Previsione lisciando Tecniche Questo sito è parte del JavaScript e-laboratori oggetti per il processo decisionale di apprendimento. Altri JavaScript in questa serie sono suddivise in diverse aree di applicazione nella sezione MENU in questa pagina. Una serie temporale è una sequenza di osservazioni che vengono ordinati nel tempo. Inerente la raccolta di dati assunto nel tempo è una forma di variazione casuale. Esistono metodi per ridurre di annullare l'effetto dovuto alla variazione casuale. Ampiamente tecniche utilizzate sono levigante. Queste tecniche, se applicato correttamente, rivela più chiaramente le tendenze di fondo. Inserire le serie storiche Riga-saggio in sequenza, a partire dall'angolo sinistro in alto, e il parametro (s), quindi fare clic sul pulsante Calcola per ottenere la previsione di un periodo avanti. caselle vuote non sono inclusi nei calcoli, ma gli zeri sono. In introdurre i dati per passare da cellula a cellula nel data-matrix utilizzare il tasto Tab non freccia o inserire le chiavi. Caratteristiche di serie temporali, che potrebbero essere rivelato esaminando il suo grafico. con i valori previsti, e il comportamento dei residui, la modellazione di previsione condizione. Medie mobili: Le medie mobili sono tra le tecniche più popolari per la pre-elaborazione delle serie storiche. Essi sono utilizzati per filtrare il rumore bianco casuale dai dati, per rendere più agevole la serie storica o anche per sottolineare alcuni componenti informativi contenuti nelle serie temporali. Esponenziale: Questo è uno schema molto popolare per la produzione di una serie storica levigata. Considerando che le medie mobili osservazioni passate hanno lo stesso peso, esponenziale assegna in modo esponenziale diminuzione pesi come l'osservazione invecchiano. In altre parole, osservazioni recenti sono date relativamente più peso nella previsione che le osservazioni più anziani. Doppia esponenziale è meglio alle tendenze di manipolazione. Triple esponenziale è meglio a gestire le tendenze parabola. Una media mobile exponenentially ponderata con una costante livellamento a. corrisponde all'incirca ad una media mobile semplice di lunghezza (cioè periodo) n, dove n e sono legati da: 2 (n1) o N (2 - a) a. Così, per esempio, una media mobile exponenentially ponderato con una lisciatura costante pari a 0,1 corrisponderebbe all'incirca ad una media mobile 19 giorni. E una media mobile semplice di 40 giorni corrisponderebbe grosso modo a una media mobile esponenziale ponderata con una costante livellamento pari a 0,04,878 mila. Holts lineare esponenziale: Supponiamo che la serie temporale è non stagionale, ma fa tendenza del display. Metodo Holts stima sia il livello attuale e la tendenza attuale. Si noti che la media mobile semplice è caso particolare di livellamento esponenziale impostando il periodo di media mobile per la parte intera di (2-Alpha) Alpha. Per la maggior parte dei dati aziendali un parametro Alpha minore di 0,40 è spesso efficace. Tuttavia, si può eseguire una ricerca a griglia dello spazio dei parametri, con 0.1 al 0.9, con incrementi di 0,1. Quindi il miglior alfa ha il più piccolo errore assoluto medio (MA errore). Come confrontare diversi metodi di lisciatura: Anche se ci sono indicatori numerici per valutare l'accuratezza della tecnica di previsione, l'approccio più ampiamente è nell'uso confronto visivo di diverse previsioni per valutare la loro accuratezza e scegliere tra i vari metodi di previsione. In questo approccio, si deve tracciare (utilizzando, ad esempio Excel) sullo stesso grafico i valori originali di una variabile serie storiche ei valori previsti di diversi metodi di previsione diversi, facilitando in tal modo un confronto visivo. È possibile, come proiettando le ipotesi precedenti, levigando Tecniche JavaScript per ottenere i valori di previsione passato in base ad smoothing tecniche