Vooruitskatting deur gladstrykingstegnieke Hierdie webwerf is 'n deel van die JavaScript E-laboratoriums leer voorwerpe vir besluitneming. Ander JavaScript in hierdie reeks is verdeel onder verskillende gebiede van aansoeke in die menu artikel op hierdie bladsy. 'N tyd-reeks is 'n reeks waarnemings wat bestel betyds. Inherent in die versameling van data geneem met verloop van tyd is 'n vorm van ewekansige variasie. Daar bestaan metodes vir die vermindering van van die kansellasie van die effek as gevolg van ewekansige variasie. Gebruikte tegnieke is glad. Hierdie tegnieke, wanneer dit behoorlik toegepas word, blyk duidelik die onderliggende tendense. Tik die tydreeks Ry-wyse in volgorde, vanaf die linker-boonste hoek, en die parameter (s), dan op die Bereken knoppie vir die verkryging van een tydperk lig vooruitskatting. Leeg bokse is nie ingesluit in die berekeninge, maar nulle is. In die begin van jou data om te beweeg van sel tot sel in die data-oorsig gebruik die Tab-sleutel nie arrow of betree sleutels. Kenmerke van tydreekse, wat geopenbaar kan word deur die ondersoek van die grafiek. met die geskatte waardes, en die residue gedrag, toestand voorspelling modelle. Bewegende gemiddeldes: bewegende gemiddeldes rang onder die gewildste tegnieke vir die preprocessing van tydreekse. Hulle word gebruik om ewekansige wit geraas filter uit die data, om die tydreeks gladder te maak of selfs om sekere inligting komponente vervat in die tydreeks te beklemtoon. Eksponensiële Smoothing: Dit is 'n baie gewilde skema om 'n reëlmatige Tyd Reeks produseer. Terwyl dit in Bewegende Gemiddeldes die afgelope waarnemings word dieselfde gewig, eksponensiële Smoothing ken eksponensieel afneem gewigte as die waarneming ouer. Met ander woorde, is Onlangse waarnemings gegee relatief meer gewig in vooruitskatting as die ouer waarnemings. Double Eksponensiële Smoothing is beter op tendense hantering. Drie Eksponensiële Smoothing beter te hanteer parabool tendense. 'N exponenentially geweeg bewegende gemiddelde met 'n glad konstante a. ooreenstem rofweg 'n eenvoudige bewegende gemiddelde lengte (bv tydperk) n, waar n en N verwant deur: 'n 2 / (N1) of N (2 - a) / n. So, byvoorbeeld, 'n exponenentially geweeg bewegende gemiddelde met 'n glad konstante gelyk aan 0,1 sou rofweg ooreen met 'n 19 dag bewegende gemiddelde. En 'n 40-dag eenvoudig bewegende gemiddelde sou rofweg ooreen met 'n eksponensieel geweeg bewegende gemiddelde met 'n glad konstante gelyk aan 0,04878. Holts Lineêre Eksponensiële Smoothing: Veronderstel dat die tydreeks is nie-seisoenale maar wel vertoon tendens. Holts metode skat beide die huidige vlak en die huidige tendens. Let daarop dat die eenvoudige bewegende gemiddelde is spesiale geval van die eksponensiële gladstryking deur die oprigting van die tydperk van die bewegende gemiddelde van die heelgetal deel van (2-Alpha) / Alpha. Vir die meeste sake-data 'n Alpha parameter kleiner as 0.40 is dikwels doeltreffend. Dit kan egter 'n mens 'n rooster op soek na die parameter ruimte uit te voer, met 0,1-0,9, met inkremente van 0.1. Toe het die beste alfa die kleinste gemiddelde absolute fout (MA Fout). Hoe om 'n paar glad metodes te vergelyk: Alhoewel daar numeriese aanwysers vir die beoordeling van die akkuraatheid van die voorspelling tegniek, die mees benadering is in die gebruik van visuele vergelyking van verskeie voorspellings oor die akkuraatheid daarvan te evalueer en kies tussen die verskillende vooruitskatting metodes. In hierdie benadering, moet 'n mens stip op dieselfde grafiek die oorspronklike waardes van 'n tydreeks veranderlike en die voorspelde waardes van verskillende vooruitskatting metodes (met behulp van, bv Excel), dus 'n visuele vergelyking fasilitering. Jy kan hou die gebruik van die verlede Voorspellings deur gladstrykingstegnieke JavaScript om die verlede voorspel waardes gebaseer op gladstrykingstegnieke dat slegs enkele parameter gebruik te verkry. Holt, en winters metodes gebruik twee en drie parameters, onderskeidelik, dus is dit nie 'n maklike taak om die optimale, of selfs naby optimale waardes kies deur probeer-en foute