ง่าย เฉลี่ยเคลื่อนที่ พยากรณ์ วิธี

Simple Moving Average - SMA ค่าเฉลี่ยเคลื่อนที่เรียบง่าย - SMA ค่าเฉลี่ยเคลื่อนที่เฉลี่ยอยู่ที่สามารถคำนวณได้สำหรับช่วงเวลาต่างกันโดยการเพิ่มราคาปิดของการรักษาความปลอดภัยเป็นระยะ ๆ และ จากนั้นหารยอดรวมนี้ตามจำนวนรอบระยะเวลาซึ่งจะให้ราคาเฉลี่ยของการรักษาความปลอดภัยในช่วงเวลาค่าเฉลี่ยเคลื่อนที่ที่เรียบช่วยขจัดความผันผวนและทำให้ง่ายต่อการดูแนวโน้มราคาของการรักษาความปลอดภัยหากค่าเฉลี่ยเคลื่อนที่ที่ถ่วงขึ้น ซึ่งหมายความว่าราคาของระบบรักษาความปลอดภัยจะเพิ่มขึ้นหากมีการชี้ลงหมายความว่าราคาของระบบรักษาความปลอดภัยลดลงระยะเวลาในการเคลื่อนที่ของค่าเฉลี่ยที่ยาวนานยิ่งขึ้นค่าเฉลี่ยเคลื่อนที่ที่เรียบขึ้นโดยเฉลี่ยค่าเฉลี่ยเคลื่อนที่ระยะสั้นมีความผันผวนมากขึ้น แต่ Significance. Moving เฉลี่ยเป็นเครื่องมือวิเคราะห์ที่สำคัญที่ใช้ในการระบุแนวโน้มราคาในปัจจุบันและศักยภาพในการเปลี่ยนแปลงใน Tre ที่จัดตั้งขึ้น nd รูปแบบที่ง่ายที่สุดในการใช้ค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายในการวิเคราะห์คือการใช้เพื่อระบุว่าการรักษาความปลอดภัยอยู่ในขาขึ้นหรือขาลงหรือไม่ง่ายอีกวิธีหนึ่งคือการเปรียบเทียบค่าเฉลี่ยเคลื่อนที่แบบง่ายๆกับแต่ละค่าที่ครอบคลุม time futures หากค่าเฉลี่ยเคลื่อนที่ระยะสั้นมีค่าสูงกว่าค่าเฉลี่ยระยะยาวคาดว่าแนวโน้มขาขึ้นจะเป็นไปตามที่คาดการณ์ในทางกลับกันค่าเฉลี่ยระยะยาวที่สูงกว่าค่าเฉลี่ยระยะสั้นจะส่งผลให้แนวโน้มการเคลื่อนไหวในรูปแบบการซื้อขายมีแนวโน้มลดลง สองรูปแบบการซื้อขายที่เป็นที่นิยมใช้ค่าเฉลี่ยเคลื่อนที่แบบง่ายๆคือเครื่องหมายการเสียชีวิตและเครื่องหมายกากบาทแบบกาชาดความตายจะเกิดขึ้นเมื่อค่าเฉลี่ยเคลื่อนที่ 50 วันที่ต่ำกว่าค่าเฉลี่ยเคลื่อนที่ 200 วันซึ่งถือเป็นสัญญาณหยาบคายที่มีการขาดทุนเพิ่มขึ้น เครื่องหมายกากบาทสีทองเกิดขึ้นเมื่อค่าเฉลี่ยเคลื่อนที่ระยะสั้นอยู่เหนือเส้นค่าเฉลี่ยเคลื่อนที่ระยะยาวเสริมด้วยปริมาณการซื้อขายที่สูงขึ้นซึ่งเป็นสัญญาณว่ากำไรจะเพิ่มขึ้นอย่างต่อเนื่องค่าเฉลี่ยของการเปลี่ยนแปลงและ exponenti al แบบเรียบเป็นขั้นตอนแรกในการย้ายเกินกว่าโมเดลหมายถึงแบบจำลองการเดินแบบสุ่มและแบบจำลองแนวโน้มเชิงเส้นรูปแบบและแนวโน้มของ nonseasonal สามารถอนุมานได้โดยใช้แบบจำลองที่เคลื่อนที่โดยเฉลี่ยหรือเรียบข้อสมมติฐานพื้นฐานที่อยู่เบื้องหลังรูปแบบเฉลี่ยและราบเรียบคือช่วงเวลา เป็นแบบคงที่เฉพาะที่มีค่าเฉลี่ยที่แตกต่างกันอย่างช้าๆดังนั้นเราจึงใช้ค่าเฉลี่ยในท้องถิ่นที่เคลื่อนที่เพื่อประเมินค่าปัจจุบันของค่าเฉลี่ยและใช้เป็นค่าพยากรณ์สำหรับอนาคตอันใกล้นี้ถือได้ว่าเป็นการประนีประนอมระหว่างแบบเฉลี่ยและแบบสุ่ม ค่าเฉลี่ยเคลื่อนที่มักถูกเรียกว่าเรียบเนียนของชุดเดิมเนื่องจากค่าเฉลี่ยในระยะสั้นมีผลกระทบจากการทำให้เรียบในกระแทกในต้นฉบับ series โดยการปรับระดับความเรียบของความกว้างของค่าเฉลี่ยเคลื่อนที่เราสามารถคาดหวังให้เกิดความสมดุลบางอย่างระหว่างประสิทธิภาพของแบบจำลองแบบสุ่มและแบบสุ่ม s implest ชนิดของรูปแบบเฉลี่ยคือเฉลี่ยถ่วงน้ำหนักอย่างเท่าเทียมกัน Moving Average การคาดการณ์สำหรับค่าของ Y ในเวลา t 1 ที่ทำในเวลา t เท่ากับค่าเฉลี่ยที่เรียบง่ายของการสังเกต m ล่าสุด ที่นี่และที่อื่น ๆ ฉันจะใช้สัญลักษณ์ Y-hat เพื่อทำนายเวลาของชุด Y ที่ทำในวันที่ก่อนวันที่เป็นไปได้เร็วที่สุดโดยแบบจำลองที่กำหนดค่าเฉลี่ยนี้เป็นศูนย์กลางในช่วง t - m 1 2 ซึ่งหมายความว่าประมาณการของ ค่าเฉลี่ยของท้องถิ่นจะมีแนวโน้มลดลงหลังค่าที่แท้จริงของค่าเฉลี่ยของท้องถิ่นโดยประมาณระยะเวลา m 1 2 