che utilizzano il parametro unico singolo. Holt e Winters metodi utilizzano due e tre parametri, rispettivamente, quindi non è un compito facile per selezionare l'ottimale, o anche vicine ai valori ottimali per tentativi ed errori per i parametri. Il singolo di livellamento esponenziale sottolinea la prospettiva a corto raggio si imposta il livello di all'ultima osservazione e si basa a condizione che non vi è alcuna tendenza. La regressione lineare, che si inserisce una linea minimi quadrati ai dati storici (o dati storici trasformati), rappresenta il lungo raggio, che è condizionato sull'andamento base. Holts livellamento esponenziale lineare acquisisce informazioni sulla recente tendenza. I parametri nel modello Holts è livelli-parametro che dovrebbe essere diminuita quando la quantità di variazione dei dati è grande, e tendenze a parametro dovrebbe essere aumentato se la direzione recente tendenza è sostenuta dalla causale alcuni fattori. Previsione a breve termine: Si noti che ogni JavaScript in questa pagina fornisce una previsione one-step-avanti. Per ottenere una previsione in due fasi-avanti. è sufficiente aggiungere il valore previsto per la fine di voi dati di serie temporali e quindi fare clic sullo stesso pulsante Calcola. Si può ripetere questo processo per un paio di volte al fine di ottenere la forecasts. Smoothing breve termine necessari dati rimuove variazione casuale e spettacoli tendenze e componenti cicliche inerenti alla raccolta dei dati presi nel corso del tempo è una qualche forma di variazione casuale. Esistono metodi per ridurre di annullare l'effetto dovuto alla variazione casuale. Una tecnica spesso utilizzata nel settore è levigante. Questa tecnica, se applicato correttamente, rivela più chiaramente la tendenza di fondo, stagionale e componenti cicliche. Ci sono due gruppi distinti di metodi di lisciatura Averaging Metodi esponenziali metodi di lisciatura medie prendere è il modo più semplice per lisciare i dati Per prima cosa studiare alcuni metodi di calcolo della media, come ad esempio la media semplice di tutti i dati passati. Un gestore di un magazzino vuole sapere quanto un fornitore tipico offre in 1000 unità in dollari. Heshe prende un campione di 12 fornitori, in modo casuale, ottenendo i seguenti risultati: La media calcolata o media dei dati 10. Il gestore decide di utilizzare questo come la stima delle spese di un fornitore tipico. Si tratta di una stima buona o cattiva quadratico medio errore è un modo per giudicare come un buon modello è Dobbiamo calcolare l'errore quadratico medio. Il vero errore importo speso meno l'importo stimato. L'errore al quadrato è l'errore di cui sopra, al quadrato. Il SSE è la somma degli errori quadratici. Il MSE è la media degli errori quadratici. MSE risulta per esempio I risultati sono: Error e errori al quadrato La stima 10 si pone la domanda: possiamo usare il mezzo per prevedere reddito se abbiamo il sospetto un trend Uno sguardo al grafico qui sotto mostra chiaramente che non dovremmo farlo. Media pesa tutte le osservazioni passate altrettanto In sintesi, si precisa che la media semplice o media di tutte le osservazioni del passato è solo una stima utile per la previsione quando non ci sono le tendenze. Se ci sono tendenze, utilizzare diverse stime che tengono il trend in considerazione. La media pesa tutte le osservazioni del passato allo stesso modo. Ad esempio, la media dei valori 3, 4, 5 è 4. Sappiamo, naturalmente, che in media è calcolata sommando tutti i valori e dividendo la somma per il numero di valori. Un altro modo di calcolare la media è aggiungendo ogni valore diviso per il numero di valori, o 33 43 53 1 1,3333 1,6667 4. Il moltiplicatore 13 è chiamato il peso. In generale: bar sum frac sinistra (frac destra) x1 sinistra (frac destra) x2,. ,, A sinistra (frac destra) xn. L'(a sinistra (frac destra)) sono i pesi