vir die parameters. Die enkele eksponensiële gladstryking beklemtoon die kort reeks perspektief dit stel die vlak van die laaste waarneming en is gebaseer op die voorwaarde dat daar geen tendens. Die lineêre regressie, wat 'n lyn van kleinste kwadrate op die historiese data (of omskep historiese data) pas, stel die lang reeks, wat gekondisioneer op die basiese tendens. Holts lineêre eksponensiële gladstryking vang inligting oor onlangse tendens. Die parameters in Holts model is vlakke-parameter wat moet verminder word wanneer die hoeveelheid data wat variasie is groot, en tendense-parameter moet verhoog word indien die onlangse tendens rigting word ondersteun deur die oorsaaklike paar faktore. Korttermyn vooruitskatting: Let daarop dat elke JavaScript op hierdie bladsy bied 'n een-stap-ahead skatting. Om 'n twee-stap-ahead voorspelling te kry. eenvoudig die geskatte waarde toevoeg tot die einde van jou tydreeksdata en kliek dan op dieselfde Bereken knoppie. Jy kan hierdie proses herhaal vir 'n paar keer om die nodige kort termyn forecasts. Spreadsheet implementering van seisoenale aanpassing verkry en eksponensiële gladstryking Dit is maklik om seisoenale aanpassing voer en pas eksponensiële gladstryking modelle met behulp van Excel. Die skerm beelde en kaarte hieronder is geneem uit 'n sigblad wat is opgestel om multiplikatiewe seisoenale aanpassing en lineêre eksponensiële gladstryking op die volgende kwartaallikse verkope data van Buitenboord Marine illustreer: Om 'n afskrif van die sigbladlêer self te bekom, kliek hier. Die weergawe van lineêre eksponensiële gladstryking wat hier gebruik sal word vir doeleindes van demonstrasie is Brown8217s weergawe, bloot omdat dit geïmplementeer kan word met 'n enkele kolom van formules en daar is net een glad konstante te optimaliseer. Gewoonlik is dit beter om Holt8217s weergawe dat afsonderlike glad konstantes vir vlak en tendens het gebruik. Die vooruitskatting proses verloop soos volg: (i) die eerste keer die data is seisoenaal-aangepaste (ii) dan voorspellings gegenereer vir die seisoenaal-aangepaste data via lineêre eksponensiële gladstryking en (iii) Ten slotte het die seisoensaangesuiwerde voorspellings is quotreseasonalizedquot om voorspellings vir die oorspronklike reeks te verkry . Die aanpassingsproses seisoenale word in kolomme gedoen D deur G. Die eerste stap in seisoenale aanpassing is om te bereken 'n gesentreerde bewegende gemiddelde (hier opgevoer in kolom D). Dit kan gedoen word deur die gemiddelde van twee een-jaar-wye gemiddeldes wat geneutraliseer deur 'n tydperk relatief tot mekaar. ( 'N kombinasie van twee geneutraliseer gemiddeldes eerder as 'n enkele gemiddelde nodig vir sentrering doeleindes wanneer die aantal seisoene is selfs.) Die volgende stap is om die verhouding te bereken om bewegende gemiddelde --i. e. die oorspronklike data gedeel deur die bewegende gemiddelde in elke tydperk - wat hier uitgevoer word in kolom E. (Dit is ook die quottrend-cyclequot komponent van die patroon genoem, sover tendens en besigheid-siklus effekte kan oorweeg word om almal wat bly nadat gemiddeld meer as 'n geheel jaar se data. natuurlik, maand-tot-maand veranderinge wat nie as gevolg van seisoenale kan bepaal word deur baie ander faktore, maar die 12-maande-gemiddelde glad oor hulle 'n groot mate.) die na raming seisoenale indeks vir elke seisoen word bereken deur die eerste gemiddeld al die verhoudings vir daardie spesifieke seisoen, wat gedoen word in selle G3-G6 behulp van 'n AVERAGEIF formule. Die gemiddelde verhoudings word dan verklein sodat hulle som presies 100 keer die aantal periodes in 'n seisoen, of 400 in hierdie geval, wat gedoen word in selle H3-H6. Onder in kolom F, word VLOOKUP formules wat gebruik word om die toepaslike seisoenale indeks waarde in elke ry van die datatabel voeg, volgens die kwartaal van die jaar wat dit verteenwoordig. Die gesentreerde bewegende gemiddelde en die seisoensaangepaste data beland lyk soos hierdie: Let daarop dat die bewegende gemiddelde lyk tipies soos 'n gladder weergawe van die seisoensaangepaste reeks, en dit is korter aan beide kante. Nog 'n werkblad in dieselfde Excel lêer toon die toepassing van die lineêre eksponensiële gladstryking model om die seisoensaangepaste data, begin in kolom G. 