Simple moving average forecasting techniken




Simple moving average forecasting technikenVorhersage von Smoothing Techniques Diese Seite ist ein Teil der JavaScript E-Labs Lernobjekte fur die Entscheidungsfindung. Andere JavaScript in dieser Serie sind unter verschiedenen Bereichen von Anwendungen im Abschnitt MENU auf dieser Seite kategorisiert. Eine Zeitreihe ist eine Folge von Beobachtungen, die zeitlich geordnet sind. Inharent in der Sammlung von Daten uber die Zeit genommen, ist eine Form der zufalligen Variation. Es gibt Methoden zur Verringerung der Aufhebung der Wirkung aufgrund zufalliger Variation. Weit verbreitete Techniken sind Glattung. Diese Techniken, wenn richtig angewandt, zeigt deutlicher die zugrunde liegenden Trends. Geben Sie die Zeitreihe Row-weise in der Reihenfolge beginnend mit der linken oberen Ecke und den Parametern ein, und klicken Sie dann auf die Schaltflache Berechnen, um eine Prognose fur eine Periode zu erhalten. Blank Boxen sind nicht in den Berechnungen, sondern Nullen enthalten. Wenn Sie Ihre Daten eingeben, um sich von Zelle zu Zelle in der Daten-Matrix zu bewegen, verwenden Sie die Tabulatortaste nicht Pfeil oder geben Sie die Tasten ein. Merkmale der Zeitreihen, die durch die Untersuchung seines Graphen aufgezeigt werden konnten. Mit den prognostizierten Werten und dem Residualverhalten, Condition Prognose Modellierung. Moving Averages: Gleitende Durchschnitte zahlen zu den beliebtesten Techniken fur die Vorverarbeitung von Zeitreihen. Sie werden verwendet, um zufalliges wei?es Rauschen aus den Daten zu filtern, um die Zeitreihe glatter zu machen oder sogar bestimmte in der Zeitreihe enthaltene Informationskomponenten zu betonen. Exponentialglattung: Dies ist ein sehr populares Schema, um eine geglattete Zeitreihe zu erzeugen. Wahrend in den gleitenden Durchschnitten die bisherigen Beobachtungen gleich gewichtet werden, erhalt die exponentielle Glattung exponentiell abnehmende Gewichte, wenn die Beobachtung alter wird. Mit anderen Worten, die jungsten Beobachtungen sind relativ mehr Gewicht in der Prognose gegeben als die alteren Beobachtungen. Double Exponential Smoothing ist besser im Umgang mit Trends. Triple Exponential Smoothing ist besser im Umgang mit Parabeltrends. Ein exponentiell gewichteter gleitender Durchschnitt mit einer Glattungskonstanten a. Entspricht in etwa einem einfachen gleitenden Durchschnitt der Lange (d. h. Periode) n, wobei a und n durch a 2 (n1) OR n (2 - a) a verknupft sind. So wurde beispielsweise ein exponentiell gewichteter gleitender Durchschnitt mit einer Glattungskonstante gleich 0,1 etwa einem 19 Tage gleitenden Durchschnitt entsprechen. Und ein 40 Tage einfacher gleitender Durchschnitt wurde etwa einem exponentiell gewichteten gleitenden Durchschnitt mit einer Glattungskonstanten gleich 0,04878 entsprechen. Holts Lineare Exponentialglattung: Angenommen, die Zeitreihe ist nicht saisonal, sondern zeigt Trend. Holts-Methode schatzt sowohl das aktuelle Niveau als auch den aktuellen Trend. Beachten Sie, dass der einfache gleitende Durchschnitt ein Spezialfall der exponentiellen Glattung ist, indem die Periode des gleitenden Mittelwertes auf den ganzzahligen Teil von (2-Alpha) Alpha gesetzt wird. Fur die meisten Geschaftsdaten ist ein Alpha-Parameter kleiner als 0,40 oft effektiv. Man