الانتقال من المتوسط - التنبؤ الفاصل الزمني

متحرك متوسط ​​التنبؤ التنبؤ. كما قد تخمن أننا نبحث في بعض من أكثر الأساليب بدائية للتنبؤ. ولكن نأمل أن تكون هذه مقدمة مفيدة على الأقل لبعض قضايا الحوسبة المتعلقة بتنفيذ التنبؤات في جداول البيانات. في هذا السياق سوف نستمر من خلال البدء في البداية والبدء في العمل مع توقعات المتوسط ​​المتحرك. نقل متوسط ​​التوقعات. الجميع على دراية بتحرك توقعات المتوسط ​​بغض النظر عما إذا كانوا يعتقدون أنهم. جميع طلاب الجامعات القيام بها في كل وقت. فكر في درجاتك االختبارية في الدورة التي ستحصل فيها على أربعة اختبارات خالل الفصل الدراسي. لنفترض أنك حصلت على 85 في الاختبار الأول. ما الذي يمكن أن تتنبأ به لنتيجة الاختبار الثانية ما رأيك بأن معلمك سوف يتنبأ بنتيجة الاختبار التالية ما رأيك في أن أصدقائك قد يتنبأون بنتيجة الاختبار التالية ما رأيك في توقع والديك لنتيجة الاختبار التالية بغض النظر عن كل بلابينغ كنت قد تفعل لأصدقائك وأولياء الأمور، هم ومعلمك من المرجح جدا أن نتوقع منك الحصول على شيء في مجال 85 كنت حصلت للتو. حسنا، الآن دعونا نفترض أنه على الرغم من الترويج الذاتي الخاص بك إلى أصدقائك، وكنت أكثر من تقدير نفسك والشكل يمكنك دراسة أقل للاختبار الثاني وحتى تحصل على 73. الآن ما هي جميع المعنيين وغير مدرك الذهاب إلى توقع أن تحصل على الاختبار الثالث هناك اثنين من المرجح جدا النهج بالنسبة لهم لوضع تقدير بغض النظر عما إذا كانوا سوف تقاسمها معك. قد يقولون لأنفسهم، هذا الرجل هو دائما تهب الدخان حول ذكائه. هيس الذهاب للحصول على آخر 73 إذا هيس محظوظا. ربما كان الوالدان يحاولان أن يكونا أكثر داعما ويقولان: كوتيل، حتى الآن حصلت على 85 و 73، لذلك ربما يجب أن تحصل على حوالي (85 73) 2 79. أنا لا أعرف، ربما لو كنت أقل من الحفلات و ويرنت يهزان في كل مكان في جميع أنحاء المكان، وإذا كنت بدأت تفعل الكثير من الدراسة يمكنك الحصول على أعلى score. quot كل من هذه التقديرات تتحرك في الواقع متوسط ​​التوقعات. الأول يستخدم فقط أحدث درجاتك للتنبؤ بأدائك المستقبلي. وهذا ما يطلق عليه توقعات المتوسط ​​المتحرك باستخدام فترة واحدة من البيانات. والثاني هو أيضا متوسط ​​التوقعات المتحركة ولكن باستخدام فترتين من البيانات. دعونا نفترض أن كل هؤلاء الناس خرق على العقل العظيم لديك نوع من سكران قبالة لكم وتقرر أن تفعل بشكل جيد على الاختبار الثالث لأسباب خاصة بك ووضع درجة أعلى أمام كوتاليسكوت الخاص بك. كنت تأخذ الاختبار ودرجاتك هو في الواقع 89 الجميع، بما في ذلك نفسك، وأعجب. حتى الآن لديك الاختبار النهائي للفصل الدراسي القادمة وكالمعتاد كنت تشعر بالحاجة إلى غواد الجميع في جعل توقعاتهم حول كيف ستفعل على الاختبار الأخير. حسنا، نأمل أن ترى هذا النمط. الآن، ونأمل أن تتمكن من رؤية هذا النمط. ما الذي تعتقده هو صافرة الأكثر دقة بينما نعمل. الآن نعود إلى شركة التنظيف الجديدة التي بدأتها شقيقة نصف استدارة دعا صافرة بينما نعمل. لديك بعض بيانات المبيعات السابقة التي يمثلها القسم التالي من جدول بيانات. نعرض البيانات لأول مرة لتوقعات المتوسط ​​المتحرك لمدة ثلاث سنوات. يجب أن يكون إدخال الخلية C6 الآن يمكنك نسخ صيغة الخلية هذه إلى الخلايا الأخرى من C7 إلى C11. لاحظ كيف يتحرك المتوسط ​​على أحدث البيانات التاريخية ولكنه يستخدم بالضبط ثلاث فترات أحدث متاحة لكل تنبؤ. يجب أن تلاحظ أيضا أننا لسنا بحاجة حقا لجعل التنبؤات للفترات الماضية من أجل تطوير أحدث توقعاتنا. وهذا يختلف بالتأكيد عن نموذج التجانس الأسي. وشملت إيف التنبؤات كوتاباستكوت لأننا سوف استخدامها في صفحة الويب التالية لقياس صحة التنبؤ. الآن أريد أن أعرض النتائج المماثلة لمتوسطين توقعات المتوسط ​​المتحرك. يجب أن يكون إدخال الخلية C5 الآن يمكنك نسخ صيغة الخلية هذه إلى الخلايا الأخرى من C6 إلى C11. لاحظ كيف الآن فقط اثنين من أحدث القطع من البيانات التاريخية تستخدم لكل التنبؤ. مرة أخرى لقد قمت بتضمين التنبؤات اقتباسا لأغراض التوضيح واستخدامها لاحقا في التحقق من صحة التوقعات. بعض الأمور الأخرى التي من الأهمية أن تلاحظ. وبالنسبة للمتوسط ​​المتحرك للمتوسط ​​m، لا يتوقع إلا أن تستخدم معظم قيم المعطيات الأخيرة لجعل التنبؤ. لا شيء آخر ضروري. وبالنسبة للتنبؤ المتوسط ​​المتحرك للمتوسط ​​m، عند التنبؤ بالتنبؤات، لاحظ أن التنبؤ الأول يحدث في الفترة m 1. وستكون هاتان المسألتان مهمتين جدا عند تطوير الشفرة. تطوير المتوسط ​​المتحرك المتحرك. الآن نحن بحاجة إلى تطوير رمز لتوقعات المتوسط ​​المتحرك التي يمكن استخدامها أكثر مرونة. تتبع التعليمات البرمجية. لاحظ أن المدخلات هي لعدد الفترات التي تريد استخدامها في التوقعات ومصفوفة القيم التاريخية. يمكنك تخزينه في أي المصنف الذي تريده. وظيفة موفينغافيراج (تاريخي، نومبروفريودس) كما واحد إعلان وتهيئة المتغيرات ديم البند كما متغير عداد خافت كما عدد صحيح تراكم خافت كما أحادي ديم تاريخي الحجم كما عدد صحيح تهيئة المتغيرات عداد 1 تراكم 0 تحديد حجم الصفيف التاريخي تاريخ سيز التاريخية. الكونت كونتر 1 إلى نومبروفريودس تجميع العدد المناسب من أحدث القيم التي تمت ملاحظتها سابقا تراكم تراكم تاريخي (تاريخي - عدد نومبريوفريودس عداد) موفينغافيراج تراكوم نومبروفريودس سيتم شرح التعليمات البرمجية في الصف. تريد وضع الوظيفة على جدول البيانات بحيث تظهر نتيجة الحساب حيث ترغب في التالي. 2.7 فترات التنبؤ كما هو مبين في القسم 17. يعطي فاصل التنبؤ فاصلا نتوقع فيه أن تقع y مع احتمال محدد . على سبيل المثال، بافتراض أن أخطاء التنبؤ غير مترابطة وتوزع عادة، فإن فاصل زمني بسيط 95 للتنبؤ للمراقبة التالية في سلسلة زمنية هو 91 قبعة بيإم 1.96 هاتسيغما، 93 حيث هاتسيغما هو تقدير للانحراف المعياري لتوزيع التوقعات. في التنبؤ، فمن الشائع لحساب 80 فترات و 95 فترات، على الرغم من أن أي نسبة يمكن استخدامها. وعند التنبؤ بخطوة واحدة إلى الأمام، فإن الانحراف المعياري للتوزيع المتوقع هو تقريبا نفس الانحراف المعياري للمخلفات. (في الواقع، يكون الانحرافان المعياريان متطابقين إذا لم تكن هناك معلمات يتم تقديرها مثل طريقة الصفيحة، وفيما يتعلق بطرائق التنبؤ التي تنطوي على معلمات ينبغي تقديرها، يكون الانحراف المعياري للتوزيع المتوقع أكبر قليلا من الانحراف المعياري المتبقي، على الرغم من أن هذا الاختلاف غالبا ما يتم تجاهله.) على سبيل المثال، النظر في توقعات صحن مؤشر داو جونز. القيمة الأخيرة من سلسلة لوحظ هو 3830، وبالتالي فإن توقعات القيمة التالية لل دجي هو 3830. الانحراف المعياري للمخلفات من طريقة نيف هو 21.99. وبالتالي، فإن فاصل التنبؤ 95 