Problems Of The Moving Average Forecasting Model

EINFACHE BEWEGENDE DURCHSCHNITT Probleme beim Verwenden des einfachen gleitenden Durchschnitts als Prognosetool: Der gleitende Durchschnitt verfolgt die tatsächlichen Daten, ist aber immer dahinter. Der gleitende Durchschnitt erreicht nie die Spitzen oder Täler der tatsächlichen data151it glättet die Daten Doesnt erzählt Sie sehr viel über die Zukunft Allerdings bildet dieses nicht das bewegliche durchschnittliche useless151you, das nur seine Probleme bewusst sein muss. SLIDE BESCHREIBUNG AUDIO TRANSCRIPTION So zusammengefasst, für einen einfachen gleitenden Durchschnitt oder einen einzigen gleitenden Durchschnitt haben wir einige Probleme mit der Verwendung der einfachen gleitenden Durchschnitt als Prognose-Tool gesehen. Der gleitende Durchschnitt verfolgt die tatsächlichen Daten, ist aber immer dahinter. Der gleitende Durchschnitt erreicht nie die Spitzen oder Täler der tatsächlichen Daten151it glättet die Daten, und es ist wirklich nicht sagen Sie sehr viel über die Zukunft, weil es einfach prognostiziert einen Zeitraum im Voraus, und dass Prognose wird angenommen, um das Beste zu repräsentieren Wert für den zukünftigen Zeitraum, einen Zeitraum im Voraus, aber es doesnt Ihnen sagen, viel darüber hinaus. Das macht nicht den einfachen gleitenden Durchschnitt useless151in Tatsache, die Sie sehen, einfache sich bewegende averagesA Zeitreihe ist eine Folge von Beobachtungen einer periodischen zufälligen Variable. Beispiele dafür sind die monatliche Nachfrage nach einem Produkt, die jährliche Neueinreichung in einer Abteilung der Universität und die täglichen Flüsse in einem Fluss. Zeitreihen sind wichtig für Operations Research, weil sie oft die Treiber von Entscheidungsmodellen sind. Ein Inventarmodell erfordert Schätzungen zukünftiger Anforderungen, ein Kursterminierungs - und Personalmodell für eine Universitätsabteilung erfordert Schätzungen des zukünftigen Zuflusses von Schülern und ein Modell für die Bereitstellung von Warnungen für die Bevölkerung in einem Flusseinzugsgebiet erfordert Schätzungen der Flussströme für die unmittelbare Zukunft. Die Zeitreihenanalyse liefert Werkzeuge zur Auswahl eines Modells, das die Zeitreihen beschreibt und das Modell zur Prognose zukünftiger Ereignisse verwendet. Das Modellieren der Zeitreihen ist ein statistisches Problem, da beobachtete Daten in Berechnungsverfahren verwendet werden, um die Koeffizienten eines vermeintlichen Modells abzuschätzen. Modelle gehen davon aus, dass Beobachtungen zufällig über einen zugrunde liegenden Mittelwert, der eine Funktion der Zeit ist, variieren. Auf diesen Seiten beschränken wir die Aufmerksamkeit auf die Verwendung von historischen Zeitreihendaten, um ein zeitabhängiges Modell abzuschätzen. Die Methoden eignen sich zur automatischen, kurzfristigen Prognose häufig verwendeter Informationen, bei denen sich die zugrunde liegenden Ursachen der zeitlichen Variation nicht rechtzeitig ändern. In der Praxis werden die von diesen Methoden abgeleiteten Prognosen anschließend von menschlichen Analytikern modifiziert, die Informationen enthalten, die aus den historischen Daten nicht verfügbar sind. Unser Hauptziel in diesem Abschnitt ist es, die Gleichungen für die vier Prognosemethoden zu präsentieren, die im Prognose-Add-In verwendet werden: gleitender Durchschnitt, exponentielle Glättung, Regression und doppelte exponentielle Glättung. Diese werden als Glättungsmethoden bezeichnet. Zu den nicht berücksichtigten Methoden gehören qualitative Prognose, multiple Regression und autoregressive Methoden (ARIMA). Die, die an der umfangreicheren