'n Waarde vir die glad konstante (alfa) bo die voorspelling kolom ingeskryf (hier, in sel H9) en vir gerief dit die omvang naam quotAlpha. quot (die naam is opgedra deur die opdrag quotInsert / naam / Createquot.) die LES model is geïnisialiseer deur die oprigting van die eerste twee voorspellings gelyk aan die eerste werklike waarde van die seisoensaangepaste reeks toegeken. Die formule wat hier gebruik word vir die LES voorspelling is die enkel-vergelyking rekursiewe vorm van Brown8217s model: Hierdie formule is in die sel wat ooreenstem met die derde tydperk (hier, sel H15) aangegaan en kopieer af van daar af. Let daarop dat die LES voorspelling vir die huidige tydperk verwys na die twee voorafgaande waarnemings en die twee voorafgaande voorspelling foute, sowel as om die waarde van alfa. So, die voorspelling formule in ry 15 slegs verwys na data wat beskikbaar is in ry 14 en vroeër was. (Natuurlik, as ons wou eenvoudig in plaas van lineêre eksponensiële gladstryking te gebruik, kan ons die SES formule hier vervang in plaas. Ons kan ook gebruik Holt8217s eerder as Brown8217s LES model, wat nog twee kolomme van formules sou vereis dat die vlak en tendens bereken wat gebruik word in die vooruitsig.) die foute word bereken in die volgende kolom (hier, kolom J) deur die aftrekking van die voorspellings van die werklike waardes. Die wortel beteken kwadraat fout is bereken as die vierkantswortel van die variansie van die foute plus die vierkant van die gemiddelde. (Dit volg uit die wiskundige identiteit. MSE afwyking (foute) (gemiddeld (foute)) 2) By die berekening van die gemiddelde en variansie van die foute in hierdie formule, is die eerste twee periodes uitgesluit omdat die model vooruitskatting nie eintlik nie begin totdat die derde tydperk (ry 15 op die sigblad). Die optimale waarde van alfa kan óf gevind word deur die hand verander alfa tot die minimum RMSE is gevind, of anders kan jy die quotSolverquot gebruik om 'n presiese minimering. Die waarde van alfa dat die Solver gevind word hier (alpha0.471) getoon. Dit is gewoonlik 'n goeie idee om die foute van die model (in omskep eenhede) te plot en ook om te bereken en stip hul outokorrelasies by lags van tot een seisoen. Hier is 'n tydreeks plot van die (seisoenaangepaste) foute: Die fout outokorrelasies word bereken deur gebruik te maak van die funksie CORREL () om die korrelasies van die foute te bereken met hulself uitgestel word deur een of meer periodes - besonderhede word in die sigblad model . Hier is 'n plot van die outokorrelasies van die foute by die eerste vyf lags: Die outokorrelasies by lags 1 tot 3 is baie naby aan nul, maar die pen op lag 4 (wie se waarde is 0.35) is 'n bietjie lastig - dit dui daarop dat die seisoenale aanpassing proses het nie heeltemal suksesvol. Maar dit is eintlik net effens betekenisvol. 95 betekenis bands om te toets of outokorrelasies is aansienlik verskil van nul is min of meer plus-of-minus 2 / SQRT (N-k), waar n die steekproefgrootte en k is die lag. Hier N 38 en k wissel van 1 tot 5, so die vierkant-wortel-van-n-minus-k is ongeveer 6 vir almal, en vandaar die perke vir die toets van die statistiese betekenisvolheid van afwykings van nul is min of meer plus - of-minus 2/6, of 0.33. As jy die waarde van alfa wissel met die hand in hierdie Excel model, kan jy die effek op die tydreeks en outokorrelasie erwe van die foute in ag te neem, sowel as op die wortel-gemiddelde-kwadraat fout, wat onder sal wees geïllustreer. Aan die onderkant van die sigblad, is die voorspelling formule quotbootstrappedquot in die toekoms deur bloot vervang voorspellings vir werklike waardes by die punt waar die werklike data loop uit - d. w.z. waar quotthe futurequot begin. (Met ander woorde, in elke sel waar 'n toekomstige datawaarde sou plaasvind, 'n selverwysing is ingevoeg wat daarop dui dat die voorspelling gemaak vir daardie tydperk.) Al die ander formules is eenvoudig van bo af gekopieer: Let daarop dat die foute vir