ดังนั้นเราจึงกล่าวว่าอายุเฉลี่ยของข้อมูลในค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายคือ m 1 2 เทียบกับช่วงเวลาที่คาดการณ์การคำนวณ นี่คือระยะเวลาโดยที่การคาดการณ์จะมีแนวโน้มลดลงหลังจุดหักเหในข้อมูลตัวอย่างเช่นถ้าคุณใช้ค่าเฉลี่ย 5 ค่าล่าสุดการคาดการณ์จะอยู่ที่ประมาณ 3 ช่วงเวลาในการตอบสนองต่อจุดหักเหโปรดสังเกตว่าถ้า m 1, ค่าเฉลี่ยของค่าเฉลี่ยเคลื่อนที่แบบ SMA เทียบเท่ากับรูปแบบการเดินแบบสุ่มโดยไม่มีการเติบโตถ้า m มีขนาดใหญ่มากเทียบเท่ากับความยาวของระยะเวลาประมาณค่ารุ่น SMA เท่ากับรูปแบบค่าเฉลี่ยเช่นเดียวกับพารามิเตอร์ของรูปแบบการคาดการณ์ เพื่อปรับค่าของกี่ n เพื่อให้ได้ข้อมูลที่เหมาะสมที่สุดคือข้อผิดพลาดในการคาดการณ์ที่เล็กที่สุดโดยเฉลี่ยนี่คือตัวอย่างของชุดที่แสดงให้เห็นถึงความผันผวนแบบสุ่มรอบ ๆ ค่าเฉลี่ยที่มีความแตกต่างกันไปอย่างช้าๆก่อนอื่นให้ลองพอดีกับการเดินแบบสุ่ม ซึ่งเทียบเท่ากับค่าเฉลี่ยเคลื่อนที่ที่สั้น ๆ ของ 1 เทอมรูปแบบการเดินแบบสุ่มตอบสนองได้อย่างรวดเร็วเพื่อการเปลี่ยนแปลงในซีรีส์ แต่ในการทำเช่นนี้จึงทำให้เกิดเสียงรบกวนมากขึ้นในข้อมูลความผันผวนแบบสุ่มรวมทั้งสัญญาณท้องถิ่น หมายความว่าถ้าเราลองใช้ค่าเฉลี่ยเคลื่อนที่แบบง่ายๆ 5 เทอมเราจะได้รับการคาดการณ์ที่นุ่มนวลกว่าการคาดการณ์อัตราการเคลื่อนที่แบบเคลื่อน 5 เทอมทำให้เกิดข้อผิดพลาดน้อยกว่าแบบจำลองการเดินแบบสุ่มในกรณีนี้อายุเฉลี่ยของข้อมูลในข้อมูลนี้ คือ 3 5 1 2 ดังนั้นจึงมีแนวโน้มที่จะล้าหลังจุดหักเหโดยประมาณสามงวดตัวอย่างเช่นการชะลอตัวที่ดูเหมือนว่าจะได้เกิดขึ้นในระยะเวลา 21 แต่การคาดการณ์ไม่ได้หันไปรอบ ๆ จนกระทั่งหลายช่วงเวลาในภายหลัง. คาดการณ์ระยะสั้นจาก SMA mod el เป็นเส้นตรงแนวนอนเช่นเดียวกับในรูปแบบการเดินแบบสุ่มดังนั้นรูปแบบ SMA สมมติว่าไม่มีแนวโน้มในข้อมูลอย่างไรก็ตามในขณะที่การคาดการณ์จากแบบจำลองการเดินแบบสุ่มมีค่าเท่ากับค่าที่สังเกตล่าสุดการคาดการณ์จาก รูปแบบ SMA มีค่าเท่ากับค่าเฉลี่ยถ่วงน้ำหนักของค่าล่าสุดค่าความเชื่อมั่นที่คำนวณโดย Statgraphics สำหรับการคาดการณ์ในระยะยาวของค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายจะไม่ได้รับมากขึ้นเนื่องจากการเพิ่มขึ้นของขอบฟ้าพยากรณ์อากาศคาดว่าจะไม่ถูกต้อง แต่น่าเสียดายที่ไม่มีพื้นฐาน ทฤษฎีทางสถิติที่บอกเราว่าช่วงความเชื่อมั่นควรจะกว้างขึ้นสำหรับรุ่นนี้อย่างไรก็ตามไม่ยากเกินไปที่จะคำนวณค่าประมาณเชิงประจักษ์ถึงขีดจำกัดความเชื่อมั่นสำหรับการคาดการณ์ที่ยาวกว่าขอบฟ้าตัวอย่างเช่นคุณสามารถตั้งค่าสเปรดชีตในรูปแบบ SMA ได้ จะใช้ในการคาดการณ์ล่วงหน้า 2 ขั้นตอนล่วงหน้า 3 ก้าว ฯลฯ ภายในตัวอย่างข้อมูลที่เป็นข้อมูลย้อนหลังจากนั้นคุณสามารถคำนวณส่วนเบี่ยงเบนมาตรฐานตัวอย่างของข้อผิดพลาดในการคาดการณ์แต่ละครั้ง h orizon แล้วสร้างช่วงความเชื่อมั่นสำหรับการคาดการณ์ในระยะยาวโดยการเพิ่มและลบคูณของส่วนเบี่ยงเบนมาตรฐานที่เหมาะสมหากเราลองค่าเฉลี่ยเคลื่อนที่ 9- ระยะเราจะได้รับการคาดการณ์ที่ราบรื่นยิ่งขึ้นและอื่น ๆ ของผลปกคลุมด้วยวัตถุฉนวนอายุเฉลี่ยคือ ตอนนี้ 5 ช่วงเวลา 9 1 2 ถ้าเราใช้ค่าเฉลี่ยเคลื่อนที่ 19 ระยะอายุเฉลี่ยเพิ่มขึ้นเป็น 10. บอกได้เลยว่าการคาดการณ์ในตอนนี้ล้าหลังจุดหักเหประมาณ 10 รอบระยะเวลาการปรับให้ราบเรียบเป็นสิ่งที่ดีที่สุดสำหรับชุดข้อมูลนี้ ตารางที่เปรียบเทียบสถิติข้อผิดพลาดของพวกเขารวมทั้งค่าเฉลี่ยระยะเวลา 3 เดือนด้วย C model C ซึ่งเป็นค่าเฉลี่ยเคลื่อนที่ระยะ 5 วันให้ผลตอบแทนต่ำสุดของ RMSE โดยมีส่วนต่างเล็ก ๆ ในช่วงระยะเวลา 3 และค่าเฉลี่ย 9 วันและ สถิติอื่น ๆ ของพวกเขาเกือบเหมือนกันดังนั้นในหมู่รูปแบบที่มีสถิติข้อผิดพลาดที่คล้ายกันมากเราสามารถเลือกได้ว่าเราต้องการตอบสนองน้อยมากหรือเรียบขึ้นเล็กน้อยในการคาดการณ์กลับไปด้านบนของหน้าการเรียบง่าย Exponential Smoothing ชี้แจงถ่วงน้ำหนัก ค่าเฉลี่ยเคลื่อนที่เฉลี่ยที่อธิบายไว้ข้างต้นมีคุณสมบัติที่ไม่พึงประสงค์ที่จะปฏิบัติต่อข้อสังเกตสุดท้าย k อย่างเท่าเทียมกันและสมบูรณ์ละเว้นการสังเกตก่อนหน้านี้ทั้งหมดอย่างสังหรณ์ใจข้อมูลที่ผ่านมาควรจะลดในรูปแบบที่ค่อยๆมากขึ้นเช่นการสังเกตล่าสุดควร รับน้ำหนักน้อยกว่าครั้งที่ 2 ล่าสุดและครั้งที่ 2 ล่าสุดควรได้รับน้ำหนักน้อยกว่าครั้งที่ 3 ล่าสุดและอื่น ๆ รูปแบบ SES แบบเรียบง่ายทำให้สำเร็จนี่แสดงให้เห็นถึงการทำให้ราบเรียบคงที่ระหว่าง 0 ถึง 1 วิธีหนึ่งในการเขียนแบบคือการกำหนดชุด L ซึ่งแสดงถึงระดับปัจจุบันเช่นค่าเฉลี่ยของท้องถิ่นของชุดตั้งแต่ประมาณการข้อมูลจนถึงปัจจุบันค่าของ L ในเวลา t คำนวณจากค่าเดิมของตัวเองเช่นนี้ ดังนั้นค่าที่ปรับให้เรียบในปัจจุบันเป็นค่าการแทรกสอดระหว่างค่าที่ได้จากการเรียบก่อนหน้านี้กับการสังเกตการณ์ในปัจจุบันซึ่งจะควบคุมความใกล้ชิดของค่าที่ถูก interpolation ให้มากที่สุด การคาดการณ์ในช่วงถัดไปเป็นเพียงค่าที่ราบรื่นในปัจจุบันเราสามารถแสดงการคาดการณ์ต่อไปได้โดยตรงในแง่ของการคาดการณ์ก่อนหน้านี้และข้อสังเกตก่อนหน้านี้ในเวอร์ชันเทียบเท่าใด ๆ ต่อไปนี้ในเวอร์ชันแรกการคาดการณ์คือการแก้ไข ระหว่างการคาดการณ์ก่อนหน้าและการสังเกตก่อนหน้านี้ในรุ่นที่สองการคาดการณ์ครั้งต่อไปจะได้รับโดยการปรับการคาดการณ์ก่อนหน้านี้ในทิศทางของข้อผิดพลาดก่อนหน้าโดยเศษส่วนเป็นจำนวนเล็กน้อยข้อผิดพลาดที่เกิดขึ้น ณ เวลา t ในรุ่นที่สามการคาดการณ์คือ ถ่วงน้ำหนักแบบทวีคูณคือค่าเฉลี่ยเคลื่อนที่ที่ลดลงพร้อมด้วยปัจจัยส่วนลด 1 รุ่นการแก้ไขของสูตรพยากรณ์เป็นวิธีที่ง่ายที่สุดหากคุณใช้โมเดลในสเปรดชีตที่พอดีในเซลล์เดียวและมีการอ้างอิงเซลล์ชี้ไปที่การคาดการณ์ก่อนหน้านี้ สังเกตและเซลล์ที่มีการจัดเก็บค่าของโปรดสังเกตว่าถ้า 1 รุ่น SES เทียบเท่ากับรูปแบบการเดินแบบสุ่ม hout growth ถ้า 0 โมเดล SES เท่ากับรุ่นค่าเฉลี่ยสมมติว่าค่าที่เรียบเป็นครั้งแรกจะเท่ากับค่าเฉลี่ยของค่าเฉลี่ยของค่าเฉลี่ยของค่าเฉลี่ยของความยาวของข้อมูลในการพยากรณ์ความเรียบง่ายของเลขลำดับคือ 1 relative ถึงระยะเวลาที่คาดการณ์การคำนวณนี้ไม่ควรจะเป็นที่ชัดเจน แต่ก็สามารถแสดงได้โดยการประเมินชุดอนันต์ดังนั้นการคาดการณ์ค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายมีแนวโน้มที่จะล่าช้าหลังจุดหักเหโดยประมาณ 1 ช่วงตัวอย่างเช่นเมื่อ 0 5 ความล่าช้าเป็น 2 ช่วงเวลาเมื่อ 0 2 ความล่าช้าเป็น 5 ช่วงเวลาเมื่อ 0 1 ล่าช้าเป็น 10 งวดและอื่น ๆ สำหรับอายุโดยเฉลี่ยที่ระบุเช่นจำนวนเงินล่าช้าที่เรียบง่ายชี้แจง SES คาดการณ์ค่อนข้างดีกว่าการย้ายง่าย SMA คาดการณ์โดยเฉลี่ยเพราะมีน้ำหนักมากขึ้นในการสังเกตการณ์ล่าสุด - มันตอบสนองต่อการเปลี่ยนแปลงที่เกิดขึ้นในอดีตไม่นานตัวอย่างเช่นแบบ SMA ที่มี 9 คำและแบบ SES มีค่าเฉลี่ย 0 จาก 5 สำหรับ da ta ในการคาดการณ์ของพวกเขา แต่รูปแบบ SES ทำให้น้ำหนักมากขึ้นในช่วง 3 ค่ากว่าแบบ SMA และในเวลาเดียวกันมัน doesn t ลืมอย่างสิ้นเชิงเกี่ยวกับค่ามากกว่า 9 งวดเก่าดังแสดงในแผนภูมินี้อีกหนึ่งข้อได้เปรียบที่สำคัญของ แบบจำลอง SES เหนือโมเดล SMA คือแบบจำลอง SES ใช้พารามิเตอร์การปรับให้ราบเรียบซึ่งเป็นตัวแปรที่เปลี่ยนแปลงได้อย่างต่อเนื่องดังนั้นจึงสามารถปรับให้เหมาะสมโดยใช้อัลกอริธึมการแก้ปัญหาเพื่อลดข้อผิดพลาดของกำลังเฉลี่ยเฉลี่ยค่าที่เหมาะสมที่สุดในโมเดล SES สำหรับชุดข้อมูลนี้จะปรากฏออกมา เป็น 0 2961 