Simple Moving Average Forecasting Methoden

Vorhersage von Smoothing Techniques Diese Seite ist ein Teil der JavaScript E-Labs Lernobjekte für 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. Inhärent in der Sammlung von Daten über die Zeit genommen ist eine Form der zufälligen Variation. Es gibt Methoden zur Verringerung der Annullierung der Wirkung aufgrund zufälliger Variation. Weit verbreitete Techniken sind Glättung. 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 Schaltfläche Berechnen, um eine Prognose für eine Periode zu erhalten. Blank Boxen sind nicht in den Berechnungen, sondern Nullen enthalten. Wenn Sie Ihre Daten eingeben, um 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 könnten. Mit den prognostizierten Werten und dem Residualverhalten, Condition Prognose Modellierung. Moving Averages: Gleitende Durchschnitte zählen zu den beliebtesten Techniken für die Vorverarbeitung von Zeitreihen. Sie werden verwendet, um zufälliges weißes Rauschen aus den Daten zu filtern, um die Zeitreihe glatter zu machen oder sogar bestimmte in der Zeitreihe enthaltene Informationskomponenten zu betonen. Exponentialglättung: Dies ist ein sehr populäres Schema, um eine geglättete Zeitreihe zu erzeugen. Während in den gleitenden Durchschnitten die früheren Beobachtungen gleich gewichtet werden, weist Exponentialglättung exponentiell abnehmende Gewichte zu, wenn die Beobachtung älter wird. Mit anderen Worten, die jüngsten Beobachtungen sind relativ mehr Gewicht in der Prognose gegeben als die älteren 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 Glättungskonstanten a. Entspricht in etwa einem einfachen gleitenden Durchschnitt der Länge (d. h. Periode) n, wobei a und n durch a 2 (n1) OR n (2 - a) a verknüpft sind. So würde beispielsweise ein exponentiell gewichteter gleitender Durchschnitt mit einer Glättungskonstante gleich 0,1 etwa einem 19 Tage gleitenden Durchschnitt entsprechen. Und ein 40 Tage einfacher gleitender Durchschnitt würde etwa einem exponentiell gewichteten gleitenden Durchschnitt mit einer Glättungskonstanten gleich 0,04878 entsprechen. Holts Lineare Exponentialglättung: Angenommen, die Zeitreihe ist nicht saisonal, sondern zeigt Trend. Holts-Methode schätzt sowohl das aktuelle Niveau als auch den aktuellen Trend. Beachten Sie, dass der einfache gleitende Durchschnitt ein Spezialfall der exponentiellen Glättung ist, indem die Periode des gleitenden Mittelwertes auf den ganzzahligen Teil von (2-Alpha) Alpha gesetzt wird. Für die meisten Geschäftsdaten 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 durchführen. Dann hat das beste Alpha den kleinsten mittleren Absolutfehler (MA Error). Wie man mehrere Glättungsmethoden miteinander vergleicht: Obwohl es numerische Indikatoren für 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 wählen. Bei diesem Ansatz muss man auf demselben Graphen die ursprünglichen Werte einer Zeitreihenvariablen und die vorhergesagten Werte aus verschiedenen Prognoseverfahren aufzeichnen und damit einen visuellen Vergleich erleichtern. Sie können die Vergangenheitsvorhersage von Smoothing Techniques JavaScript verwenden, um die letzten Prognosewerte basierend auf Glättungstechniken 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 für die Parameter auszuwählen. Die einzelne exponentielle Glättung 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, repräsentiert die lange Reichweite, die auf dem Grundtrend konditioniert ist. Holts lineare exponentielle Glättung erfasst Informationen über die jüngsten Trend. Die Parameter im Holts-Modell sind Ebenenparameter, die verringert werden sollten, wenn die Menge der Datenvariation groß ist, und der Trends-Parameter sollte erhöht werden, wenn die jüngste Trendrichtung durch das Kausale beeinflusst wird. Kurzfristige Prognose: Beachten Sie, dass jeder JavaScript auf dieser Seite eine einstufige Prognose zur Verfügung stellt. Um eine zweistufige Prognose zu erhalten. Fügen Sie einfach den prognostizierten Wert an das Ende der Zeitreihendaten und klicken Sie dann auf die Schaltfläche Berechnen. Sie können diesen Vorgang ein paar Mal wiederholen, um die benötigten kurzfristigen Prognosen