voorspellings van die toekoms is al bereken as nul. Dit beteken nie dat die werklike foute sal nul wees nie, maar eerder dit weerspieël bloot die feit dat vir doeleindes van voorspelling is ons veronderstelling dat die toekoms data die voorspellings sal gelyk gemiddeld. Die gevolglike LES voorspellings vir die seisoenaal-aangepaste data soos volg lyk: Met hierdie besondere waarde van Alpha, wat is optimaal vir een-periode-vooruit voorspellings, die geprojekteerde tendens is effens opwaarts, wat die plaaslike tendens wat oor die afgelope 2 jaar is waargeneem of so. Vir ander waardes van Alpha dalk 'n heel ander tendens projeksie verkry. Dit is gewoonlik 'n goeie idee om te sien wat gebeur met die langtermyn-tendens projeksie wanneer Alpha is uiteenlopend, omdat die waarde wat die beste vir 'n kort termyn vooruitskatting sal nie noodwendig die beste waarde vir die voorspelling van die meer verre toekoms wees. Byvoorbeeld, hier is die resultaat wat verkry word indien die waarde van alfa hand is ingestel op 0,25: Die geprojekteerde langtermyn-tendens is nou negatiewe eerder as positiewe Met 'n kleiner waarde van Alpha model plaas meer gewig op ouer data in sy skatting van die huidige vlak en tendens, en sy voorspellings langtermyn weerspieël die afwaartse neiging waargeneem oor die afgelope 5 jaar, eerder as die meer onlangse opwaartse neiging. Hierdie grafiek ook duidelik illustreer hoe die model met 'n kleiner waarde van Alpha is stadiger te reageer op quotturning pointsquot in die data en dus geneig is om 'n fout van die dieselfde teken maak vir baie tye in 'n ry. Die 1-stap-ahead voorspelling foute is groter gemiddeld as dié verkry voordat (RMSE van 34,4 eerder as 27.4) en sterk positief autocorrelated. Die lag-1 outokorrelasie van 0,56 oorskry grootliks die waarde van 0.33 hierbo bereken vir 'n statisties beduidende afwyking van nul. As 'n alternatief vir slingerspoed die waarde van alfa ten einde meer konserwatisme te voer in 'n lang termyn voorspellings, is 'n quottrend dampeningquot faktor soms by die model ten einde te maak die geprojekteerde tendens plat uit na 'n paar periodes. Die finale stap in die bou van die voorspelling model is om die LES voorspellings quotreasonalizequot deur hulle deur die toepaslike seisoenale indekse te vermenigvuldig. So, die reseasonalized voorspellings in kolom Ek is net die produk van die seisoenale indekse in kolom F en die seisoensaangepaste LES voorspellings in kolom H. Dit is relatief maklik om vertrouensintervalle bereken vir een-stap-ahead voorspellings gemaak deur hierdie model: eerste bereken die RMSE (wortel-gemiddelde-kwadraat fout, wat net die vierkantswortel van die MSE) en dan bereken 'n vertrouensinterval vir die seisoensaangepaste voorspel deur optelling en aftrekking twee keer die RMSE. (Oor die algemeen 'n 95 vertrouensinterval vir 'n een-tydperk lig voorspelling is min of meer gelyk aan die punt voorspelling plus-of-minus twee keer die geskatte standaardafwyking van die voorspelling foute, die aanvaarding van die fout verspreiding is ongeveer normale en die steekproefgrootte groot genoeg is, sê, 20 of meer. Hier is die RMSE eerder as die monster standaardafwyking van die foute is die beste raming van die standaard afwyking van toekomstige vooruitsig foute, want dit neem vooroordeel sowel toevallige variasies in ag.) die vertroue perke vir die seisoensaangepaste voorspelling is dan reseasonalized. saam met die voorspelling, deur hulle met die toepaslike seisoenale indekse te vermenigvuldig. In hierdie geval is die RMSE is gelyk aan 27.4 en die seisoensaangepaste voorspelling vir die eerste toekoms tydperk (Desember-93) is 273,2. sodat die seisoensaangepaste 95 vertrouensinterval is 273,2-227,4 218,4 te 273.2227.4 328,0. Vermenigvuldig hierdie perke deur Decembers seisoenale indeks van 68,61. Ons kry onderste en boonste vertroue grense van 149,8 en 225,0 rondom die Desember-93 punt voorspelling van 187,4. Vertroue perke vir voorspellings meer as een tydperk wat voorlê, sal oor die algemeen uit te brei as die voorspelling horison toeneem, as gevolg van onsekerheid oor die vlak en tendens