ตามที่แสดงไว้ที่นี่อายุโดยเฉลี่ยของข้อมูลในการคาดการณ์นี้คือ 1 0 2961 3 4 รอบระยะเวลาซึ่งคล้ายกับค่าเฉลี่ยเคลื่อนที่ 6-term ระยะยาวการคาดการณ์ในระยะยาวจากรูปแบบ SES คือ แนวเส้นตรงในแนวนอนเช่นเดียวกับในรูปแบบ SMA และรูปแบบการเดินแบบสุ่มโดยไม่มีการเติบโตอย่างไรก็ตามโปรดทราบว่าช่วงความเชื่อมั่นที่คำนวณโดย Statgraphics จะแตกต่างกันไปในรูปแบบที่ดูสมเหตุสมผลและมีความแคบกว่าช่วงความเชื่อมั่นสำหรับแรนด์ om walk model รุ่น SES สันนิษฐานว่าชุดนี้ค่อนข้างจะสามารถคาดเดาได้มากกว่าแบบจำลองการเดินแบบสุ่มโมเดล SES เป็นกรณีพิเศษของรูปแบบ ARIMA ดังนั้นทฤษฎีทางสถิติของรูปแบบ ARIMA จึงเป็นพื้นฐานสำหรับการคำนวณช่วงความเชื่อมั่นสำหรับ แบบจำลอง SES โดยเฉพาะแบบจำลอง SES เป็นแบบจำลอง ARIMA ที่มีความแตกต่างอย่างไม่มีนัยสำคัญระยะ MA 1 และไม่มีระยะคงที่เรียกอีกอย่างว่ารูปแบบ ARIMA 0,1,1 โดยไม่มีค่าคงที่ค่าสัมประสิทธิ์ของ MA1 ในรูปแบบ ARIMA สอดคล้องกับ ปริมาณ 1 ในแบบจำลอง SES ตัวอย่างเช่นถ้าคุณมีรูปแบบ ARIMA 0,1,1 โดยไม่มีค่าคงที่สำหรับชุดข้อมูลที่วิเคราะห์ที่นี่ค่าสัมประสิทธิ์ MA 1 โดยประมาณจะเท่ากับ 0 7029 ซึ่งใกล้เคียงกับ 0 2961 เป็นไปได้ที่จะเพิ่มสมมติฐานของแนวโน้มเชิงเส้นที่ไม่ใช่ศูนย์เป็นแบบ SES เมื่อต้องการทำเช่นนี้เพียงแค่ระบุรูปแบบ ARIMA ที่มีความแตกต่างอย่างไม่มีความแตกต่างกันและ MA 1 ระยะโดยมีค่าคงที่คือ ARIMA 0,1,1 รุ่น คงที่การคาดการณ์ระยะยาวจะ มีแนวโน้มที่จะเท่ากับแนวโน้มเฉลี่ยที่สังเกตได้ในช่วงประมาณทั้งหมดคุณไม่สามารถดำเนินการนี้ร่วมกับการปรับฤดูกาลได้เนื่องจากตัวเลือกการปรับฤดูกาลจะถูกปิดใช้งานเมื่อมีการตั้งค่าชนิดของรูปแบบเป็น ARIMA อย่างไรก็ตามคุณสามารถเพิ่มค่าคงที่ที่ยาวได้ การขยายตัวของอัตราเงินเฟ้อที่เหมาะสมต่องวดสามารถประมาณได้จากค่าสัมประสิทธิ์ความชันในรูปแบบเส้นตรงที่พอดีกับข้อมูลใน ร่วมกับการแปลงลอการิทึมธรรมชาติหรืออาจขึ้นอยู่กับข้อมูลอื่น ๆ ที่เป็นอิสระเกี่ยวกับแนวโน้มการเติบโตในระยะยาวกลับไปด้านบนของหน้าการคำนวณของ Linear คือการสร้าง Smoothing แบบ Double Exponential แบบ SMA และ SES สมมติว่าไม่มีแนวโน้มของ ชนิดใดในข้อมูลซึ่งมักจะเป็นอย่างน้อยหรืออย่างน้อยไม่มากเกินไปสำหรับการคาดการณ์ล่วงหน้า 1 ขั้นตอนเมื่อข้อมูลมีความไม่แน่นอน sy และสามารถปรับเปลี่ยนเพื่อรวมแนวโน้มเชิงเส้นที่คงที่ดังที่แสดงไว้ด้านบนแนวโน้มในระยะสั้นถ้าชุดแสดงอัตราการเติบโตที่แตกต่างกันหรือรูปแบบตามวัฏจักรที่โดดเด่นชัดเจนต่อเสียงรบกวนและหากมีความจำเป็นต้องใช้ คาดการณ์ล่วงหน้ามากกว่า 1 รอบแล้วการประมาณแนวโน้มภายในอาจเป็นปัญหาได้รูปแบบเรียบง่ายชี้แจงสามารถสรุปเพื่อให้ได้รูปแบบ LES แบบเรียบที่อธิบายถึงการประมาณการในระดับท้องถิ่นและระดับแนวโน้มแนวโน้มที่ต่างกันง่ายที่สุด เป็นแบบจำลองการให้ความเรียบแบบเสี้ยวของแบบสีน้ำตาลซึ่งใช้สองแบบที่เรียบเนียนแตกต่างกันไปตามจุดต่างๆในเวลาสูตรการคาดการณ์จะขึ้นอยู่กับการอนุมานของเส้นผ่านสองศูนย์รูปแบบที่ซับซ้อนมากขึ้นของรุ่นนี้ Holt s คือ กล่าวถึงด้านล่างรูปแบบเกี่ยวกับพีชคณิตของรูปแบบการเรียบแบบเสียดสีของเส้นสีน้ำตาลเช่นเดียวกับรูปแบบการเรียบง่ายที่ชี้แจงสามารถแสดงออกได้ในจำนวนที่แตกต่างกัน รูปแบบมาตรฐานรูปแบบมาตรฐานของรูปแบบนี้มักจะแสดงเป็นดังนี้ปล่อยให้ S หมายถึงชุดที่เรียบโดยใช้การเรียบอย่างง่ายแทนชุด Y นั่นคือค่าของ S ในช่วง t จะได้รับโดย จำได้ว่าภายใต้การเรียบง่ายชี้แจงนี้จะเป็นที่คาดการณ์สำหรับ Y ที่ระยะเวลา t 1 แล้วให้ S หมายถึงชุดทวีคูณเรียบเรียงได้โดยใช้การเรียบง่ายชี้แจงโดยใช้ชุดเดียวกันกับ S. สุดท้ายคาดการณ์สำหรับ Y