Abdeckung interessiert sind, sollten die Prognoseprinzipien Aufstellungsort besuchen oder ein der ausgezeichneten Bücher auf dem Thema lesen. Wir verwendeten das Buch Prognose. Von Makridakis, Wheelwright und McGee, John Wiley amp Sons, 1983. Um die Excel-Beispiele-Arbeitsmappe zu verwenden, muss das Prognose-Add-In installiert sein. Wählen Sie den Relink-Befehl, um die Links zum Add-In zu erstellen. Diese Seite beschreibt die Modelle für die einfache Prognose und die Notation für die Analyse verwendet. Diese einfachste Prognosemethode ist die gleitende Durchschnittsprognose. Die Methode ist einfach Mittelwerte der letzten m Beobachtungen. Es ist nützlich für Zeitreihen mit einem sich langsam ändernden Mittelwert. Diese Methode berücksichtigt die gesamte Vergangenheit in ihrer Prognose, aber wiegt jüngste Erfahrungen stärker als weniger jüngste. Die Berechnungen sind einfach, da nur die Schätzung der vorherigen Periode und die aktuellen Daten die neue Schätzung bestimmen. Das Verfahren eignet sich für Zeitreihen mit einem sich langsam ändernden Mittelwert. Die Methode des gleitenden Mittels reagiert nicht gut auf eine Zeitreihe, die mit der Zeit zunimmt oder abnimmt. Hierbei handelt es sich um einen linearen Trendbegriff im Modell. Das Regressionsverfahren nähert sich dem Modell an, indem es eine lineare Gleichung erstellt, die die kleinsten quadratischen Anpassungen für die letzten m liefert observations. net. sourceforge. openforecast. models Klasse MovingAverageModel Ein gleitendes Durchschnittsprognosemodell basiert auf einer künstlich konstruierten Zeitreihe, in der der Wert für Wird ein gegebener Zeitraum durch den Mittelwert dieses Werts und die Werte für eine gewisse Anzahl von vorhergehenden und nachfolgenden Zeitperioden ersetzt. Wie Sie vielleicht aus der Beschreibung erraten haben, ist dieses Modell am besten für Zeitreihendaten, d. H. Daten, die sich über die Zeit ändern, geeignet. Zum Beispiel zeigen viele Charts von einzelnen Aktien an der Börse 20, 50, 100 oder 200 Tage gleitende Durchschnitte als Trends zu zeigen. Da der Prognosewert für einen gegebenen Zeitraum ein Durchschnitt der vorangegangenen Perioden ist, wird die Prognose immer scheinbar zurückbleiben, entweder bei Anstieg oder Abnahme der beobachteten (abhängigen) Werte. Wenn beispielsweise eine Datenreihe einen merkbaren Aufwärtstrend aufweist, wird eine gleitende Durchschnittsprognose generell eine Unterbewertung der Werte der abhängigen Variablen liefern. Die gleitende Durchschnittsmethode hat gegenüber anderen Prognosemodellen den Vorteil, dass sie in einer Reihe von Beobachtungen Gipfel und Täler (oder Täler) glättet. Es hat jedoch auch mehrere Nachteile. Insbesondere erzeugt dieses Modell keine tatsächliche Gleichung. Daher ist es nicht alles, was nützlich, da ein Mittel-Langstrecken-Prognose-Tool. Es kann nur zuverlässig verwendet werden, um ein oder zwei Perioden in die Zukunft zu prognostizieren. Das gleitende Durchschnittsmodell ist ein Spezialfall des allgemeineren gewichteten gleitenden Durchschnitts. Im einfachen gleitenden Durchschnitt sind alle Gewichte gleich. Seit: 0.3 Autor: Steven R. Gould Felder geerbt aus der Klasse net. sourceforge. openforecast. models. AbstractForecastingModel MovingAverageModel () Erstellt ein neues gleitendes Durchschnittsprognosemodell. MovingAverageModel (int period) Erstellt ein neues gleitendes Durchschnittsprognosemodell mit dem angegebenen Zeitraum. GetForecastType () Gibt einen oder zwei Wortnamen dieser Art von Prognosemodell zurück. Init (DataSet dataSet) Dient zur Initialisierung des gleitenden Durchschnittsmodells. ToString () Dies sollte überschrieben werden, um eine textuelle Beschreibung des aktuellen Prognosemodells zu liefern, einschließlich, wenn möglich, alle abgeleiteten Parameter. Methoden, die von der Klasse net. sourceforge. openforecast. models. WeightedMovingAverageModel geerbt werden MovingAverageModel Erstellt ein neues gleitendes Durchschnittsprognosemodell. Für ein gültiges zu konstruierendes Modell sollten Sie init aufrufen und einen Datensatz mit einer Reihe von Datenpunkten übergeben, wobei die Zeitvariable initialisiert wird, um die unabhängige Variable zu identifizieren. MovingAverageModel Konstruiert ein neues gleitendes Durchschnittsprognosemodell unter Verwendung des angegebenen Namens als unabhängige Variable. Parameter: independentVariable - der Name der unabhängigen Variablen, die in diesem Modell verwendet werden soll. MovingAverageModel Erstellt ein neues gleitendes Durchschnittsprognosemodell mit dem angegebenen Zeitraum. Für ein gültiges zu konstruierendes Modell sollten Sie init aufrufen und einen Datensatz mit einer Reihe von Datenpunkten übergeben, wobei die Zeitvariable initialisiert wird, um die unabhängige Variable zu identifizieren. Der Periodenwert wird verwendet, um die Anzahl der Beobachtungen zu bestimmen, die verwendet werden, um den gleitenden Durchschnitt zu berechnen. Beispielsweise sollte für einen 50-tägigen gleitenden Durchschnitt, bei dem die Datenpunkte tägliche Beobachtungen sind, der Zeitraum auf 50 gesetzt werden. Der Zeitraum wird auch verwendet, um die Menge zukünftiger Perioden zu bestimmen, die effektiv prognostiziert werden können. Mit einem 50 Tage gleitenden Durchschnitt können wir mit einer Genauigkeit nicht mehr als 50 Tage über den letzten Zeitraum, für den Daten verfügbar sind, prognostizieren. Dies kann vorteilhafter sein, als z. B. ein Zeitraum von 10 Tagen, wo wir nur vernünftigerweise 10 Tage nach der letzten Periode prognostizieren konnten. Parameter: Periode - die Anzahl der Beobachtungen, die verwendet werden, um den gleitenden Durchschnitt zu berechnen. MovingAverageModel Erstellt ein neues gleitendes Durchschnittsprognosemodell unter Verwendung des angegebenen Namens als unabhängige Variable und des angegebenen Zeitraums. Parameter: independentVariable - der Name der unabhängigen Variablen, die in diesem Modell verwendet werden soll. - die Anzahl der Beobachtungen, die zur Berechnung des gleitenden Durchschnitts verwendet werden sollen. Wird verwendet, um das gleitende Durchschnittsmodell zu initialisieren. Diese Methode muss vor jeder anderen Methode in der Klasse aufgerufen werden. Da das gleitende Durchschnittsmodell keine Gleichung für die Prognose ableitet, verwendet dieses Verfahren den Eingabedatensatz, um Prognosewerte für alle gültigen Werte der unabhängigen Zeitvariablen zu berechnen. Vorgabe durch: init in der Schnittstelle ForecastingModel Overrides: init in der Klasse AbstractTimeBasedModel Parameter: dataSet - ein Datensatz von Beobachtungen, mit dem die Prognoseparameter des Prognosemodells initialisiert werden können. GetForecastType Gibt einen oder zwei Wortnamen dieser Art von Prognosemodell zurück. Halten Sie diese kurz. Eine längere Beschreibung sollte in der Methode toString implementiert werden. Dies sollte überschrieben werden, um eine textuelle Beschreibung des aktuellen Prognosemodells zu liefern, wobei nach Möglichkeit alle abgeleiteten Parameter verwendet werden. Bestimmt durch: toString in der Schnittstelle ForecastingModel Overrides: toString in der Klasse WeightedMovingAverageModel Gibt eine Stringdarstellung des aktuellen Prognosemodells und seiner Parameter zurück.