kann jedoch eine Gittersuche des Parameterraums mit 0,1 bis 0,9 mit Inkrementen von 0,1 durchfuhren. Dann hat das beste Alpha den kleinsten mittleren Absolutfehler (MA Error). Wie man mehrere Glattungsmethoden miteinander vergleicht: Obwohl es numerische Indikatoren fur die Beurteilung der Genauigkeit der Prognosetechnik gibt, besteht der am weitesten verbreitete Ansatz darin, einen visuellen Vergleich mehrerer Prognosen zu verwenden, um deren Genauigkeit zu bewerten und unter den verschiedenen Prognosemethoden zu wahlen. Bei diesem Ansatz muss man auf demselben Graphen die ursprunglichen Werte einer Zeitreihenvariablen und die vorhergesagten Werte aus verschiedenen Prognoseverfahren aufzeichnen und damit einen visuellen Vergleich erleichtern. Sie konnen die Vergangenheitsvorhersage von Smoothing Techniques JavaScript verwenden, um die letzten Prognosewerte basierend auf Glattungstechniken zu erhalten, die nur einen einzigen Parameter verwenden. Holt - und Winters-Methoden zwei bzw. drei Parameter, daher ist es keine leichte Aufgabe, die optimalen oder sogar nahezu optimalen Werte durch Versuch und Fehler fur die Parameter auszuwahlen. Die einzelne exponentielle Glattung betont die kurzreichweite Perspektive, die sie den Pegel auf die letzte Beobachtung setzt und basiert auf der Bedingung, dass es keinen Trend gibt. Die lineare Regression, die auf eine Linie der kleinsten Quadrate zu den historischen Daten (oder transformierten historischen Daten) passt, reprasentiert die lange Reichweite, die auf dem Grundtrend konditioniert ist. Holts lineare exponentielle Glattung erfasst Informationen uber die jungsten Trend. Die Parameter im Holts-Modell sind Ebenenparameter, die verringert werden sollten, wenn die Menge der Datenvariation gro? ist, und der Trends-Parameter sollte erhoht werden, wenn die jungste Trendrichtung durch das Kausale beeinflusst wird. Kurzfristige Prognose: Beachten Sie, dass jeder JavaScript auf dieser Seite eine einstufige Prognose zur Verfugung stellt. Um eine zweistufige Prognose zu erhalten. Fugen Sie einfach den prognostizierten Wert an das Ende der Zeitreihendaten und klicken Sie dann auf die Schaltflache Berechnen. Sie konnen diesen Prozess fur ein paar Mal wiederholen, um die benotigten kurzfristigen Prognosen zu erhalten. Smoothing Daten entfernt zufallige Variation und zeigt Trends und zyklische Komponenten Inharent in der Sammlung von Daten im Laufe der Zeit genommen, ist eine Form der zufalligen Variation. Es gibt Methoden zur Verringerung der Aufhebung der Wirkung aufgrund zufalliger Variation. Eine haufig verwendete Technik in der Industrie ist Glattung. Diese Technik zeigt, wenn sie richtig angewendet wird, deutlicher den zugrunde liegenden Trend, saisonale und zyklische Komponenten. Es gibt zwei verschiedene Gruppen von Glattungsmethoden Mittelungsmethoden Exponentielle Glattungsmethoden Mittelwertbildung ist der einfachste Weg, um Daten zu glatten Wir werden zunachst einige Mittelungsmethoden untersuchen, z. B. den einfachen Mittelwert aller vergangenen Daten. Ein Manager eines Lagers mochte wissen, wie viel ein typischer Lieferant in 1000-Dollar-Einheiten liefert. Heshe nimmt eine Stichprobe von 12 Lieferanten zufallig an und erhalt die folgenden Ergebnisse: Der berechnete Mittelwert oder Mittelwert der Daten 