e, ovviamente, si sommano ai metodi serie 1.Time Serie Metodi tempo sono tecniche statistiche che fanno uso di dati storici accumulati in un periodo di tempo. metodi di serie storiche per scontato che ciò che è accaduto in passato, continueranno a verificarsi in futuro. Come suggerisce il nome della serie di tempo, questi metodi si riferiscono alla previsione di un solo fattore - il tempo. Essi comprendono la media mobile, livellamento esponenziale, e la linea di tendenza lineare e sono tra i metodi più diffusi per la previsione a corto raggio tra le società di servizi e di produzione. Questi metodi presuppongono che i modelli storici identificabili o tendenze della domanda nel corso del tempo si ripetono. Moving previsione media un tempo di serie può essere semplice come utilizzando domanda nel periodo in corso a prevedere la domanda nel prossimo periodo. Questo è talvolta chiamato una previsione ingenuo o intuitivo. 4 Per esempio, se la domanda è di 100 unità di questa settimana, la previsione per settimane la prossima domanda è di 100 unità se la domanda risulta essere invece 90 unità, quindi la seguente domanda settimane è di 90 unità, e così via. Questo tipo di metodo di previsione non tiene in considerazione il comportamento storico domanda si basa solo su richiesta nel periodo corrente. Esso reagisce direttamente ai normali movimenti casuali della domanda. Il metodo semplice media mobile utilizza diversi valori medi durante il recente passato per sviluppare una previsione. Ciò tende a smorzare o appianare, gli aumenti e diminuzioni casuali di una previsione che utilizza un solo periodo. La media mobile semplice è utile per la previsione della domanda che è stabile e non mostra alcun comportamento domanda pronunciata, come ad esempio una tendenza o andamento stagionale. Le medie mobili vengono calcolati per determinati periodi, come ad esempio tre mesi o cinque mesi, a seconda di quanto il previsore desideri per lisciare i dati relativi alla domanda. Più lungo è il periodo di media mobile, più uniforme sarà. La formula per il calcolo della media mobile semplice è calcolare una media mobile semplice La carta istantanea clip Office Supply Company vende e distribuisce forniture per ufficio per aziende, scuole e agenzie entro un raggio di 50 miglia del suo magazzino. L'azienda di forniture per ufficio è competitivo, e la capacità di consegnare gli ordini prontamente è un fattore di ottenere nuovi clienti e mantenere quelli vecchi. (Uffici in genere non ordine quando corrono a corto di rifornimenti, ma quando sono completamente esauriti. Di conseguenza, hanno bisogno immediatamente i loro ordini.) Il manager della società vuole essere determinati driver abbastanza e veicoli sono a disposizione per consegnare gli ordini prontamente e sono dotati di adeguate scorte in magazzino. Pertanto, il manager vuole essere in grado di prevedere il numero di ordini che si verificheranno nel corso del mese successivo (cioè a prevedere la domanda di fornitura). Da record di ordini di consegna, gestione ha accumulato i seguenti dati per gli ultimi 10 mesi, da cui si vuole calcolare a 3 e 5 mesi medie mobili. Supponiamo che è la fine di ottobre. La previsione derivante sia dal 3- o la media mobile 5 mesi è tipicamente per il mese successivo nella sequenza, che in questo caso è novembre. La media mobile è calcolata dalla domanda di ordini per la prima 3 mesi in sequenza secondo la seguente formula: La media mobile 5 mesi viene calcolato dai precedenti 5 mesi di dati domanda come segue: Il 3 e 5 mesi spostando previsioni medie per tutti i mesi di dati domanda sono riportati nella tabella seguente. In realtà, solo le previsioni per novembre in base alla più recente domanda mensile sarebbe stato utilizzato dal gestore. Tuttavia, le previsioni precedenti per mesi precedenti ci permettono di confrontare le previsioni con la domanda