tk สำหรับใด ๆ k 1 ให้ผลตอบแทนนี้ e 1 0 คือโกงเล็กน้อยและให้การคาดการณ์ครั้งแรกเท่ากับการสังเกตครั้งแรกที่เกิดขึ้นจริงและ e 2 Y 2 Y 1 หลังจากที่การคาดการณ์ถูกสร้างโดยใช้สมการข้างต้นนี้จะทำให้ได้ค่าพอดีกัน เป็นสูตรขึ้นอยู่กับ S และ S ถ้าเริ่มต้นขึ้นโดยใช้ S 1 S 1 Y 1 รุ่นของรูปแบบนี้จะใช้ในหน้าถัดไปที่แสดงให้เห็นถึงการรวมกันของการเรียบเรียงชี้แจงกับการปรับตามฤดูกาลฮอลแลนด์ s Linear Exponential Smoothing. Brown แบบจำลอง LES คำนวณค่าประมาณและระดับท้องถิ่นโดยการให้ข้อมูลที่ราบรื่น แต่ข้อเท็จจริงที่ว่าด้วยพารามิเตอร์ smoothing เดียวทำให้ข้อ จำกัด ในรูปแบบข้อมูลที่สามารถปรับให้พอดีกับระดับและแนวโน้มไม่ได้รับอนุญาตให้เปลี่ยนแปลงไป ที่ อัตราที่เป็นอิสระแบบจำลอง Holt s LES แก้ไขปัญหานี้โดยการรวมค่าคงที่สองค่าหนึ่งค่าสำหรับหนึ่งและหนึ่งสำหรับแนวโน้ม ณ เวลาใด ๆ t ในรูปแบบของ Brown มีการประมาณการ L t ของระดับท้องถิ่นและค่าประมาณ T t ของแนวโน้มในท้องถิ่นที่นี่พวกเขาจะคำนวณจากค่าของ Y ที่สังเกตได้ในเวลา t และการประมาณค่าก่อนหน้าของระดับและแนวโน้มโดยสมการสองตัวที่ใช้การทำให้เกิดการแจกแจงแบบเอกซ์โพเนนเชียลให้แก่พวกเขาแยกกันหากระดับและแนวโน้มโดยประมาณในเวลา t-1 คือ L t 1 และ T t-1 ตามลำดับจากนั้นการคาดการณ์สำหรับ Y t ที่จะทำในเวลา t-1 เท่ากับ L t-1 T t-1 เมื่อมีการสังเกตค่าจริงค่าประมาณที่ปรับปรุงใหม่ของ ระดับจะถูกคำนวณโดยการ interpolating ระหว่าง Y t และการคาดการณ์ L t-1 T t-1 โดยใช้น้ำหนักของและ 1. การเปลี่ยนแปลงในระดับโดยประมาณคือ L t L t 1 สามารถตีความได้ว่าเป็นการวัดความดังของ แนวโน้มในเวลา t การประมาณการแนวโน้มของแนวโน้มจะถูกคำนวณโดย recolive โดย interpolating ระหว่าง L t t t 1 และการประมาณการก่อนหน้านี้ของแนวโน้ม T t-1 โดยใช้น้ำหนักของและ 1. การตีความของค่าคงที่ของการปรับความเรียบของกระแสจะคล้ายคลึงกับค่าคงตัวของระดับที่คงที่ด้วยค่าเล็กน้อยที่สมมติว่าแนวโน้มการเปลี่ยนแปลง เพียงอย่างช้า ๆ เมื่อเวลาผ่านไปในขณะที่แบบจำลองที่มีขนาดใหญ่สมมติว่ามีการเปลี่ยนแปลงอย่างรวดเร็วขึ้นโมเดลที่มีขนาดใหญ่เชื่อว่าอนาคตที่ห่างไกลมีความไม่แน่นอนมากเนื่องจากข้อผิดพลาดในการประมาณค่าแนวโน้มกลายเป็นสิ่งสำคัญมากเมื่อคาดการณ์ล่วงหน้ามากกว่าหนึ่งช่วงเวลา ของค่าคงที่เรียบและสามารถประมาณได้ตามปกติโดยการลดข้อผิดพลาดของค่าเฉลี่ยของการคาดการณ์ล่วงหน้า 1 ขั้นตอนเมื่อทำใน Statgraphics ค่าประมาณนี้จะเท่ากับ 0 3048 และ 0 008 ค่าที่น้อยมากของ หมายความว่ารูปแบบสมมติการเปลี่ยนแปลงน้อยมากในแนวโน้มจากระยะหนึ่งไปยังอีกรูปแบบดังนั้นโดยทั่วไปรุ่นนี้พยายามที่จะประมาณแนวโน้มระยะยาวโดยการเปรียบเทียบกับความคิดของอายุโดยเฉลี่ยของข้อมูลที่ใช้ในการประมาณการ t เขาระดับท้องถิ่นของซีรีส์อายุโดยเฉลี่ยของข้อมูลที่ใช้ในการประเมินแนวโน้มในท้องถิ่นเป็นสัดส่วนกับ 1 แม้ว่าจะไม่เท่ากันก็ตามในกรณีนี้จะกลายเป็น 1 0 006 125 นี่เป็นตัวเลขที่แม่นยำมาก เนื่องจากความถูกต้องของการประมาณเลขที่จริง 3 ตำแหน่งทศนิยม แต่เป็นลำดับเดียวกันของขนาดเป็นขนาดตัวอย่าง 100 ดังนั้นรูปแบบนี้จึงเป็นค่าเฉลี่ยมากกว่าค่อนข้างมากในประวัติศาสตร์ในการประมาณแนวโน้มพล็อตการคาดการณ์ ด้านล่างแสดงให้เห็นว่าโมเดล LES ประมาณการแนวโน้มท้องถิ่นที่มีขนาดใหญ่กว่าเล็กน้อยในตอนท้ายของชุดข้อมูลมากกว่าแนวโน้มที่คงที่โดยประมาณในรูปแบบแนวโน้ม SES นอกจากนี้ค่าประมาณของเกือบจะเหมือนกันกับค่าที่ได้จากการปรับรุ่น SES โดยมีแนวโน้มหรือไม่มีแนวโน้ม