ปัญหา และ ข้อเสีย ของ การเคลื่อนไหว ค่าเฉลี่ย พยากรณ์ รูปแบบ

ง่ายต่อการเคลื่อนย้ายค่าเฉลี่ยโดยใช้ค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายเป็นเครื่องมือคาดการณ์ค่าเฉลี่ยเคลื่อนที่คือการติดตามข้อมูลที่เกิดขึ้นจริง แต่ก็มักจะล้าหลังอยู่เรื่อย ๆ ค่าเฉลี่ยเคลื่อนที่จะไม่ถึงยอดเขาหรือหุบเขาของข้อมูลที่แท้จริง ข้อมูลไม่ได้บอกคุณมากเกี่ยวกับ future. However นี้ doesn t ทำให้ค่าเฉลี่ยเคลื่อนที่ไร้ประโยชน์คุณเพียงแค่ต้องตระหนักถึงปัญหาของตน OPEN DESCRIPTION. AUDIO TRANSCRIPTION เพื่อสรุปสำหรับค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายหรือเดียว ค่าเฉลี่ยเคลื่อนที่เราได้เห็นปัญหาบางอย่างเกี่ยวกับการใช้ค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายเป็นเครื่องมือพยากรณ์พยากรณ์ค่าเฉลี่ยเคลื่อนที่จะติดตามข้อมูลจริง แต่ค่าเฉลี่ยเคลื่อนที่จะไม่ถึงยอดเขาหรือหุบเขาของข้อมูลจริงที่เกิดขึ้น ข้อมูลและจริงๆมันไม่ได้บอกคุณมากเกี่ยวกับอนาคตเพราะมันเป็นเพียงการคาดการณ์ล่วงหน้าหนึ่งช่วงและคาดการณ์ว่าจะถือว่าเป็นค่าที่ดีที่สุดสำหรับระยะเวลาในอนาคตระยะเวลาหนึ่งในโฆษณา vance แต่มันไม่ได้บอกคุณมากเกินกว่าที่ thatn t ทำให้ค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายไร้ประโยชน์ในความเป็นจริงที่คุณเห็นค่าเฉลี่ยเคลื่อนที่ที่เรียบง่าย Class MovingAverageModel. A หมายถึงรูปแบบการคาดการณ์การเคลื่อนไหวโดยเฉลี่ยขึ้นอยู่กับชุดเวลาที่สร้างโดยเทียมซึ่งค่าในช่วงเวลาหนึ่ง ๆ จะถูกแทนที่ด้วยค่าเฉลี่ยของค่านั้นและค่าของช่วงเวลาก่อนหน้าและช่วงเวลาที่สำเร็จตามที่คุณคาดไว้ จากคำอธิบายรูปแบบนี้เหมาะที่สุดสำหรับข้อมูลชุดข้อมูลเช่นข้อมูลที่มีการเปลี่ยนแปลงตลอดเวลาตัวอย่างเช่นแผนภูมิจำนวนมากของหุ้นแต่ละหุ้นในตลาดหุ้นแสดงเส้นค่าเฉลี่ยเคลื่อนที่ 20, 50, 100 หรือ 200 วันเพื่อแสดงแนวโน้ม เนื่องจากค่าคาดการณ์ของช่วงเวลาหนึ่ง ๆ คือค่าเฉลี่ยของช่วงเวลาก่อนหน้านี้การคาดการณ์จะล่าช้ากว่าการเพิ่มขึ้นหรือลดลงของค่าที่ขึ้นกับค่าที่สังเกตได้ตัวอย่างเช่นถ้าชุดข้อมูลมีแนวโน้มสูงขึ้นเรื่อย ๆ ค่าเฉลี่ยเคลื่อนที่ โดยทั่วไปแล้วการคาดการณ์โดยทั่วไปจะให้ค่าประมาณของตัวแปรที่ขึ้นอยู่กับค่าที่น้อยกว่าค่าเฉลี่ยของวิธีการเคลื่อนที่มีความได้เปรียบเหนือรูปแบบการพยากรณ์อากาศอื่น