effettiva per vedere come precisa il metodo di previsione è - che è, quanto bene lo fa. Tre e cinque mesi Medie Entrambi spostando le previsioni medie nella tabella precedente tendono ad appianare la variabilità che si verificano nei dati effettivi. Questo effetto lisciatura può essere osservato nella figura seguente in cui le medie di 3 mesi e 5 mesi sono state sovrapposte su un grafico dei dati originali: La media mobile 5 mesi nella figura precedente appiana fluttuazioni in misura maggiore la media mobile a 3 mesi. Tuttavia, la media a 3 mesi riflette più da vicino i dati più recenti disponibili al gestore di forniture per ufficio. In generale, le previsioni che utilizzano il più lungo periodo di media mobile sono più lenti a reagire ai recenti cambiamenti della domanda rispetto a quella che quelle fatte usando più breve periodo medie mobili. I periodi supplementari di dati smorzare la velocità con cui la previsione risponde. Stabilire il numero appropriato di periodi da utilizzare in una previsione media mobile spesso richiede una certa quantità di sperimentazione per tentativi ed errori. Lo svantaggio del metodo della media mobile è che non reagisce alle variazioni che si verificano per un motivo, come cicli e effetti stagionali. I fattori che causano i cambiamenti sono generalmente ignorati. Si tratta essenzialmente di un metodo meccanico, che riflette i dati storici in modo coerente. Tuttavia, il metodo della media mobile ha il vantaggio di essere facile da usare, veloce e relativamente economico. In generale, questo metodo può fornire una buona meteo per il breve periodo, ma non dovrebbe essere spinta troppo lontano nel futuro. Ponderata media mobile Il metodo della media mobile può essere regolata a più riflettere da vicino le fluttuazioni nei dati. Nella ponderata metodo della media mobile, i pesi sono assegnati ai dati più recenti, secondo la seguente formula: I dati domanda di PM Servizi computer (mostrato nella tabella per l'Esempio 10.3) sembra seguire un andamento lineare crescente. L'azienda vuole calcolare una linea di tendenza lineare per vedere se è più preciso del livellamento esponenziale e le previsioni di livellamento esponenziale corretti sviluppati negli esempi 10.3 e 10.4. I valori necessari per i meno calcoli quadrati sono i seguenti: L'utilizzo di questi valori, i parametri per la linea di tendenza lineare sono calcolati come segue: Pertanto, l'equazione linea di tendenza lineare è quello di calcolare una previsione per il periodo 13, siano x 13 nel lineari linea di tendenza: il grafico seguente mostra la linea di tendenza lineare rispetto ai dati effettivi. La linea di tendenza sembra riflettere molto attentamente i dati effettivi - che è, di essere una buona misura - e sarebbe quindi un buon modello di previsione per questo problema. Tuttavia, uno svantaggio della linea di tendenza lineare è che non adattarsi ad un cambiamento di tendenza, come i metodi di lisciatura previsione esponenziali sarà cioè, si presume che tutte le previsioni future seguire una linea retta. Questo limita l'uso di questo metodo per un breve lasso di tempo in cui si può essere relativamente certi che la tendenza non cambierà. Le rettifiche di stagione un andamento stagionale è un aumento ripetitivo e diminuzione della domanda. Molti poste a vista mostrano un comportamento stagionale. le vendite di abbigliamento seguono modelli annuali di stagione, con la domanda di vestiti caldi aumentare in autunno e in inverno e in calo in primavera e in estate, come la richiesta di più freddi aumenta di abbigliamento. La domanda di molti articoli al dettaglio, compresi i giocattoli, attrezzature sportive, abbigliamento, apparecchi elettronici, prosciutti, tacchini, vino e frutta, aumento durante la stagione estiva. Augurali domanda carta aumenta in concomitanza con giornate speciali come San Valentino e la Festa