10. Der Manager entscheidet, dies als Kostenvoranschlag fur die Ausgaben eines typischen Lieferanten zu verwenden. Ist dies eine gute oder schlechte Schatzung Mittel quadratischen Fehler ist ein Weg, um zu beurteilen, wie gut ein Modell ist Wir berechnen die mittlere quadratische Fehler. Der Fehler true Betrag verbraucht minus die geschatzte Menge. Der Fehler quadriert ist der Fehler oben, quadriert. Die SSE ist die Summe der quadratischen Fehler. Die MSE ist der Mittelwert der quadratischen Fehler. MSE Ergebnisse zum Beispiel Die Ergebnisse sind: Fehler und quadratische Fehler Die Schatzung 10 Die Frage stellt sich: Konnen wir das Mittel verwenden, um Einkommen zu prognostizieren, wenn wir einen Trend vermuten Ein Blick auf die Grafik unten zeigt deutlich, dass wir dies nicht tun sollten. Durchschnittliche Gewichtungen alle fruheren Beobachtungen gleich In Zusammenfassung, wir sagen, dass die einfache Mittelwert oder Mittelwert aller fruheren Beobachtungen ist nur eine nutzliche Schatzung fur die Prognose, wenn es keine Trends. Wenn es Trends, verwenden Sie verschiedene Schatzungen, die den Trend berucksichtigen. Der Durchschnitt wiegt alle fruheren Beobachtungen gleicherma?en. Zum Beispiel ist der Durchschnitt der Werte 3, 4, 5 4. Wir wissen naturlich, dass ein Durchschnitt berechnet wird, indem alle Werte addiert werden und die Summe durch die Anzahl der Werte dividiert wird. Ein anderer Weg, den Durchschnitt zu berechnen, besteht darin, da? jeder Wert durch die Anzahl von Werten geteilt wird, oder 33 43 53 1 1.3333 1.6667 4. Der Multiplikator 13 wird als Gewicht bezeichnet. Allgemein: bar frac sum links (frac rechts) x1 links (frac rechts) x2,. ,, Links (frac rechts) xn. Die (linke (frac rechts)) sind die Gewichte und summieren sich naturlich auf 1.2.3 Einige einfache Prognosemethoden beer2 lt - window 40 ausbeer, start 1992. end 2006 - .1 41 bierfit1 lt - meanf 40 bier2, h 11 41 beerfit2 lt - naiv 40 bier2, h 11 41 beerfit3 lt - snaive 40 beer2, h 11 41 grundstuck 40 beerfit1, grundstuck. Conf FALSE, main quotForecasts fur vierteljahrliche Bierproduktion 41 Zeilen 40 beerfit2mean, col 2 41 Zeilen 40 beerfit3mean, col 3 41 Legende 40 quottoprightquot, lty 1. col c 40 4. 2. 3 41, Legende c 40 quotMean methodquot. QuotNaive Methodenquot. In Abbildung 2.14 wurden die nicht saisonalen Methoden auf eine Reihe von 250 Tagen des Dow Jones Index angewendet. Dj2 lt - fenster 40 dj, ende 250 41 plot 40 dj2, hauptdialog JDDow Jones Index (taglich endet am 15. juli 94), ylab quotquot, xlab quotDayquot, xlim c 40 2. 290 41 41 zeilen 40 mittel 40 dj2, h 42 41 Mittel, col 4 41 Zeilen 40 rwf 40 dj2, h 42 41 Mittelwert, col 2 41 Zeilen 40 rwf 40 dj2, Drift TRUE, h 42 41 Durchschnitt, col 3 41 Legende 40 quottopleftquot, lty 1. col c 40 4. 2. 3 41, Legende c 40 quotMean Methodequot. QuotNaive Methodenquot. QuotDrift methodquot 41 41 Manchmal ist eine dieser einfachen Methoden die beste verfugbare Prognosemethode. Aber in vielen Fallen werden diese Methoden als Benchmarks anstelle der Methode der Wahl dienen. Das hei?t, unabhangig von den Prognosemethoden, die wir entwickeln, werden sie mit diesen einfachen Methoden verglichen, um sicherzustellen, dass die neue Methode besser ist als diese einfachen Alternativen. Wenn nicht, ist die neue Methode nicht zu uberlegen.