Metoda przenoszenia średnio ppt

1 ROZDZIAL 4 PRZEPŁYWY MIESZKANIA I SPOSOBY SMOOTHING (Strona 107) 3 2 Opierają się one wyłącznie na najnowszych dostępnych informacjach. Czasami nazywa się prognozą bez zmian. Nadaje się do bardzo małych zestawów danych. Najprostszym modelem są: (4.1) MODELE NAVE 4 3 Metoda Wzorzec Czasu Horyzontu Typ modelu Minimalne Wymogi Danych NiekonsekwentnychNa Niskie modele ST, T, SSTS1 Proste średnieSTSTS30 Średnie ruchomeSTSTs4-20 Podwójne średnie ruchySTST2 Podwójne (podwójne) wygładzanie wykładnicze (Holt s) TSTS3 Kwadratowe wygładzanie wykładniczeTSTS4 Sezonowe wygładzanie wykładnicze (zima) SSTS2 xs Filtrowanie adaptacyjneSSTS5 xs Proste regresjaTIC10 Regresja wielokrotna, SIC10 x V Klasyczne rozkładySTST5 xs Modele trendów wykładniczychTI, LTS10 krzywa S fittingTI, LTS10 modele Gompertz, LTS10 Wzrost krzywych, LTS10 Spis X -12SSTS6 xs ARIMA (Box-Jenkins) ST, T, C, SSTS243 xs Wskaźniki LadingCSC24 Modele ekonometryczneCSC30: szeregowa regresja wielokrotna T, SI, LC 6 xs Wzorzec danych: ST, stacjonarny T, trenowany S, sezonowy C, cykliczny. Horyzont czasowy: S, krótkotrwały (krótszy niż trzy miesiące) I, półprodukt L, długoterminowy Typ modelu: TS, seria czasowa C, przyczynowa. Sezonowość: s, długość sezonowości. zmiennej: V, zmiennych liczbowych. 5 4 (strona 108) Przykład 4.1 (Strona 108) Tabela 4-1 Sprzedaż piły dla firmy narzędziowej Acme, 2000 2006. Inicjalizacja (część mocująca) Część: 2000-2005 Część testowa: 2006. 6 5 Technika ta może być dostosowana do wykonania (4.2) Częstotliwość zmian może być bardziej adekwatna niż bezwzględna zmiana: 7 6 Odpowiednie równanie prognozy dla danych kwartalnych: (4.4) Dane miesięczne: analityk może łączyć prognozy sezonowe i trendowe z: ( 4.5) 10 9 Wzorzec danych: ST, stacjonarne T, tendencyjne S, sezonowe C, cykliczne. Horyzont czasowy: S, krótkotrwały (krótszy niż trzy miesiące) I, półprodukt L, długoterminowy Typ modelu: TS, seria czasowa C, przyczynowa. Sezonowość: s, długość sezonowości. zmiennej: V, zmiennych liczbowych. Metoda Metoda Czasu Horyzontu Typ Modelu Minimalne Wymogi dotyczące danych NsekonomicznySzukły Nave ModelsST, T, SSTS1 Średnie Średnie ŚREDNIE ŚREDNIE ŚREDNIE ŚREDNIE ŚREDNIE ŚREDNIE STSTS4-20 ŚREDNIE Podwójne RuchomeSTATS2 Podwójne (Podwójne) wygładzanie wykładnicze (Holts) TSTS3 Kwadratowe wygładzenie wykładniczeTSTS4 Sezonowe wygładzanie wykładnicze (Winters) SSTS2 xs Adaptive filtrowanieSSTS5 xs Prosta regresjaTIC10 Regresja wielokrotna, SIC10 x V Klasyczne rozkładySSTS5 xs Modele trendów wykładniczychTI, LTS10 krzywej S fittingTI, LTS10 Gompertz modelsTI, LTS10 Wzrost krzywychTI, LTS10 Spis X-12SSTS6 xs ARIMA (Box-Jenkins) ST, T, C, SSTS243 xs Wskaźniki LCPCSC24 Modele EkonometryczneCSC30 Serie szeregowe regresji T, SI, LC 6 xs 11 10 Proste średnie Wykorzystuje średnią wszystkich istotnych obserwacji historycznych jako prognozę następnego okresu. Dodano nową obserwację: (4.6) (4.7) (strona 111) 12 11 Stosowany jest do stabilizowania serii, a środowisko jest zasadniczo niezmienne. Metoda Metoda Czasu Horyzontu Typ modelu Minimalne Wymogi dotyczące danych NonseasonalSeasonal Proste średnieSTSTS30 Wzorzec danych: ST, stacjonarny T, trends S, sezonowy C, cykliczny. Horyzont czasowy: S, krótkotrwały (krótszy niż trzy miesiące) I, półprodukt L, długoterminowy Typ modelu: TS, seria czasowa C, przyczynowa. Sezonowość: s, długość sezonowości. zmiennej: V, zmiennych liczbowych. 