asook die seisoenale faktore, maar dit is moeilik om hulle te bereken in die algemeen deur analitiese metodes. (Die geskikte manier om vertroue perke vir die LES voorspelling bereken is deur die gebruik van ARIMA teorie, maar die onsekerheid in die seisoenale indekse is 'n ander saak.) As jy 'n realistiese vertroue interval vir 'n voorspelling wil meer as een tydperk wat voorlê, met al die bronne van fout in ag, jou beste bet is om empiriese metodes gebruik: byvoorbeeld, 'n vertrouensinterval vir 'n 2-stap vorentoe voorspel verkry, jy kan 'n ander kolom skep op die sigblad om 'n 2-stap-ahead voorspelling bereken vir elke tydperk ( deur Opstarten die een-stap-ahead voorspelling). bereken dan die RMSE van die 2-stap-ahead voorspelling foute en gebruik dit as die basis vir 'n 2-stap-ahead vertroue interval. Smoothing data verwyder ewekansige variasie en programme tendense en sikliese komponente Inherent in die versameling van data geneem met verloop van tyd is een of ander vorm van ewekansige variasie. Daar bestaan metodes vir die vermindering van van die kansellasie van die effek as gevolg van ewekansige variasie. 'N dikwels gebruikte tegniek in bedryf is glad. Hierdie tegniek, wanneer dit behoorlik toegepas word, blyk duidelik die onderliggende tendens, seisoenale en sikliese komponente. Daar is twee afsonderlike groepe glad metodes Berekening van gemiddelde metodes Eksponensiële Smoothing Metodes Neem gemiddeldes is die eenvoudigste manier om data te stryk Ons sal eers ondersoek sommige gemiddelde metodes, soos die eenvoudige gemiddeld van al die afgelope data. 'N Bestuurder van 'n pakhuis wil weet hoeveel 'n tipiese verskaffer lewer in 1000 dollar eenhede. Hy / sy neem 'n monster van 12 verskaffers, na willekeur, die verkryging van die volgende resultate: Die berekende gemiddelde of gemiddeld van die data 10. Die bestuurder besluit om dit te gebruik as die skatting vir uitgawes van 'n tipiese verskaffer. Is dit 'n goeie of slegte skat Gemiddelde kwadraat fout is 'n manier om te oordeel hoe goed 'n model is Ons sal bereken die gemiddelde kwadraat fout. Die fout ware bedrag wat minus die beraamde bedrag. Die fout vierkant is die fout hierbo, vierkantig. Die SSE is die som van die gekwadreerde foute. Die MSE is die gemiddeld van die kwadraat foute. MSE lei byvoorbeeld Die uitslae is: Fout en gekwadreerde foute Die raming 10 Die vraag ontstaan: kan ons gebruik maak van die gemiddelde inkomste voorspel as ons vermoed dat 'n tendens 'n blik op die grafiek hieronder toon duidelik dat ons nie dit sou doen. Gemiddeld weeg al verlede Waarnemings ewe In opsomming, ons verklaar dat die eenvoudige gemiddelde of gemiddeld van al verlede waarnemings is net 'n nuttige skatting vir vooruitskatting wanneer daar geen tendense. As daar tendense, gebruik verskillende skattings dat die tendens in ag neem. Die gemiddelde weeg al verlede Waarnemings ewe. Byvoorbeeld, die gemiddelde van die waardes 3, 4, 5 is 4. Ons weet natuurlik dat 'n gemiddelde word bereken deur die toevoeging van al die waardes en die som te deel deur die aantal waardes. Nog 'n manier van berekening van die gemiddelde is deur die byvoeging van elke waarde gedeel deur die aantal waardes, of 3/3 4/3 5/3 1 1,3333 1,6667 4. Die vermenigvuldiger 1/3 is die gewig genoem. In die algemeen: bar frac som links (frac regs) x1 links (frac regs) x2,. ,, Links (frac regs) xn. Die (links (frac regs)) is die gewigte en, natuurlik, hulle vat om 1.Forecasting 101: Eksponensiële Smoothing Demystified Deel I - 'n konseptuele oorsig Eksponensiële glad is die metode van keuse vir baie korporatiewe voorspellers. Die tegniek skep akkurate voorspellings, is maklik om aansoek te doen en kan outomatiese, wat dit moontlik maak om dit te gebruik vir grootskaalse vooruitskatting. In 'n reeks van drie artikels, voorspelling 101 sal ondersoek hoe hierdie belangrike tegniek werk, hoe om dit toe te pas en hoe om die resultate te interpreteer. Die eerste artikel bied 'n konseptuele oorsig van eksponensiële gladstryking modelle en hoe dit werk. Eksponensiële gladstryking is 'n tydreeks vooruitskatting tegniek. (Tyd reeks metodes word