zu erhalten. VORAUSSAGE Saisonfaktor - der Prozentsatz der durchschnittlichen vierteljährlichen Nachfrage, die in jedem Quartal auftritt. Die jährliche Prognose für das Jahr 4 wird auf 400 Einheiten prognostiziert. Durchschnittliche Prognose pro Quartal ist 4004 100 Einheiten. Vierteljährliche Vorhersage Durchschn. Prognostiziert saisonale Faktor. Kausale Vorhersagemethoden Kausale Prognosemethoden basieren auf einer bekannten oder wahrgenommenen Beziehung zwischen dem zu prognostizierenden Faktor und anderen externen oder internen Faktoren 1. Regression: Die mathematische Gleichung bezieht sich auf eine abhängige Variable auf eine oder mehrere unabhängige Variablen, von denen angenommen wird, dass sie die abhängige Variable beeinflussen 2. ökonometrische Modelle: System von interdependenten Regressionsgleichungen, die einen Wirtschaftszweig beschreiben 3. Input-Output-Modelle: beschreibt die Ströme von einem Sektor der Wirtschaft zur anderen und sagt daher die Inputs vor, die zur Produktion von Outputs in einem anderen Sektor erforderlich sind 4. Simulationsmodellierung Es gibt zwei Aspekte von Prognosefehlern: Bias und Genauigkeit Bias - Eine Prognose ist voreingenommen, wenn sie mehr in eine Richtung als in der anderen Richtung irrt - die Methode neigt zu Unterprognosen oder Überprognosen. Genauigkeit - Prognosegenauigkeit bezieht sich auf die Entfernung der Prognosen von der tatsächlichen Nachfrage ignorieren die Richtung dieses Fehlers. Beispiel: Für sechs Perioden wurden die Prognosen und die tatsächliche Nachfrage nachverfolgt Die folgende Tabelle gibt die Ist-Nachfrage D t und die Prognose-Nachfrage F t für sechs Perioden an: kumulierte Summe der Prognosefehler (CFE) -20 mittlere absolute Abweichung (MAD) 170 6 28,33 mittlere quadriert Fehler (MSE) 5150 6 858.33 Standardabweichung der Prognosefehler 5150 6 29.30 Durchschnittlicher absoluter Prognosefehler (MAPE) 83.4 6 13.9 Welche Informationen prognostizieren prognostiziert, hat eine Tendenz zur Überschätzung der Nachfrage durchschnittlichen Fehler pro Prognose betrug 28,33 Einheiten oder 13,9 von Die tatsächliche Bedarfsabtastverteilung der Prognosefehler hat eine Standardabweichung von 29,3 Einheiten. KRITERIEN ZUR AUSWAHL EINES VORHABENMETHODES Ziele: 1. Maximieren Sie die Genauigkeit und 2. Minimieren Sie Vorspannungspotentialregeln für die Auswahl einer Zeitreihenvorhersagemethode. Wählen Sie die Methode aus, die mit dem kumulativen Vorhersagefehler (CFE) gemessen wird, oder gibt die kleinste mittlere absolute Abweichung (MAD) an oder gibt das kleinste Tracking-Signal oder unterstützt Management-Überzeugungen über das zugrunde liegende Bedarfsmuster oder andere. Es scheint offensichtlich, dass ein gewisses Maß an Genauigkeit und Bias zusammen verwendet werden sollte. Wie ist die Anzahl der zu untersuchenden Perioden, wenn die Nachfrage inhärent stabil ist, werden niedrige Werte von und und höhere Werte von N vorgeschlagen, wenn die Nachfrage inhärent instabil ist, werden hohe Werte von und und niedrigere Werte von N vorgeschlagen FOCUS FORECASTING quotfocus forecastingot bezieht sich auf Eine Annäherung zur Prognose, die Prognosen durch verschiedene Techniken entwickelt, dann wählt die Prognose aus, die durch den quotbestquot dieser Techniken produziert wurde, in denen quotbestquot durch irgendein Maß des Prognosefehlers bestimmt wird. FOKUSVORHERSAGE: BEISPIEL In den ersten sechs Monaten des Jahres betrug die Nachfrage nach einer Einzelhandelseinheit 15, 14, 15, 17, 19 und 18 Einheiten. Ein Händler nutzt ein Fokus-Prognosesystem, das auf zwei Prognosetechniken basiert: einem zweistufigen gleitenden Durchschnitt und einem trendgesteuerten exponentiellen Glättungsmodell mit 0,1 und 0,1. Bei dem exponentiellen Modell lag die Prognose für Januar bei 15 und das Trendmittel Ende Dezember war 1. Der Händler nutzt die mittlere absolute Abweichung (MAD) für die letzten drei Monate als Kriterium für die Auswahl des Modells, das zur Prognose verwendet wird Für den nächsten Monat. ein. Was wird die Prognose für Juli sein und welches Modell wird verwendet? Würden Sie auf Teil a antworten? Wenn die Nachfrage nach Mai 14 statt 19 gewesen wäre