della Mamma. i modelli stagionali possono verificarsi anche su base mensile, settimanale o addirittura giornaliera. Alcuni ristoranti hanno una maggiore domanda di sera che a pranzo o durante il fine settimana in contrasto con i giorni feriali. Traffic - quindi le vendite - a centri commerciali raccoglie il Venerdì e Sabato. Ci sono diversi metodi per riflettere i modelli stagionali in una previsione di serie temporali. Descriveremo uno dei metodi più semplici che utilizzano un fattore stagionale. Un fattore stagionale è un valore numerico che viene moltiplicato per il tempo normale per ottenere una previsione destagionalizzato. Un metodo per sviluppare una domanda di fattori stagionali è di dividere la domanda di ciascun periodo stagionale dalla domanda annua totale, secondo la seguente formula: I fattori stagionali derivano tra 0 e 1.0 sono, in effetti, la porzione di domanda annuale totale assegnati ogni stagione. Questi fattori stagionali vengono moltiplicati per la domanda annua prevista per produrre previsioni adattate per ogni stagione. Calcolo di una previsione con aggiustamenti stagionali Wishbone Farms cresce tacchini di vendere ad una società di lavorazione della carne durante tutto l'anno. Tuttavia, la sua stagione è ovviamente nel corso del quarto trimestre dell'anno, da ottobre a dicembre. Wishbone Farms ha sperimentato la domanda per i tacchini per gli ultimi tre anni indicati nella tabella seguente: Perché abbiamo tre anni di dati relativi alla domanda, siamo in grado di calcolare i fattori stagionali dividendo domanda trimestrale complessivo per i tre anni dalla domanda totale in tutti i tre anni : Avanti, vogliamo moltiplicare la domanda prevista per il prossimo anno, 2000, da ciascuno dei fattori stagionali per ottenere la domanda prevista per ogni trimestre. Per fare questo, abbiamo bisogno di una domanda prevista per il 2000. In questo caso, dal momento che i dati relativi alla domanda della tabella sembrano mostrare una tendenza generalmente in aumento, si calcola una linea di tendenza lineare per i tre anni di dati nella tabella per ottenere un ruvido stima del tempo: Così, la previsione per il 2000 è 58.17, o di 58.170 tacchini. Utilizzando questa previsione annuale della domanda, le previsioni destagionalizzati, SF io, per il 2000 stanno confrontando queste previsioni trimestrali con i valori medi attuali nella tabella, che sembrerebbe essere relativamente buone stime di previsione, che riflette sia le variazioni stagionali dei dati e la tendenza al rialzo generale. 10-12. Come è il metodo della media mobile simile a esponenziale 10-13. Che effetto sul modello di livellamento esponenziale aumentando il costante livellamento hanno 10-14. Come funziona regolato livellamento esponenziale diverso dal esponenziale 10-15. Che cosa determina la scelta della costante di smoothing per trend in rettificato esponenziale modello di livellamento 10-16. Negli esempi del capitolo per i metodi di serie temporali, la previsione di partenza è sempre stato ipotizzato essere la stessa come domanda effettiva nel primo periodo. Suggerire altri modi che la previsione di partenza potrebbe essere derivato nell'uso reale. 10-17. Come funziona il modello di previsione linea di tendenza lineare differisce da un modello di regressione lineare per la previsione 10-18. Del tempo modelli della serie presentate in questo capitolo, tra cui la media mobile media ponderata e in movimento, livellamento esponenziale e regolato livellamento esponenziale, e la linea di tendenza lineare, che si consideri la migliore Perché 10-19. Quali sono i vantaggi regolata livellamento esponenziale avere su una linea di tendenza lineare per domanda prevista che presenta un trend 4 K. B. Kahn e J. T. Mentzer, Previsione di consumo e industriale, The Journal of Business Forecasting 14, n. 2 (estate 1995): 21-28.
No comments:
Post a Comment