ดังนั้นนี่เป็นรูปแบบเดียวกันเกือบทุกวันนี้ดูเหมือนว่าการคาดการณ์ที่สมเหตุสมผลสำหรับแบบจำลองที่คาดว่าจะเป็นการประมาณแนวโน้มในระดับท้องถิ่นหากคุณทำแผนผังเรื่องนี้ให้ดูราวกับว่าแนวโน้มในท้องถิ่นมีแนวโน้มลดลงในตอนท้ายของ ซีรีส์ Wh ที่เกิดขึ้นพารามิเตอร์ของโมเดลนี้ได้รับการประมาณโดยการลดข้อผิดพลาดของการคาดการณ์ล่วงหน้า 1 ขั้นตอนโดยไม่ จำกัด การคาดการณ์ในระยะยาวซึ่งในกรณีนี้แนวโน้มไม่ได้สร้างความแตกต่างมากนักหากคุณกำลังมองหาสิ่งที่ได้คือ 1 ข้อผิดพลาดที่เกิดขึ้นล่วงหน้าคุณจะไม่เห็นภาพใหญ่ของแนวโน้มมากกว่าพูด 10 หรือ 20 รอบระยะเวลาเพื่อให้ได้รูปแบบนี้มากขึ้นสอดคล้องกับการคาดการณ์ลูกตาของข้อมูลของเราเราสามารถปรับแนวโน้มคงที่เรียบเพื่อที่จะ ใช้พื้นฐานที่สั้นกว่าสำหรับการประมาณแนวโน้มตัวอย่างเช่นถ้าเราเลือกที่จะตั้งค่า 0 1 อายุเฉลี่ยของข้อมูลที่ใช้ในการประเมินแนวโน้มท้องถิ่นคือ 10 ช่วงเวลาซึ่งหมายความว่าเรามีค่าเฉลี่ยของแนวโน้มมากกว่าช่วงเวลา 20 ช่วงที่ผ่านมา นี่คือพล็อตพล็อตที่คาดการณ์ไว้ถ้าเรากำหนด 0 1 ขณะที่รักษา 0 3 นี่ดูเหมาะสมสำหรับชุดนี้แม้ว่าจะอาจเป็นไปได้ที่จะคาดการณ์แนวโน้มนี้ได้เกินกว่า 10 งวดในอนาคตสิ่งที่เกี่ยวกับสถิติข้อผิดพลาดนี่คือ การเปรียบเทียบโมเดล f หรือแบบจำลองสองแบบที่แสดงข้างต้นรวมทั้งสามแบบ SES ค่าที่ดีที่สุดของแบบจำลอง SES อยู่ที่ประมาณ 0 3 แต่ผลที่คล้ายคลึงกันกับการตอบสนองเล็กน้อยหรือน้อยกว่าตามลำดับจะได้รับกับ 0 5 และ 0 2. การคำนวณสมการเชิงเส้นของ Holt กับอัลฟา 0 3048 และเบต้า 0 008 การคำนวณเชิงเส้นของ B Holt ด้วยอัลฟา 0 3 และเบต้า 0 1. ซีสมูทเอ็มโพเนนเชียลที่เรียบง่ายด้วยอัลฟา 0 5. D การเรียบง่ายแบบเอ็กซ์โปเนนนิดที่มี alpha 0 3. E การเรียบง่ายที่ชี้แจงด้วย alpha 0 2 สถิติของพวกเขาเกือบเหมือนกันดังนั้นเราจึงไม่สามารถเลือกทางเลือกตามข้อผิดพลาดในการคาดการณ์ล่วงหน้า 1 ขั้นตอนภายในตัวอย่างข้อมูลเราต้องย้อนกลับไปพิจารณาเรื่องอื่น ๆ หากเราเชื่อมั่นว่าการสร้างฐานในปัจจุบันเป็นเรื่องที่เหมาะสม การประมาณแนวโน้มของสิ่งที่เกิดขึ้นในช่วง 20 ปีที่ผ่านมาเราสามารถสร้างกรณีสำหรับโมเดล LES ด้วย 0 3 และ 0 1 ถ้าเราต้องการที่จะไม่เชื่อเรื่องว่ามีแนวโน้มในระดับภูมิภาคแล้วหนึ่งในโมเดล SES อาจ ง่ายกว่าที่จะอธิบายและยังจะให้มากขึ้น middl การคาดการณ์ e-of-the-road สำหรับถัดไป 5 หรือ 10 รอบระยะเวลาย้อนกลับไปด้านบนของหน้าประเภทของแนวโน้มการอนุมานที่ดีที่สุดในแนวนอนหรือเชิงเส้นหลักฐานเชิงประจักษ์ชี้ให้เห็นว่าถ้าข้อมูลได้รับการปรับแล้วถ้าจำเป็นสำหรับอัตราเงินเฟ้อแล้ว มันอาจจะไม่ระมัดระวังในการคาดการณ์แนวโน้มเชิงเส้นระยะสั้นมากไปไกลในอนาคตแนวโน้มที่เห็นได้ชัดในวันนี้อาจลดลงในอนาคตเนื่องจากสาเหตุที่แตกต่างกันเช่นสินค้าล้าสมัยการแข่งขันที่เพิ่มขึ้นและ downturns วัฏจักรหรือ upturns ในอุตสาหกรรมด้วยเหตุนี้ชี้แจงอย่างง่าย การทำให้เรียบมักจะมีประสิทธิภาพดีกว่าตัวอย่างอื่น ๆ ที่คาดไว้แม้ว่าจะมีการคาดการณ์เกี่ยวกับแนวโน้มในแนวนอนที่ไร้เดียงสาการปรับเปลี่ยนรูปแบบการปรับตัวของแบบจำลองการเยื้องแบบเชิงเส้นแบบเชิงเส้นมักใช้ในการแนะนำโน้ตของอนุรักษนิยมในการคาดการณ์แนวโน้ม รูปแบบ LES สามารถใช้เป็นกรณีพิเศษของรูปแบบ ARIMA โดยเฉพาะ ARIMA 1,1,2 model. It สามารถคำนวณช่วงความเชื่อมั่น arou การคาดการณ์ในระยะยาวที่ผลิตโดยแบบจำลองการทำให้เรียบโดยการพิจารณาว่าเป็นกรณีพิเศษของโมเดล ARIMA ระวังให้ซอฟต์แวร์ทั้งหมดคำนวณระยะเวลาความเชื่อมั่นสำหรับโมเดลเหล่านี้ได้อย่างถูกต้องความกว้างของช่วงความเชื่อมั่นขึ้นอยู่กับ i ข้อผิดพลาด RMS ของรุ่น ii ประเภท ของการเรียบง่ายหรือเชิงเส้น iii ค่าของการทำให้ราบเรียบคงที่ s และ iv