Прогнозирование продаж на основе временных рядов

Основная информация представлена в файле train.csv: store_nbr — идентификатор магазина. family — категория товаров. onpromotion — количество товаров, участвующих в акциях на определенную дату. sales — общий объем продаж для категории товаров в магазине на заданную дату (возможно указание дробных значений). Также доступны метаданные о праздничных днях в файле holidays_events.csv: Содержит информацию о праздниках и событиях. Включены дополнительные дни, связанные с праздниками (например, канун Рождества). Инструменты и методы Язык программирования: Python. Библиотеки: Pandas, NumPy, Matplotlib, Scikit-learn, Prophet. Методы: декомпозиция временных рядов, ARIMA, экспоненциальное сглаживание, Prophet и другие подходящие методы. Задачи: 1) Загрузить данные из train.csv, выбрать один магазин и не менее пяти категорий товаров. Провести исследование данных: проверить дубликаты, пропуски, визуализировать временные ряды. 2) Очистить данные: заполнить пропуски, устранить дубликаты и выбросы. 3) Провести статистический анализ для выявления тенденций и сезонности (используя тест Дики-Фуллера, автокорреляцию и др.). 4) Выбрать и обосновать три модели для прогнозирования, обучить их и оценить качество, используя подходящую метрику (например, MAE, RMSE). 5) Сделать прогноз на следующий месяц, представить его на графике и дать рекомендации по использованию этой информации в бизнесе. Ссылка на диск с train.csv (116мб): https://disk.yandex.ru/d/WImnF_vp7K0UnQ