voorspel tegnieke wat die voorspelling uitsluitlik op die geskiedenis van die item wat jy voorspel baseer.) As 'n tydreeks tegniek, eksponensiële gladstryking modelle is geskik as jy 'n redelike bedrag van kontinuïteit tussen die verlede en die toekoms kan neem. Die modelle is die beste geskik is om korter termyn forecastingsay 24 maande of lessdue om hul aanname dat toekomstige patrone en tendense huidige patrone en tendense sal lyk. Dit is 'n redelike aanname in die kort termyn, maar word meer vaag die verdere uit jou voorspel. Eksponensiële gladstryking is nie 'n enkele model, maar eerder 'n gesin van modelle. Die modelle te skat en voorspel die vlak van die data saam met verskillende soorte neigings en seisoenale patrone. Die modelle is aanpasbaar, en wanneer die opwekking van die voorspellings gee groter klem op die onlangse geskiedenis teenoor die verre verlede. 'N komponent View van data Die data hierbo beide tendens en seisoenaal. Die onderste gedeelte van die skerm vertoon die glad gewigte en finale waardes van 'n winter eksponensiële gladstryking model. Eksponensiële gladstryking modelle aanvaar dat die tyd reeks het tot drie onderliggende data componentslevel, tendens en seisoenaliteit. Die doel van die eksponensiële gladstryking model is om die finale waardes van die vlak, tendens en seisoenale patroon (bv hul waardes aan die einde van die data) te skat. Hierdie finale waardes word dan gebruik om die voorspellings te bou. Elkeen van die komponente word aangeneem dat dit verander in die tyd. Byvoorbeeld, kan die tendens aan die begin van die data heel anders as die tendens aan die einde van die data wees. Daarbenewens is die data veronderstel om ewekansige variasie (geraas) wat niks te doen met die onderliggende vlak, tendens en seisoenale patroon het bevat. Die rol van die Smoothing Gewig As ons probeer om die finale waarde te skat vir 'n komponent en ons weet dat dit die verandering in tyd, maak dit sin om 'n groter klem te gee aan die mees onlangse geskiedenis teenoor die verre verlede, as gevolg van die feit dat die komponent is om te verander en dus die onlangse geskiedenis weerspieël meer akkuraat huidige omstandighede. Aan die ander kant, as ons weet dat die data is raserig, dit is voordelig vir 'n baie data gebruik om die komponent skat uit te kanselleer die geraas. So in wese het ons 'n balans actwe wil om te konsentreer op die mees onlangse data om verandering te vang, maar ons wil verder terug gaan in tyd uit te stryk die geraas. Eksponensiële gladstryking modelle gebruik 'n reeks glad gewigte aan die hoeveelheid klem vas te gee aan elke datapunt wanneer die beraming van die finale waardes van die komponente. Die gewigte gee die meeste klem op die mees onlangse data en eksponensieel afneem as jy terug gaan in die tyd. Die besonderhede oor hoe die gewigte word geskat en toegepas word, saam met die smoothing vergelykings wat gebruik word, is ten volle gedetailleerde in die voorspelling Pro Statistiese Reference Manual asook feitlik elke handboek op statistiese vooruitskatting. Die voorspelling Pro Statistiese Reference Manual is 'n pdf dokument wat gekopieer na die program gids wanneer jy Voorspelling Pro installeer. Dit is ook toeganklik via die voorspelling Pro Hulp Stelsel en is die primêre voorgestel verwysing vir eksponensiële gladstryking modelle en al die ander voorspelling tegnieke, statistieke en algoritmes in Voorspelling Pro. 'N Gesin van Models Daar is baie vorme van eksponensiële gladstryking. Voorspelling Pro implemente die Holt-Winters familie van eksponensiële gladstryking modelle. Voorspel profiele van eksponensiële gladstryking aangepas uit E. Gardner, Journal of Forecasting, Vol. 4 (1985) Figuur 1 toon voorspelling profiele gegenereer uit die twaalf verskillende eksponensiële gladstryking modelle wat deel uitmaak van die familie Holt-Winters. Die modelle wissel van hoe hulle voorspel tendense en seisoenale patrone. Daar is vier opsies vir die voorspelling van die tendens. Die voorspellings kan geprojekteer as nontrended (dws plat), of met behulp van 'n lineêre tendens (dws 'n reguitlyngrondslag tendens), of