จำนวนรอบระยะเวลาก่อนที่คุณจะคาดการณ์โดยทั่วไประยะห่างกระจายออกได้เร็วขึ้นตามที่ได้รับขนาดใหญ่ในรูปแบบ SES และพวกเขากระจายออกไปได้เร็วขึ้นมากเมื่อเส้นตรงมากกว่าง่าย การใช้งานราบเรียบหัวข้อนี้จะกล่าวถึงในส่วนของ ARIMA ในบันทึกย่อกลับไปด้านบนสุดของหน้าวิธีที่ง่ายที่สุดคือใช้เวลาเฉลี่ยในเดือนมกราคมถึงเดือนมีนาคมและใช้ข้อมูลดังกล่าวในการประมาณยอดขายในเดือนเมษายน 129 134 122 3 128 333 ดังนั้นจากยอดขายในเดือนมกราคมถึงเดือนมีนาคมคุณคาดการณ์ว่ายอดขายในเดือนเมษายนจะเท่ากับ 128,333 เมื่อยอดขายจริงในเดือนเมษายนเพิ่มขึ้นคุณจะคำนวณการคาดการณ์สำหรับเดือน พ. ค. โดยใช้กุมภาพันธ์ถึงเมษายน คุณต้องสอดคล้องกับจำนวนงวดที่คุณใช้ในการย้ายการคาดการณ์โดยเฉลี่ยจำนวนรอบระยะเวลาที่คุณใช้ในการคาดการณ์โดยเฉลี่ยของการเคลื่อนที่ของคุณโดยพลการคุณสามารถใช้เพียงสองช่วงหรือห้าหรือหกช่วงเวลาที่คุณต้องการสร้างการคาดการณ์ของคุณ วิธีการข้างต้นเป็นค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายบางครั้งยอดขายเดือนล่าสุดอาจเป็นแรงผลักดันที่แข็งแกร่งในการขายในเดือนต่อไปดังนั้นคุณจึงต้องการให้น้ำหนักที่ใกล้ถึงเดือนนี้มากขึ้นในรูปแบบการคาดการณ์ของคุณนี่คือค่าเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนักและเหมือนกับจำนวน ของงวดน้ำหนักที่คุณกำหนดเป็นเพียงคำพูดโดยสิ้นเชิงสมมติว่าคุณต้องการให้ยอดขายเดือนมีนาคม 50 น้ำหนักกุมภาพันธ์น้ำหนัก 30 และเดือนมกราคม 20 คาดการณ์ของคุณในเดือนเมษายนจะเท่ากับ 127,000 122 50 134 30 129 20 127.L การลอกเลียนแบบของ Moving Average Methods การย้ายค่าเฉลี่ยจะถือว่าเป็นเทคนิคการคาดการณ์การปรับให้ราบเรียบเนื่องจากคุณใช้เวลาเฉลี่ยโดยเฉลี่ยเมื่อเวลาผ่านไปคุณจึงอ่อนตัวลงหรือทำให้ผลกระทบจากเหตุการณ์ที่ไม่ปกติเกิดขึ้นภายในข้อมูลผลของฤดูกาลการหมุนเวียนธุรกิจและอื่น ๆ เหตุการณ์สุ่มสามารถเพิ่มข้อผิดพลาดในการคาดการณ์ได้อย่างมากลองดูข้อมูลมูลค่าเต็มของปีและเปรียบเทียบค่าเฉลี่ยเคลื่อนที่ 3 ช่วงและค่าเฉลี่ยเคลื่อนที่ 5 ช่วงซึ่งคำเตือนดังกล่าวไม่ได้สร้างการคาดการณ์ แต่เน้นที่ศูนย์กลาง ค่าเฉลี่ยเคลื่อนที่เฉลี่ยย้อนหลัง 3 เดือนแรกเป็นเดือนกุมภาพันธ์และเป็นค่าเฉลี่ยของเดือนมกราคมกุมภาพันธ์และเดือนมีนาคมที่ผ่านมานอกจากนี้ยังมีค่าเฉลี่ยใกล้เคียงกับค่าเฉลี่ย 5 เดือนแล้วดูที่กราฟต่อไปสิ่งที่คุณเห็นคือ ไม่ใช่ชุดค่าเฉลี่ยเคลื่อนที่ 3 เดือนที่นุ่มนวลกว่าชุดการขายที่เกิดขึ้นจริงและค่าเฉลี่ยเคลื่อนที่ในรอบ 5 เดือนจะยิ่งเพิ่มขึ้นเรื่อย ๆ ดังนั้นยิ่งช่วงเวลาที่คุณใช้ในค่าเฉลี่ยเคลื่อนที่ของคุณยิ่งเพิ่มมากขึ้นเท่าไร ดังนั้นสำหรับการคาดการณ์ค่าเฉลี่ยเคลื่อนที่แบบเรียบอาจไม่ใช่วิธีที่ถูกต้องที่สุดวิธีการเฉลี่ยโดยเฉลี่ยจะมีค่ามากเมื่อคุณพยายามดึงส่วนประกอบตามฤดูกาลไม่สม่ำเสมอและวัฏจักรของชุดข้อมูลเวลาสำหรับวิธีการคาดการณ์ที่ก้าวหน้าขึ้นเช่นการถดถอย และ ARIMA และการใช้ค่าเฉลี่ยเคลื่อนที่ในการสลายตัวชุดข้อมูลเวลาจะได้รับการกล่าวถึงในซีรีส์ต่อไปการกำหนดความถูกต้องของโมเดลเฉลี่ยเคลื่อนที่โดยทั่วไปคุณต้องการวิธีการคาดการณ์ที่มีข้อผิดพลาดน้อยที่สุดระหว่างผลลัพธ์จริงและที่คาดการณ์ไว้ มาตรการที่ใช้บ่อยที่สุดในการพยากรณ์ความถูกต้องคือค่า Mean Absolute Deviation MAD ในวิธีนี้สำหรับแต่ละช่วงเวลาของชุดข้อมูลเวลาที่คุณสร้างการคาดการณ์คุณจะใช้ค่าสัมบูรณ์ของความแตกต่างระหว่างค่าที่แท้จริงและค่าที่คาดการณ์ไว้ คุณเฉลี่ยเบี่ยงเบนที่แน่นอนและคุณได้รับการวัด MAD MAD จะเป็นประโยชน์ในการตัดสินใจเกี่ยวกับจำนวนรอบระยะเวลาที่คุณเฉลี่ยและหรือจำนวน โดยทั่วไปคุณเลือกหนึ่งที่มีผลในต่ำสุด MAD