ๆ หยาบหรือหุบเขาในชุดของการสังเกต แต่ก็ยังมีข้อเสียหลายโดยเฉพาะอย่างยิ่งรุ่นนี้ไม่ได้ผลิตสมการที่เกิดขึ้นจริงดังนั้นจึงไม่ได้เป็นสิ่งที่มีประโยชน์เป็นเครื่องมือการคาดการณ์ระยะปานกลางมันสามารถเชื่อถือได้เท่านั้นที่จะใช้ในการคาดการณ์อย่างใดอย่างหนึ่ง หรือสองงวดในอนาคตแบบจำลองค่าเฉลี่ยเคลื่อนที่เป็นกรณีพิเศษของค่าเฉลี่ยถ่วงน้ำหนักที่ถ่วงน้ำหนักโดยทั่วไปในค่าเฉลี่ยเคลื่อนที่แบบง่ายน้ำหนักทั้งหมดมีค่าเท่ากันตั้งแต่ 0 3 ผู้เขียน Steven R Gould. Fields สืบทอดมาจากคลาส. MovingAverageModelสร้างโครงสร้างใหม่ moving model การคาดการณ์โดยเฉลี่ย. MovingAverageModel int period จัดสร้างรูปแบบการคาดการณ์ค่าเฉลี่ยเคลื่อนที่โดยใช้ช่วงเวลาที่ระบุ getForecastType ส่งคืนชื่อคำแบบหนึ่งหรือสองสำหรับการคาดการณ์ข้อมูล model. init DataSet ชุดข้อมูลนี้ใช้เพื่อเริ่มต้นโมเดลเฉลี่ยเคลื่อนที่ ถูกแทนที่เพื่อให้คำอธิบายแบบข้อความของรูปแบบการคาดการณ์ในปัจจุบันรวมทั้งที่เป็นไปได้ใด ๆ พารามิเตอร์ที่ได้มาใช้วิธีการรับมาจาก class. สร้างโมเดลพยากรณ์อากาศเคลื่อนที่แบบใหม่สำหรับรูปแบบที่ถูกต้องที่จะสร้างคุณควรเรียก init และส่งผ่านชุดข้อมูลที่มีชุดของจุดข้อมูลที่มีตัวแปรเวลาที่เตรียมใช้งานเพื่อระบุตัวแปรอิสระสร้างโครงร่างการคาดการณ์ค่าเฉลี่ยเคลื่อนที่ใหม่ โดยใช้ชื่อที่กำหนดให้เป็นตัวแปรอิสระตัวแปรอิสระ - ชื่อของตัวแปรอิสระที่จะใช้ในโมเดลนี้สร้างโมเดลการคาดการณ์ค่าเฉลี่ยเคลื่อนที่โดยใช้ช่วงเวลาที่กำหนดสำหรับโมเดลที่ถูกต้องที่จะสร้างคุณควรเรียก init และส่งผ่านชุดข้อมูลที่ประกอบด้วยชุดข้อมูลที่มีตัวแปรเวลาที่เตรียมใช้งานเพื่อระบุตัวแปรอิสระค่างวดใช้เพื่อกำหนดจำนวนการสังเกตที่จะใช้ในการคำนวณค่าเฉลี่ยเคลื่อนที่ตัวอย่างเช่นสำหรับ 50 วัน ค่าเฉลี่ยเคลื่อนที่ที่จุดข้อมูลเป็นข้อสังเกตรายวันจากนั้นระยะเวลาควรตั้งค่าเป็น 50 ระยะเวลานี้ยังใช้เพื่อกำหนดจำนวนของระยะเวลาในอนาคต t หมวกสามารถคาดการณ์ได้อย่างมีประสิทธิภาพด้วยค่าเฉลี่ยเคลื่อนที่ 50 วันเราจึงไม่สามารถคาดการณ์ได้อย่างถูกต้องด้วยระดับความแม่นยำสูงกว่า 50 วันนอกเหนือจากช่วงเวลาสุดท้ายที่ข้อมูลมีอยู่ซึ่งอาจเป็นประโยชน์มากกว่ากล่าวคือระยะเวลา 