met behulp van 'n gedempte tendens (dws 'n tendens wat uit sterf mettertyd), of met behulp van 'n eksponensiële tendens (dws 'n tendens wat groei as 'n persentasie van die self). Die seisoenale modelle genereer 'n stel indekse om die seisoenale bydrae van elke periode gedurende die jaar 'n model. Byvoorbeeld, indien die data is maandeliks, 12 indekse gegenereer om die seisoenale bydrae van elke maand te vang. Die indekse word gekombineer met die tendens projeksie na die voorspellings te skep. Daar is drie opsies vir die voorspelling van die seisoenale patroon. Die voorspellings kan nonseasonal wees (dit wil sê indekse is nie gebruik word nie), of geprojekteer deur toevoeging indekse (bv indekse wat bygevoeg om die geprojekteerde tendens), of met behulp van vermenigvuldiging indekse (bv indekse wat vermenigvuldig in die geprojekteerde tendens). Die verskil tussen die optellings - en vermenigvuldigingsomgekeerdes indeks benaderings word geïllustreer deur die lineêre tendens voorspellings in Figuur 1 hierbo. In die toevoeging seisoenale benadering, die amplitudes van die seisoenale patrone konstant bly, selfs as die onderliggende vlak styg. In die multiplikatiewe seisoenale benadering verhoog die amplitudes as die vlak styg. In die algemene geval, toevoeging modelle te genereer konstante seisoenale variasies ongeag die onderliggende tendens en vermenigvuldigende modelle te genereer seisoenale patrone wat meer / minder uitgespreek as die tendens verhoog word / afneem. Eenvoudig gestel, multiplikatiewe seisoenale indekse stel die seisoenale variasie as persentasie aanpassings aan die onderliggende tendens. Kom volgende: Hoe om Kies 'n geskikte model in die volgende paaiement van vooruitskatting 101 sal ons beide outomatiese en handleiding verken benaderings tot die kies van 'n geskikte eksponensiële gladstryking model vir 'n gegewe datastel. Oor die skrywer: Eric Stellwagen is vise-president en mede-stigter van Besigheid Voorspelling Systems, Inc. (BFS) en mede-skrywer van die voorspelling Pro sagteware produk lyn. Hy konsulteer wyd in die gebied van praktiese sake forecastingspending 20-30 dae per jaar aanbied werkswinkels oor die subjectand spreek gereeld professionele groepe soos die Universiteit van Tennessees Verkope Vooruitskatting Management Forum, APICS en die Instituut vir Besigheid vooruitskatting. Erken as 'n voorste kenner op die gebied, het hy saam met talle maatskappye, insluitende Coca-Cola, Procter Gamble, Merck, Blue Cross Blue Shield, Nabisco, Owens-Corning en Verizon, en het gedien op die direksie van die Internasionale Instituut van Voorspellers (IIF).Time reeks metodes tyd reeks metodes is statistiese tegnieke wat gebruik maak van historiese data opgehoopte oor 'n tydperk van die tyd te maak. Tydreeks metodes aanvaar dat dit wat in die verlede plaasgevind sal voortgaan om in die toekoms plaasvind. Soos die naam tydreekse suggereer, hierdie metodes in verband die vooruitsig om slegs een faktor - tyd. Dit sluit in die bewegende gemiddelde, eksponensiële gladstryking, en lineêre tendens lyn en hulle is een van die gewildste metodes vir 'n kort-reeks voorspelling onder diens en vervaardiging van maatskappye. Hierdie metodes aanvaar dat identifiseerbare historiese patrone of tendense vir die vraag oor 'n tydperk sal hulself herhaal. Bewegende gemiddelde A tydreeks vooruitskatting kan so eenvoudig wees soos die gebruik van die vraag in die huidige tydperk tot die vraag in die volgende tydperk voorspel word. Dit is soms 'n naïef of intuïtief skatting. 