13 12 Przykład 4.2 Tydzień tPurchasesWeek tPurchasesWeek tPurchases 12751130221310 22911228722299 33071329023285 42811431124250 52951527725260 62681624526245 72521728227271 82791827728282 92641929829302 102882030330285 Tabela 4-2 Zakupy benzyny dla organu tranzytowego w Spokane dla przykładu 4.2 14 13 Wykres serii danych Dane są stacjonarne. Wykres 4-3 Seria czasowa tygodniowych zakupów benzyny dla organu tranzytowego w Spokane 16 15 Ruchome średnie Średnia ruchoma rzędu k jest średnią wartością k ostatnich obserwacji. Metoda nie radzi sobie z trendem lub sezonowością, chociaż jest lepsza niż zwykła średnia metoda. Metoda Wzorzec Czasu Horyzontu Data Typ modelu Minimalne Wymogi dotyczące danych NonseasonalSeasonal Średnie ruchomeSTSTS4-20 K liczba terminów w średniej ruchomej. (4.8) Wzorzec danych: ST, stacjonarne T, tendencyjne S, sezonowe C, cykliczne. Horyzont czasowy: S, krótkotrwały (krótszy niż trzy miesiące) I, półprodukt L, długoterminowy Typ modelu: TS, seria czasowa C, przyczynowa. Sezonowość: s, długość sezonowości. zmiennej: V, zmiennych liczbowych. 17 16 Przykład 4.3 (ostatnie dane) Tydzień tPurchasesWeb tPurchasesWeek tPurchases 12751130221310 22911228722299 33071329023285 42811431124250 52951527725260 62681624526245 72521728227271 82791827728282 92641929829302 102882030330285 18 17 Obliczenia Korzystanie z pięciotygodniowej średniej ruchomej (strona 114, 115) Strony: 159-161 Minitab może być używany Minitab Applications sekcje do instrukcji, Strony: 159-161) 19 18 Wyniki Tydzień zakupów AVER1 RESI1 1275 2291 3307 4281 5295 289,8 6268 288,4 -21,8 7252 280,6 -36,4 8279 275,0 -1,6 9264 271,6 -11,0 10288 270,2 16,4 11302 277,0 31,8 12287 284,0 10,0 13290 286,2 6,0 14311 295,6 24,8 15277 293,4 -18,6 16245 282,0 -48,4 17282 281,0 0,0 18277 278,4 -4,0 19298 275,8 19,6 20303 281,0 27,2 21310294,0 29,0 22299 297,4 5,0 23285 299,0 -12,4 24250 289,4 -49,02 25260 280,8 -29,4 26245 267,2 262,45 299,0 -2,4,8 27271 262,2 3,2 28282 261,6 19,8 29302 272,0 40,4 30285 277,0 13,0 289,8 288,4 280,6 275,0 271,6 270,2 277,0 284,0 286,2 295,6 293,4 282,0 281,0 278,4 275,8 2 81.0 294.0 297.4 299.0 289.4 280.8 267.8 262.2 261.6 272.0 20 19 Wyniki Minitab Uwaga: (MSE nazywa się MSD na wyjściu Minitab) RYSUNEK 4 - 4 (Strona 115) Minitab Instrukcje Czas Statyczny Seria Średnia długość okresu przenoszenia Seria Tytuł Średnia Śródmieście19 Minitab Wyniki Uwaga: ( MSE nazywa się MSD na wyjściu Minitab) RYSUNEK 4 - 4 (Page 115) Instrukcja Minitab Stat Time Series Średnia ruchoma 21 20 Seria jest niezamierzona Zadanie: Spróbuj dziewięć tygodni średniej ruchomej, byłoby lepiej, ponieważ duże przeniesienie kolejności Średnia zwraca niewielką uwagę na duże wahania w seriach danych 30 29 289.8-21.8 288.4-36.4 280.6-1.6 275.0-11.0 271.616.4 270.231.8 277.010.0 284.06.0 286.224.8 295.6-18.6 293.4-48.4 282.00. 