للقيمة التالية لل دجي هو 3830 مساء 1.96 (21.99) 3787، 3873. وبالمثل، يتم إعطاء فاصل التنبؤ 80 بحلول 3830 مساء 1.28 (21.99) 3802،3858. وتحدد قيمة المضاعف (1.96 أو 1.28) النسبة المئوية لفترة التنبؤ. ويعطي الجدول التالي القيم التي ستستخدم لنسب مئوية مختلفة. الجدول 1.2: المضاعفات التي تستخدم لفترات التنبؤ. ويفترض استخدام هذا الجدول وصيغة القبعة بيه ك هاتسيغما (حيث k هو المضاعف) أن البقايا توزع عادة وغير مترابطة. وفي حالة عدم وجود أي من هذه الشروط، لا يمكن استخدام هذه الطريقة لإنتاج فاصل زمني للتنبؤ. وقيمة فترات التنبؤ هي أنها تعبر عن عدم التيقن في التنبؤات. إذا كنا ننتج فقط توقعات نقطة، لا توجد وسيلة لمعرفة مدى دقة التوقعات. ولكن إذا قمنا أيضا بإنتاج فترات التنبؤ، فمن الواضح أن مقدار عدم اليقين يرتبط بكل توقعات. ولهذا السبب، يمكن أن تكون التنبؤات بالنقاط تقريبا بدون قيمة دون فترات التنبؤ المصاحبة. ولإنتاج فاصل زمني للتنبؤ، من الضروري أن يكون هناك تقدير للانحراف المعياري لتوزيع التنبؤات. وبالنسبة للتنبؤات من خطوة واحدة للسلاسل الزمنية، يوفر الانحراف المعياري المتبقي تقدير جيد للانحراف المعياري المتوقع. ولكن بالنسبة لجميع الحالات الأخرى، بما في ذلك التنبؤات متعددة الخطوات للسلاسل الزمنية، يلزم اتباع طريقة أكثر تعقيدا للحساب. وعادة ما تتم هذه العمليات الحسابية مع برامج التنبؤ القياسية ولا تحتاج إلى مشكلة المتنبئ (إلا إذا كان هو أو هي كتابة البرنامج). ومن السمات المشتركة لفترات التنبؤ أنها تزيد في الطول مع زيادة أفق التنبؤ. وفي المستقبل الذي نتوقعه، فإن المزيد من عدم اليقين يرتبط بالتوقعات، وبالتالي فإن فترات التنبؤ تنمو على نطاق أوسع. ومع ذلك، هناك بعض (غير الخطية) أساليب التنبؤ التي لا تملك هذه السمة. وفي حالة استخدام تحويل، ينبغي حساب الفاصل الزمني للتنبؤ على المقياس المحول، وتحويل نقاط النهاية إلى الوراء لإعطاء فاصل زمني للتنبؤ على المقياس الأصلي. يحافظ هذا النهج على التغطية الاحتمالية للفاصل الزمني للتنبؤ، على الرغم من أنه لن يكون متماثلا حول توقعات النقطة. هذه الوظيفة تجريبية ويمكن تغييرها أو إزالتها تماما في إصدار مستقبلي. سوف مرونة اتخاذ نهج أفضل جهد لإصلاح أي قضايا، ولكن الميزات التجريبية لا تخضع ل سلا الدعم من الميزات غا الرسمية. وبالنظر إلى سلسلة مرتبة من البيانات، فإن تجميع المتوسط ​​المتحرك سينزل نافذة عبر البيانات وينبعث منها متوسط ​​قيمة تلك النافذة. على سبيل المثال، نظرا للبيانات 1 و 2 و 3 و 4 و 5 و 6 و 7 و 8 و 9 و 10. يمكننا حساب المتوسط ​​المتحرك البسيط مع حجم النوافذ 5 كما يلي: المتوسطات المتحركة هي طريقة بسيطة لتسلسل متتابعة البيانات. وعادة ما يتم تطبيق المتوسطات المتحركة على البيانات المستندة إلى الوقت، مثل أسعار الأسهم أو مقاييس الخادم. ويمكن استخدام التمهيد للقضاء على تقلبات الترددات العالية أو الضوضاء العشوائية، مما يسمح للاتجاهات تردد أقل لتكون أكثر سهولة تصور، مثل الموسمية. سينتاكسديت ليناريديت يقوم النموذج الخطي بتعيين ترجيح خطي لنقاط في السلسلة، بحيث تساهم نقاط البيانات الأقدم (مثل تلك الموجودة في بداية النافذة) بقدر أقل خطيا في المتوسط ​​الإجمالي. ويساعد الترجيح الخطي في تقليل الفارق الزمني وراء مؤشر دتس، لأن النقاط القديمة لها تأثير أقل. لا يحتوي