmanın birçok yolu vardır. Klasik ayrıştırma veya STL gibi teknikler, verileri trend, mevsim ve artıklar olarak ayırır. Bu, mevsimselliğin olayları nasıl etkilediğini netleştirir ve akıllı seçimler yapmaya yardımcı olur ^16. Hareketli ortalamalar gibi diğer yöntemler, iniş çıkışları yumuşatarak istikrarlı trendleri gösterir ^16. Bu yöntemler, daha iyi tahmin yapmamıza ve daha etkili planlama yapmamıza yardımcı olur.

Analiz için Otomatik Korelasyonu Kullanma

Zaman serisi analizinde otokorelasyona bakışımızda , bunun bir zaman serisi ile geçmiş değerleri arasındaki bağlantıyı nasıl ölçtüğünü görüyoruz. Bu yöntem, verilerdeki gizli kalıpları ve döngüleri tespit etmek için çok önemlidir. Trendleri ve mevsimsel değişiklikleri anlamamıza yardımcı olur. Otokorelasyon fonksiyonu (ACF), farklı zamanlardaki değerlerin nasıl ilişkili olduğunu göstererek en iyi tahmin modellerini seçmemize yardımcı olur ^{17 18}.

Otokorelasyonu bulmak, daha iyi tahminler için hayati önem taşır. Otokorelasyonda yeterli gecikme kullanmak, tahmin doğruluğunu gerçekten artırabilir. Durbin-Watson testi, verilerin otokorelasyon içerip içermediğini kontrol etmek için harika bir araçtır. Verilerdeki ilişki türünü bize söyler ¹⁹.

Yöntemimiz birkaç adımdan oluşmaktadır. İlk olarak, zaman serisi verilerini toplarız. Ardından, gecikmeli değerleri hesaplar ve korelasyon katsayılarını buluruz. ACF grafiği oluşturmak, bu ilişkileri görmemize yardımcı olur. Toplamsal ve çarpımsal mevsimsellik arasındaki farkı bilmek de doğru modeller oluşturmak için çok önemlidir ^{17 18}.

Etkili Tahmin için ARIMA Modellemesi

ARIMA modellemesi, tahminleme için zaman serisi analizinde kilit öneme sahiptir. Otoregresif ve hareketli ortalama kısımlarını birleştirir. Bu da onu birçok veri seti için ideal kılar. ARIMA, durağan verilerle en iyi sonucu verir; bu da trendden arındırma ve düzenli kalıpları kontrol etme yoluyla sağlanabilir.

Zaman içinde aynı kalan kalıpları görmemize yardımcı olur. Bu, doğru tahminler yapabilmek için çok önemlidir.

ARIMA'ya Giriş

ARIMA modelinin üç bölümü vardır: otoregresif (AR), entegre (I) ve hareketli ortalama (MA). Bunlar (p,d,q) olarak gösterilmiştir. P geçmiş gözlemleri, d durağanlık farklarını ve q hareketli ortalama boyutudur.

İyi bir tahmin için, mevsimselliği ve eğilimleri ortadan kaldırmak amacıyla fark alınmış veriler kullanılır. Bu, verileri durağan hale getirir ^20. Doğru tahmin ve doğrulama için en az 50 gözlem içeren bir veri seti gereklidir ²⁰.

Mevsimsel kalıpları belirlemek, parametreleri tahmin etmek ve sonuçları doğrulamak önemli adımlardır. Bunlar güvenilir bir ARIMA modeli oluşturmaya yardımcı olur ²⁰.

ARIMA Modelleri Ne Zaman Kullanılmalı?

ARIMA, belirgin bir trende sahip veriler ve hassas tahmin ihtiyaçları için en iyisidir. Mevsimsel dalgalanmaların yaygın olduğu borsa ve kaynak talebi tahminlerinde kullanılır. Döngüler içeren karmaşık veriler, mevsimsel kalıpları iyi ele alan SARIMA'dan ^{faydalanabilir}.

^{ARIMA kullanımı, tahmin doğruluğunu büyük ölçüde artırabilir. Bu, büyük veri kümeleriyle ve kayan tahmin modelleri 22} gibi gelişmiş tekniklerle çalışırken geçerlidir.

Zaman Serisinde Üstel Düzeltme

Üstel düzeltme, verilerdeki gelecekteki eğilimleri tahmin etmek için önemli bir yöntemdir. Geçmiş verileri kullanır ancak son bilgilere daha fazla ağırlık verir. Bu şekilde, özellikle talep modellerinde geleceğin yakın geçmişe benzeyeceğini varsayar . ²³ Hızlı değişimlerin önemli olduğu perakende ve finans gibi alanlarda kısa vadeli tahminler için mükemmeldir.

Üstel Düzeltmeyi Anlamak

Üstel düzeltme, çeşitli tahmin ihtiyaçlarını karşılamak için farklı türlerde mevcuttur. Basit Üstel Düzeltme (SES), genellikle 0 ile 1 arasında bir düzeltme faktörü olan alfa (a) kullanır. Trend veya mevsimsellik içermeyen veriler için en iyisidir ²³.

Eğilim gösteren veriler için, Çift Üstel Düzeltme veya Holt'un eğilim modeli, eğilim değişikliklerini izlemek için bir beta (b) ekler ^24. Üçlü Üstel Düzeltme veya Holt-Winters Düzeltmesi, bir gama (g) ile mevsimsel kalıpları içerir. Bu yöntem doğrusal eğilimleri ve mevsimleri ele alarak tahminleri daha güvenilir hale getirir ²³.

Tahminde Üstel Düzeltmenin Faydaları

Üstel düzeltme birçok avantaja sahiptir. Geçmiş verilerin ağırlıklarını ayarlayarak hassas tahminler sağlar; bu da envanter ve talebi yönetmek için çok önemlidir . ²³ Kurulumu kolaydır ve analistlerin modelleri kendi ihtiyaçlarına göre uyarlamalarına olanak tanır. Ayrıca, Python'ın Statsmodels gibi araçlar, uzman olmayanların kullanımını kolaylaştırır . ²⁴

Sonuç

Zaman serisi analizi, farklı alanlardaki değişiklikleri anlamak ve tahmin etmek için çok önemlidir. İşletmelere trendleri takip ederek ve zaman içinde önemli kalıpları bularak yardımcı olur. Zaman serisi analizi içgörülerinden yararlanarak şirketler daha iyi kararlar alabilirler. Örneğin, finansta hisse senedi fiyatlarını takip etmek yatırım planlarına yardımcı olur. Sağlık sektöründe ise zamanında tıbbi müdahalelere yol açar . ^{25 26}

Yeni teknolojilerin veri dünyasını değiştirmesiyle birlikte, zaman serisi analizini nasıl kullanacağınızı bilmek hayati önem taşıyor. Çevrimiçi alışverişten hava tahminine kadar birçok alanda yardımcı oluyor ^. Analiz yöntemlerimizi geliştirmek, tahminleri daha doğru hale getiriyor. Bu da şirketler için daha iyi kararlar ve büyüme sağlıyor.

Zaman serisi verileri hakkında öğrenmeye devam etmek önemlidir. Bu bilgi, akıllıca seçimler yapmamıza ve çeşitli alanlarda işlerin nasıl yürüdüğünü iyileştirmemize olanak tanır ^{25 26 10}.

Kaynak Bağlantılar

1. https://www.sigmacomputing.com/resources/learn/what-is-time-series-analysis
2. https://www.analyticsvidhya.com/blog/2021/10/a-comprehensive-guide-to-time-series-analysis/
3. https://www.appinio.com/en/blog/market-research/time-series-analysis
4. https://www.datamation.com/big-data/what-is-time-series-analysis/
5. https://www.interviewkickstart.com/blogs/articles/time-series-analysis-trends-patterns-temporal-data
6. https://mostly.ai/blog/times-series
7. https://www.geeksforgeeks.org/time-series-analysis-and-forecasting/
8. https://joinhomebase.com/blog/forecasting-models/
9. https://www.qlik.com/us/data-analytics/data-mining
10. https://www.influxdata.com/what-is-time-series-data/
11. https://www.netguru.com/glossary/predictive-analytics
12. https://www.pecan.ai/blog/deep-dive-advanced-predictive-analytics/
13. https://neptune.ai/blog/anomaly-detection-in-time-series
14. https://risingwave.com/blog/effective-anomaly-detection-in-time-series-using-basic-statistics/
15. https://www.theiotacademy.co/blog/time-series-analysis-in-data-science/
16. https://www.linkedin.com/pulse/exploring-seasonality-models-360-digitmg-dgvwc
17. https://sertiscorp.medium.com/a-practical-time-series-forecasting-guideline-for-machine-learning-part-i-a559e7886d26
18. https://www.interactivebrokers.com/campus/ibkr-quant-news/autocorrelation-in-trading-a-practical-python-approach-to-analyzing-time-series-data/
19. https://knowledge.dataiku.com/latest/ml-analytics/time-series/concept-time-series-analysis.html
20. https://www.mastersindatascience.org/learning/statistics-data-science/what-is-arima-modeling/
21. https://neptune.ai/blog/arima-sarima-real-world-time-series-forecasting-guide
22. https://cloud.google.com/bigquery/docs/reference/standard-sql/bigqueryml-syntax-create-time-series
23. https://www.simplilearn.com/exponential-smoothing-for-time-series-forecasting-in-python-article
24. https://www.geeksforgeeks.org/exponential-smoothing-for-time-series-forecasting/
25. https://airbyte.com/data-engineering-resources/time-series-data
26. https://quix.io/blog/time-series-analysis