0 281,0-4,0 278,419,6 275,827,2 281,029,0 294,05,0 297,4-12,4 299,0-49,0 289,4-29,4 280,8-35,8 267,83,2 262,219,8 261,640,4 272,013,0 33 32 2,1 Prosta (pojedyncza) wykładnicza metoda wygładzania Wzorzec czasu danych Horyzont Typ modelu Minimalne wymogi dotyczące danych NonseasonalSeasonal Single Expone wygładzanie nerwowe STSTS2 W oparciu o uśrednianie (wygładzanie) przeszłych wartości szeregu w malejący sposób wykładniczy, przy czym większą wagę przykłada się do najnowszych obserwacji. Nowa prognoza x (nowa obserwacja) (1) x (stara prognoza) stała wygładzania (0 34 33 Porównanie stałych wygładzania okresu 0.1 0.6 Obliczenia Obliczenia Wydatki t0.1 0,6 t-10,1 x 0,90,090,6 x 0,40,24 t-2 0,1 x 0,9 x 0,9 0,0810,6 x 0,4 x 0,40,096 t-3 0,1 x 0,9 x 0,9 x 0,9 0,0730,6 x 0,4 x 0,40,038 t-4 0,1 x 0,9 x 0,9 x 0,9 x 0,9 0,0660,6 x 0,4 x 0,4 x 0.40.015 Wszystkie inne0.590.011 Sumy1.0 35 34 Uruchamianie algorytmu Należy ustawić wartość początkową dla starych wygładzonych serii: Aby ustawić pierwszy szacunek pierwszej obserwacji, należy użyć innej metody: aby użyć średniej z pierwszych 5 lub 6 obserwacje 36 35 2000 1500 2350 3250 4400 2001 5450 6350 7000 8300 2002 9350 10200 11150 12400 2003 13550 14350 15250 16550 2004 17550 18400 19350 20600 2005 21750 22500 23400 24650 2006 25 850 Kwartalne kwartale Rzeczywista sprzedaż firmy na lata 2000 do 2006 są przedstawione w tabeli. Dane za pierwszy kwartał 2006 r. Będą wykorzystane jako część testowa, aby pomóc w określeniu najlepszą wartością spośród dwóch rozważanych. Przykład 4.5 37 36 Wyniki 2000 1 500 2 350 3 250 4 400 Kwoty kwartalne (0,1) 500.000 1) 0.000 500.000 -150.000 485.000 2) -235.000 3) 461.500 4) -61.500 1) Wartość początkowa dla wygładzonej pierwszej serii obserwacji 500 2 ) 250-485 -235 3) 4) 0,1 (250) 0.9 (485) 461.5 38 37 Wyniki 500.000 1) 0.000 500.000 -150.000 485.000 2) -235.000 3) 461.500 4) -61.500 455.350 -5.350 454.815 -104.815 444.334 -244.334 -57,910 -119,900 407,910 419,900 402,119 -202,119 -231,907 381,907 358,716 41,284 362,845 187,155 381,560 -31,560 -128,404 378,404 365,564 184,436 384,007 165,993 400,607 -0,607 -50,546 400,546 395,491 204,509 415,942 334,058 449,348 50,652 454,413 448,972 201,028 469,075 -54,413 5) 500,000 0,000 500,000 - 150.000 410.000 -160.000 314.000 86.000 365.600 84.400 416.240 -66.240 376.496 -176.496 270.598 29.402 288.239 61.761 325.296 -125.296 250.118 -100.118 190.047 209.953 316.019 233.981 456.408 -106.408 392.563 -142.563 307.025 242.975 452.810 97.190 511.124 -111.124 444.450 -94.450 387.780 2 12.220 515.112 234.888 656.045 -156.045 562.418 -162.418 464.967 185.033 575.987 5) Dzielnice roku (0.6) (0.1) 5) Obliczenia za pierwszy kwartał 2007 2000 1500 2350 3250 4400 2001 5450 6350 7200 8300 2002 9350 10200 11150 12400 2003 13550 14350 15250 16550 2004 17550 18400 19350 20600 2005 21750 22500 23400 24650 2006 25 850 42 41 Optymalizacja MAPE 32.2 MAD 117.5 MSD 19447.0 Porównanie 0.6 MAPE 36.5 MAD 134.5 MSD 22248.4 0.1 MAPE 38.9 MAD 127.0 MSD 24261.7 Początkowa wygładzona Wartość Pierwsza obserwacja Początkowa wygładzona wartość Średnia z pierwszych sześciu Obserwacji 0.1 MAPE 32.1 MAD 115.5 MSD 21091,2 0,6 MAPE 36,7 MAD 137,1 MSD 22152,8 Ciężar jest wybierany w sposób subiektywny lub minimalizując błąd, taki jak MSE 43 42 Duże resztkowe autokorele po opóźnieniach 2 i 4: Odchylenie sezonowe w danych jest nie ujęte w prosty sposób wykładniczy. Duża wartość LBQ (33.86): series jest niezmienna. 