10 วัน, ซึ่งเราสามารถคาดการณ์ได้อย่างมีเหตุผลเพียง 10 วันหลังจากรอบระยะเวลาที่ผ่านมาระยะเวลาในการวัด - จำนวนการสังเกตที่จะใช้ในการคำนวณค่าเฉลี่ยที่เคลื่อนที่ได้สร้างรูปแบบการคาดการณ์ค่าเฉลี่ยเคลื่อนที่ใหม่โดยใช้ชื่อที่ระบุว่าเป็นตัวแปรอิสระและช่วงเวลาที่กำหนด Parameters independentVariable - ชื่อของตัวแปรอิสระที่จะใช้ในช่วงเวลาของรูปแบบนี้ - จำนวนการสังเกตที่จะใช้ในการคำนวณค่าเฉลี่ยเคลื่อนที่โดยใช้ค่าเริ่มต้นของโมเดลเฉลี่ยเคลื่อนที่วิธีนี้ต้องได้รับการเรียกก่อนวิธีการอื่นในคลาสตั้งแต่ โมเดลเฉลี่ยเคลื่อนที่ไม่ได้มาสมการใด ๆ สำหรับการคาดการณ์วิธีนี้ใช้ DataSet อินพุทเพื่อคำนวณค่าพยากรณ์สำหรับค่าที่ถูกต้องทั้งหมดของไท ฉันตัวแปรที่ระบุโดย init ในอินเทอร์เฟซ ForecastingModel แทนที่พารามิเตอร์ init ในคลาส AbstractTimeBasedModel พารามิเตอร์ DataSet - ชุดข้อมูลการสังเกตที่สามารถใช้เพื่อเริ่มต้นพารามิเตอร์การคาดการณ์ของรูปแบบการคาดการณ์ย้อนกลับคำหนึ่งหรือสองชื่อของรูปแบบการคาดการณ์แบบนี้ สั้นนี้คำอธิบายอีกต่อไปควรจะดำเนินการในวิธี toString นี้ควรจะถูกแทนที่เพื่อให้คำอธิบายเกี่ยวกับต้นฉบับของรูปแบบการคาดการณ์ในปัจจุบันรวมทั้งที่เป็นไปได้ใด ๆ พารามิเตอร์ที่ได้รับใช้กำหนดโดย toString ในอินเตอร์เฟซ ForecastingModel แทนที่ ToString ในชั้น WeightedMovingAverageModel ส่งกลับ การแสดงสตริงของรูปแบบการคาดการณ์ในปัจจุบันและพารามิเตอร์ของชุดเวลาเป็นลำดับของการสังเกตตัวแปรสุ่มเป็นระยะ ๆ ตัวอย่างคือความต้องการรายเดือนสำหรับผลิตภัณฑ์การลงทะเบียนเรียนปีแรกในภาควิชาของมหาวิทยาลัยและกระแสรายวันใน แม่น้ำชุดเวลามีความสำคัญสำหรับการวิจัยการดำเนินงานเพราะพวกเขา มักเป็นตัวขับเคลื่อนของโมเดลการตัดสินใจแบบจำลองสินค้าคงคลังต้องใช้การประมาณความต้องการในอนาคตการจัดกำหนดการเรียนและรูปแบบการจัดทำบุคลากรสำหรับแผนกของมหาวิทยาลัยจะต้องมีการประมาณการการไหลเข้าของนักเรียนในอนาคตและแบบจำลองสำหรับการให้คำเตือนแก่ประชากรในลุ่มน้ำต้องอาศัยการประมาณค่าของแม่น้ำ กระแสในอนาคตทันทีการวิเคราะห์ชุดเวลามีเครื่องมือในการเลือกแบบจำลองที่อธิบายชุดเวลาและใช้แบบจำลองในการคาดการณ์เหตุการณ์ในอนาคตการสร้างโมเดลเวลาเป็นปัญหาทางสถิติเนื่องจากข้อมูลที่สังเกตได้ถูกใช้ในขั้นตอนการคำนวณเพื่อประมาณค่าสัมประสิทธิ์ของ สมมติว่าโมเดลโมเดลสมมติว่าการสังเกตแตกต่างกันไปอย่างสุ่มเกี่ยวกับค่าเฉลี่ยที่อ้างอิงซึ่งเป็นหน้าที่ของเวลาในหน้าเหล่านี้เรา จำกัด การใช้ข้อมูลชุดข้อมูลทางประวัติศาสตร์เพื่อประมาณแบบจำลองที่ขึ้นกับเวลาวิธีการนี้เหมาะสำหรับการคาดการณ์ในระยะสั้นโดยอัตโนมัติ ใช้ข้อมูลที่สาเหตุที่แท้จริงของการแปรปรวนของเวลาไม่ได้เป็นแบบ chan ในทางปฏิบัติการคาดการณ์ที่ได้จากวิธีการเหล่านี้จะได้รับการแก้ไขในภายหลังโดยนักวิเคราะห์มนุษย์ซึ่งรวมข้อมูลที่ไม่สามารถใช้งานได้จากข้อมูลที่ผ่านมาวัตถุประสงค์หลักของเราในส่วนนี้คือการนำเสนอสมการสำหรับสี่วิธีการคาดการณ์ที่ใช้ในการพยากรณ์อากาศ add - ในค่าเฉลี่ยเคลื่อนที่การอธิบายการถดถอยและการอธิบายแบบทวีคูณที่เป็นทวีคูณวิธีนี้เรียกว่าวิธีการทำให้ราบเรียบวิธีการไม่พิจารณารวมถึงการคาดการณ์เชิงคุณภาพการถดถอยพหุคูณและวิธีการแบบอัตโนมัติ ARIMA ผู้ที่สนใจในเนื้อหาครอบคลุมมากขึ้นควรไปที่ไซต์ Forecasting Principles หรืออ่านหนึ่งในหลาย ๆ หนังสือดีๆในหัวข้อเราใช้หนังสือ Forecasting by Makridakis, Wheelwright และ McGee, John Wiley Sons, 1983. หากต้องการใช้สมุดงาน Excel ในตัวอย่างคุณต้องมี Add-in Forecasting ที่เลือกอยู่เลือกคำสั่ง Relink เพื่อสร้างลิงก์ไปยัง Add ในหน้านี้จะอธิบายถึงรูปแบบที่ใช้ในการคาดการณ์อย่างง่ายและการใช้งานสัญกรณ์ d สำหรับการวิเคราะห์วิธีการพยากรณ์ที่ง่ายที่สุดคือการคาดการณ์ค่าเฉลี่ยเคลื่อนที่โดยวิธีนี้เป็นเพียงค่าเฉลี่ยของการสังเกตการณ์ m ล่าสุดมันเป็นประโยชน์สำหรับชุดเวลาที่มีค่าเฉลี่ยที่เปลี่ยนแปลงช้าวิธีนี้ถือว่าเป็นช่วงที่ผ่านมาทั้งหมดในการคาดการณ์ แต่มีน้ำหนักมากขึ้นเมื่อเร็ว ๆ นี้ มากน้อยกว่าล่าสุดคำนวณได้ง่ายเพราะมีเพียงประมาณการของรอบระยะเวลาก่อนหน้าและข้อมูลปัจจุบันกำหนดประมาณการใหม่วิธีนี้เป็นประโยชน์สำหรับชุดเวลาที่มีการเปลี่ยนแปลงช้าหมายถึงวิธีการเฉลี่ยเคลื่อนที่ไม่ตอบสนองดีกับชุดเวลาที่ เพิ่มหรือลดด้วยเวลาที่นี่เรารวมถึงรูปแบบเส้นตรงในรูปแบบวิธีถดถอยประมาณรูปแบบโดยการสร้างสมการเชิงเส้นที่ให้สี่เหลี่ยมน้อยที่สุดพอดีกับการสังเกต m ล่าสุด