النموذج الخطي على إعدادات خاصة لتكوين مثل نموذج بسيط، يمكن أن حجم النافذة تغيير سلوك المتوسط ​​المتحرك. على سبيل المثال، نافذة صغيرة (نافذة: 10) سوف تعقب عن كثب البيانات والتلوث السلس فقط على نطاق صغير: الشكل 3. المتوسط ​​المتحرك الخطي مع نافذة من حجم 10 في المقابل، المتوسط ​​المتحرك الخطي مع نافذة أكبر (نافذة: 100) سوف تلطيف جميع تقلبات أعلى تردد، وترك فقط التردد المنخفض، والاتجاهات على المدى الطويل. كما أنها تميل إلى التخلف عن البيانات الفعلية بمقدار كبير، على الرغم من أن عادة أقل من نموذج بسيط: الشكل 4. المتوسط ​​المتحرك الخطي مع نافذة من حجم 100 المضاعف هولت-وينترسيديت المضاعف يتم تحديده من خلال وضع نوع: مولت. ويفضل هذا الصنف عندما يتم ضرب التأثير الموسمية ضد البيانات الخاصة بك. مثلا إذا كان تأثير موسمي هو x5 البيانات، بدلا من مجرد إضافة إليها. القيم الافتراضية ألفا و غاما هي 0.3 بينما بيتا هو 0.1. إعدادات قبول أي تعويم من 0-1 شاملة. القيمة الافتراضية للفترة هي 1. نموذج هالت-وينتر المضاعف يمكن تقليله المضاعف هولت-وينتر يعمل عن طريق قسمة كل نقطة بيانات حسب القيمة الموسمية. هذا أمر إشكالي إذا كان أي من البيانات الخاصة بك هو صفر، أو إذا كان هناك ثغرات في البيانات (لأن هذا يؤدي إلى قسمة-صفر). لمكافحة هذا، مولت هولت الشتاء يضغط جميع القيم بمقدار صغير جدا (110 -10) بحيث تكون جميع القيم غير صفرية. هذا يؤثر على النتيجة، ولكن فقط الحد الأدنى. إذا كانت البيانات الخاصة بك غير صفرية أو كنت تفضل أن ترى نان عند مصادفة الأصفار، يمكنك تعطيل هذا السلوك مع لوحة: فالس بريديكتيونديت يدعم كل نموذج المتوسط ​​المتحرك وضع التنبؤ، والتي سوف تحاول استقراء في المستقبل نظرا الحالية تمهيد، المتوسط ​​المتحرك. واعتمادا على النموذج والمعلمة، قد تكون هذه التنبؤات دقيقة أو قد لا تكون دقيقة. يتم تمكين التنبؤات بإضافة معلمة التنبؤ إلى أي تجميع المتوسط ​​المتحرك، مع تحديد عدد من التوقعات التي ترغب إلحاق نهاية السلسلة. سيتم تباعد هذه التوقعات في نفس الفاصل الزمني كما دلاء الخاص بك: بسيطة. فإن النماذج الخطية و إوما تنتج جميعها تنبؤات مسطحة: فهي تتلاقى أساسا على متوسط ​​القيمة الأخيرة في السلسلة، وتنتج مسطح: الشكل 11. المتوسط ​​المتحرك البسيط مع نافذة الحجم 10، تتنبأ 50 على النقيض من ذلك، يمكن أن يستقر نموذج هولت على الاتجاهات الثابتة المحلية أو العالمية. إذا قمنا بتعيين قيمة بيتا عالية، يمكننا استقراء استنادا إلى الاتجاهات الثابتة المحلية (في هذه الحالة تنبؤات الرأس لأسفل، لأن البيانات في نهاية السلسلة كانت تتجه في اتجاه نزولي): الشكل 12. المتوسط ​​المتحرك هولت الخطي مع نافذة من حجم 100، التنبؤ 20، ألفا 0.5، بيتا 0.8 في المقابل، إذا اخترنا بيتا صغيرة. تستند التنبؤات إلى الاتجاه العالمي الثابت. في هذه السلسلة، فإن الاتجاه العالمي إيجابي قليلا، وبالتالي فإن التنبؤ يجعل حاد بدوره بدوره ويبدأ ميلا إيجابيا: الشكل 13. المتوسط ​​المتحرك الأسي المزدوج مع نافذة من حجم 100، والتنبؤ 20، ألفا 0.5، بيتا 0.1 نموذج هولتوينترس لديها القدرة على تحقيق أفضل التوقعات، لأنه يتضمن أيضا التقلبات الموسمية في النموذج: الشكل 14. المتوسط ​​المتحرك هولت-وينتر مع نافذة من حجم 120، وتوقع 25، ألفا 0.8، بيتا 0.2، غاما 0.7، الفترة 30