44 43 Metoda Wzorzec Czasu Horyzontu Typ modelu Minimalne Wymogi dotyczące danych NonseasonalSeasonal Linear (Podwójne) wygładzanie wykładnicze (Holts) TSTS3 Wyrównywanie wykładnicze dostosowane do trendu: (Metoda Holts) Dwuskładnikowa metoda Holt Wygładza poziom i nachylenie (trend) przy użyciu różne stałe. Double Exponential Smoothing 45 44 Wykorzystane równania: 1. Aktualne oszacowanie poziomu: 2. Prognoza trendów: 3. Prognoza p okresów w przyszłości. L t nowa wygładzona wartość. stała wygładzanie danych. stała wygładzanie dla oszacowania trendów. Y t Rzeczywista wartość serii w okresie t. T t trend trend. p okresy, które mają być prognozowane w przyszłości. prognoza dla okresów p w przyszłość. 0 i 1. 46 45 Uruchamianie algorytmu Wagi można wybierać tak, jak w pojedynczej elemencie wygładzania wykładniczego. Można opracować sieć wartości, a następnie wybrać te, które mają najniższy MSE. Aby rozpocząć algorytm: jednym podejściem jest ustalenie pierwszego szacunku równego pierwszej obserwacji, wówczas tendencja jest szacowana na równe zero. Drugim podejściem jest użycie średniej z pierwszych sześciu obserwacji, tendencja jest nachyleniem linii dopasowanej do tych obserwacji. Minitab rozwija równanie regresji i używa stałych z równania jako wstępnych szacunków dla poziomu i trendu. 47 46 Przykład 4.9 Przykład 4.9 (ostatnie dane) 2000 1500 2350 3250 4400 2001 5450 6350 7200 8300 2002 9350 10200 11150 12400 2003 13550 14350 15250 16550 2004 17550 18400 19350 20600 2005 21750 22500 23400 24650 2006 25 850 Kwitnące 50 49 Metoda Wzorzec Data Time Horizon Typ modelu Minimalne wymogi dotyczące danych NonseasonalSeasonal Sezonowe wyrównywanie wykładnicze (Winters) SSTS2 xs Wyrównanie wykładnicze dostosowane do trendów i sezonowych zmian: Zimowe Metody 51 50 2. Prognoza trendów: 3. Szacunkowe sezonowości: 1. Gładka sekwencja wykładnicza: 4. Prognoza p okresów w przyszłości: użyte równania. L t nowa wygładzona wartość. wygładzona stała na poziomie. Y t faktyczna obserwacja w okresie t wygładzona stała dla trendu. T t trend trend. stała do wygładzania sezonowości. S t sezonowe oszacowanie. p okresów, które mają być prognozowane w przyszłości. s sezonowość. prognoza dla p okresów w przyszłości 52 51 Wybieranie odważników i możliwość wybrania subiektywnego lub minimalizowania błędu, np. MSE. Wspólne podejście: nieliniowy algorytm optymalizacji w celu znalezienia optymalnych stałych. 53 52 Uruchamianie procedury Jedno podejście polega na ustaleniu pierwszego oszacowania równego pierwszej obserwacji, wówczas szacuje się, że jest on równy zeru, a wskaźniki sezonowe są ustawione na 1. Drugim podejściem jest użycie średniej z pierwszego sezonu lub obserwuje się tendencję do nachylenia linii dopasowanej do tych obserwacji, a wskaźniki sezonowe to: 54 53 Minitab rozwija równanie regresji i stosuje stałe z równania jako wstępne szacunki dotyczące poziomu i trendu. Składniki sezonowe uzyskuje się przy użyciu odwzorowania zmiennej losowej przy użyciu detrendowanych danych. 55 54 (ostatnie dane) Przykład 4.10 (ostatnie dane) 2000 1500 2350 3250 4400 2001 5450 6350 7200 8300 2002 9350 10200 11150 12400 2003 13550 14350 15250 16550 2004 17550 18400 19350 20600 2005 21750 22500 23400 24650 2006 25 850 26 600 27 450 28 700 kwartałów kwartalnych 56 55 Instrukcje Minitab. STAT TIME SERIES WINTERS METHOD. Lepsze niż pozostałe 2 modele w zakresie minimalizacji MSE. SERIA CZASU ZIMA METODA. titleBetter niż pozostałe 2 modele w kategoriach zminimalizowania MSE. 57 56 Funkcje autokorelacji dla resztek Żaden z współczynników nie jest znacznie większy od zera, a mała wartość LBQ (5.01) wskazuje, że jest losowa. plików cookie w celu poprawy funkcjonalności i skuteczności, a także dostarczenia Ci odpowiednich reklam. Jeśli nadal przeglądasz witrynę, zgadzasz się na korzystanie z plików cookie w tej witrynie. Zobacz naszą umowę użytkownika i politykę prywatności. Slideshare używa plików cookie w celu poprawy funkcjonalności i skuteczności, a także dostarczenia Ci odpowiednich reklam. Jeśli nadal przeglądasz witrynę, zgadzasz się na korzystanie z plików cookie w tej witrynie. Szczegółowe informacje można znaleźć w Polityce prywatności i umowie użytkownika. Poznaj wszystkie swoje ulubione tematy w aplikacji SlideShare Pobierz aplikację SlideShare, aby zaoszczędzić na później nawet w trybie offline Przejdź do witryny na telefon komórkowy Załaduj konto Login Podwójnie dotknij, aby pomniejszyć Przenoszenie średniej metody Udostępnij tę kopię SlideShare LinkedIn Corporation 2017Moving Averages Methods. ppt - . Ten podgląd ma celowo zamazane sekcje. Zarejestruj się, aby zobaczyć pełną wersję. ŚREDNIE PRZEPŁYWOWE 61602 Przechodzenie średnich zalicza się do najpopularniejszych technik preprocesowania szeregów czasowych. 61602 Dilakukan dengan mengambil sekelompok nilai pengamatan, selanjutnya dicari rata-ratanya. Dengan menggunakan rata-rata tersebut sebagai ramalan untuk periode berikutnya. CHARAKTERYSTYKA DANYCH 61607 Wzór danych: stacjonarny 61607 Horyzont czasowy: krótkoterminowe 61607 Typ modelu: seria czasowa 61607 Minimalny wymóg danych: 4-30 danych Ten podgląd ma celowo zamazane sekcje. Zarejestruj się, aby zobaczyć pełną wersję. METODY 61602 Średnie proste 61602 Jednorodzinne średnie kroki 61602 Podwójne średnie ruchy SZCZEGÓŁOWE ŚWIADCZENIA 61602 Uzyskane przez złagodzenie średniej Dla wszystkich istotnych wartości, a następnie przy użyciu tej średniej do przewidywania następnego okresu. 61602 Plus 61523 A t n 61591 plus 6 dni w tygodniu 61591 Prognoza pogody na 61591 n Jumlah data dalam średnia ruchoma Ten podgląd został specjalnie zamazany. Zarejestruj się, aby zobaczyć pełną wersję. ŚREDNIE JEDNOSTKOWE 61602 Uzyskane przez fnding średniej Dla określonej wartości nastawy, a następnie użycie jej do prognozowania następnego okresu. To jest koniec podglądu. Zarejestruj się, aby uzyskać dostęp do pozostałej części dokumentu. Ten dokument został przesłany na 10092018 do ECONOMICS 0413112330 na Uniwersytecie Airlangga. Kliknij, aby edytować szczegóły dokumentuUsługi dotyczące plików wideo wykorzystuje pliki cookie, aby poprawić funkcjonalność i wydajność oraz zapewnić Ci odpowiednią reklamę. Jeśli nadal przeglądasz witrynę, zgadzasz się na korzystanie z plików cookie w tej witrynie. Zobacz naszą umowę użytkownika i politykę prywatności. Slideshare używa plików cookie w celu poprawy funkcjonalności i skuteczności, a także dostarczenia Ci odpowiednich reklam. Jeśli nadal przeglądasz witrynę, zgadzasz się na korzystanie z plików cookie w tej witrynie. Szczegółowe informacje można znaleźć w Polityce prywatności i umowie użytkownika. Poznaj wszystkie swoje ulubione tematy w aplikacji SlideShare Pobierz aplikację SlideShare, aby zaoszczędzić na później nawet w trybie offline Przejdź do witryny na telefon komórkowy Załaduj rejestrację Login Podwójnie dotknij, aby pomniejszyć średnią metoda matematyki ppt Udostępnij tę kopię SlideShare LinkedIn Corporation 2017