4 Byvoorbeeld, as die vraag is 100 eenhede vandeesweek die voorspelling vir die volgende weke vraag is 100 eenhede as die vraag blyk te wees 90 eenhede in plaas wees, dan is die volgende weke vraag is 90 eenhede, en so aan. Hierdie tipe van vooruitskatting metode nie in ag neem historiese gedrag vraag dit berus slegs op aanvraag in die huidige tydperk. Dit reageer direk na die normale, ewekansige bewegings in aanvraag. Die eenvoudige bewegende gemiddelde metode gebruik 'n paar vraag waardes tydens die onlangse verlede 'n voorspelling te ontwikkel. Dit is geneig om te demp, of glad, die ewekansige toeneem en afneem van 'n voorspelling dat slegs een tydperk gebruik. Die eenvoudige bewegende gemiddelde is nuttig vir vooruitskatting vraag wat is stabiel en geen uitgesproke vraag gedrag vertoon, soos 'n tendens of seisoenale patroon. Bewegende gemiddeldes word bereken vir bepaalde tydperke, soos drie maande of vyf maande, afhangende van hoeveel die weervoorspeller begeer om die vraag data glad. Hoe langer die bewegende gemiddelde tydperk, die gladder dit sal wees. Die formule vir die berekening van die eenvoudige bewegende gemiddelde is Rekenaarkunde n Eenvoudige bewegende gemiddelde Die Instant Skuifspeld Kantoor Supply Company verkoop en lewer kantoor verskaf aan maatskappye, skole, en agentskappe binne 'n radius van 50 myl van sy pakhuis. Die kantoor voorsien besigheid is mededingend, en die vermoë om bestellings te vinnig te lewer is 'n faktor in kry nuwe kliënte en die behoud van oues. (Kantore bestel tipies nie wanneer hulle lae hardloop op voorrade, maar wanneer hulle heeltemal uitgeput. As gevolg hiervan, het hulle onmiddellik moet hul bestellings.) Die bestuurder van die maatskappy wil seker wees genoeg bestuurders en voertuie beskikbaar is om bestellings te vinnig te lewer en hulle het voldoende voorraad in voorraad. Daarom is die bestuurder wil in staat wees om die aantal bestellings wat sal plaasvind gedurende die volgende maand voorspel (dit wil sê die vraag na aflewerings voorspel). Van rekords van aflewering bestellings, het die bestuur opgehoopte die volgende data vir die afgelope 10 maande, waaruit dit wil 3- en 5-maande bewegende gemiddeldes te bereken. Kom ons neem aan dat dit die einde van Oktober. Die voorspelling as gevolg van óf die 3 of die 5-maande bewegende gemiddelde is tipies vir die volgende maand in die volgorde, wat in hierdie geval is November. Die bewegende gemiddelde word bereken uit die vraag na bestellings vir die vorige 3 maande in die volgorde volgens die volgende formule: Die 3- en 5-maande: die 5-maande bewegende gemiddelde is soos volg bereken vanaf die vorige 5 maande van die vraag data bewegende gemiddelde voorspellings vir al die maande van die vraag data word in die volgende tabel. Eintlik, sou net die voorspelling vir November gebaseer op die mees onlangse maandelikse vraag gebruik word deur die bestuurder. Maar die vroeëre voorspellings vir vorige maande toelaat om die voorspelling te vergelyk met die werklike vraag om te sien hoe akkuraat die voorspellings metode is - dit is, hoe goed dit werk. Drie - en vyf maande Gemiddeldes Beide bewegende gemiddelde voorspellings in die tabel hierbo is geneig om uit te stryk die variasie wat in die werklike data. Dit glad effek waargeneem kan word in die volgende figuur waarin die 3-maande en 5 maande gemiddeldes is bo-op 'n grafiek van die oorspronklike data: Die 5-maande bewegende gemiddelde in die vorige figuur glad uit skommelinge in 'n mindere mate as die 3-maande bewegende gemiddelde. Maar die 3-maande-gemiddelde van naderby weerspieël die mees onlangse data beskikbaar is om die kantoor voorsien bestuurder. In die algemeen, voorspellings met behulp van die langer tydperk bewegende gemiddelde is stadiger te reageer op onlangse veranderings in vraag as wat diegene wat met behulp van korter-tydperk bewegende gemiddeldes. Die ekstra periodes van data demp die spoed waarmee die voorspelling reageer. Stigting van die toepaslike aantal periodes te gebruik in 'n bewegende gemiddelde vooruitskatting vereis dikwels 'n paar bedrag van probeer-en-tref eksperimentering. Die nadeel van die bewegende gemiddelde metode is dat dit nie reageer op variasies wat voorkom vir 'n rede, soos siklusse en seisoenale effekte. Faktore wat veranderings veroorsaak is oor die algemeen geïgnoreer. Dit is basies 'n meganiese metode, wat historiese data in 'n konsekwente manier weerspieël. Maar die bewegende gemiddelde metode het wel die voordeel dat dit maklik om te gebruik, vinnig, en relatief goedkoop. In die algemeen, kan hierdie metode 'n goeie vooruitsig vir die kort termyn te voorsien, maar dit behoort nie te ver gestoot in die toekoms.
No comments:
Post a Comment