นี่คือตัวอย่างของวิธี MAD คำนวณ. MADเป็นเพียงค่าเฉลี่ยของ 8, 1 และ 3.Moving เฉลี่ย Recap เมื่อใช้ค่าเฉลี่ยเคลื่อนที่สำหรับการคาดการณ์ , remember. Moving ค่าเฉลี่ยได้ง่ายหรือ weighted จำนวนรอบระยะเวลาที่คุณใช้สำหรับค่าเฉลี่ยของคุณและน้ำหนักใด ๆ ที่คุณกำหนดให้แต่ละอย่างเคร่งครัดโดยเคร่งครัดค่าเฉลี่ยที่เรียบออกรูปแบบที่ไม่สม่ำเสมอในข้อมูลชุดเวลาที่มีขนาดใหญ่จำนวนของระยะเวลาที่ใช้สำหรับ แต่ละจุดข้อมูลมากขึ้นผลการทำให้ราบเรียบเนื่องจากการเรียบคาดการณ์การขายในเดือนถัดไปขึ้นอยู่กับการขายไม่กี่เดือนล่าสุดของอาจส่งผลให้เกิดการเบี่ยงเบนขนาดใหญ่เนื่องจากฤดูกาลตามฤดูกาลและรูปแบบที่ไม่สม่ำเสมอในข้อมูลและความสามารถในการราบเรียบ ของวิธีการเฉลี่ยเคลื่อนที่จะมีประโยชน์ในการสลายตัวชุดข้อมูลเวลาสำหรับวิธีการคาดการณ์ขั้นสูงขึ้นสัปดาห์ถัดไป Exponential Smoothing ในสัปดาห์ถัดไป s Forecast วันศุกร์เราจะพูดถึงวิธีการเรียบเรียงเป็นทวีคูณ , และคุณจะเห็นว่าพวกเขาสามารถไกลกว่าวิธีการพยากรณ์การเคลื่อนไหวเฉลี่ยยังไม่ทราบว่าทำไมโพสต์วันศุกร์พยากรณ์ของเราจะปรากฏในวันพฤหัสบดีที่ค้นหาคำแนะนำที่. โพสต์ navigation. Leave ตอบยกเลิก reply. I มี 2 คำถาม 1 คุณสามารถ ใช้วิธี MA centered เพื่อคาดการณ์หรือเพียงเพื่อลบ seasonality.2 เมื่อคุณใช้ t t-1 t-2 tk k เล็กน้อยเพื่อคาดการณ์ล่วงหน้าหนึ่งรอบเป็นไปได้ที่จะคาดการณ์มากกว่า 1 ระยะล่วงหน้าฉันเดาแล้วการคาดการณ์ของคุณ จะเป็นหนึ่งในจุดให้อาหารใน next. Thanks รักข้อมูลและ explainantions. I ฉันของคุณดีใจที่คุณชอบบล็อก I m แน่ใจว่านักวิเคราะห์หลายคนได้ใช้วิธีการศูนย์ MA สำหรับการคาดการณ์ แต่ผมเองจะไม่เนื่องจากผลวิธีการที่ ในการสูญเสียการสังเกตที่ปลายทั้งสองนี้จริงแล้วความสัมพันธ์ในคำถามที่สองของคุณโดยทั่วไป MA ธรรมดาใช้ในการคาดการณ์เพียงระยะเวลาหนึ่งล่วงหน้า แต่นักวิเคราะห์หลายคนและฉันก็บางครั้งจะใช้หนึ่งในระยะคาดการณ์ล่วงหน้าของฉันเป็นหนึ่งในปัจจัยการผลิตไป ช่วงที่สองข้างหน้า สำคัญที่ต้องจำไว้ว่ายิ่งไปกว่านั้นในอนาคตคุณพยายามที่จะคาดการณ์มากขึ้นความเสี่ยงของการคาดการณ์ข้อผิดพลาดนี่คือเหตุผลที่ผมไม่แนะนำให้ศูนย์กลาง MA สำหรับการคาดการณ์การสูญเสียการสังเกตที่ปลายหมายถึงต้องพึ่งพาการคาดการณ์สำหรับการสังเกตที่หายไป, เช่นเดียวกับรอบระยะเวลาข้างหน้าดังนั้นจึงมีโอกาสมากขึ้นในการคาดการณ์ข้อผิดพลาดผู้อ่านที่คุณได้รับเชิญให้ชั่งน้ำหนักในเรื่องนี้คุณมีความคิดเห็นหรือคำแนะนำใน this. Brian ขอบคุณสำหรับความคิดเห็นและคำชมเชยของคุณใน blog. Nice ความคิดริเริ่มและคำอธิบายที่ดีมันเป็นประโยชน์จริงๆฉันคาดการณ์แผงวงจรพิมพ์ที่กำหนดเองสำหรับลูกค้าที่ไม่ให้การคาดการณ์ใด ๆ ที่ฉันได้ใช้ค่าเฉลี่ยเคลื่อนที่ แต่มันไม่ได้เป็นความถูกต้องมากเป็นอุตสาหกรรมสามารถไปขึ้นและลงเราเห็นไปทางกลางของ ฤดูร้อนถึงสิ้นปีที่จัดส่ง pcb s ขึ้นแล้วเราเห็นที่จุดเริ่มต้นของปีช้าลงวิธีฉันจะถูกต้องมากขึ้นกับข้อมูลของฉัน Katrina จากสิ่งที่คุณบอกฉันจะปรากฏขายแผงวงจรพิมพ์ของคุณ มีองค์ประกอบตามฤดูกาลที่ฉันทำฤดูกาลที่อยู่ในบางส่วนของโพสต์อื่น ๆ วันศุกร์พยากรณ์วิธีการที่คุณสามารถใช้ซึ่งเป็นเรื่องง่ายสวยก็คืออัลกอริทึม Holt-Winters ซึ่งจะเข้าบัญชีฤดูกาลคุณสามารถหาคำอธิบายที่ดีของมันที่นี่ เพื่อพิจารณาว่ารูปแบบตามฤดูกาลของคุณเป็นแบบทวีคูณหรือแบบเติมเงินหรือไม่เนื่องจากอัลกอริทึมจะแตกต่างกันเล็กน้อยสำหรับแต่ละกรณีหากคุณวางแผนข้อมูลรายเดือนของคุณจากไม่กี่ปีและพบว่าการเปลี่ยนแปลงตามฤดูกาลในช่วงเวลาเดียวกันของปีดูเหมือนเป็นปีที่คงที่ต่อปี ฤดูกาลเป็น additive ถ้ารูปแบบตามฤดูกาลในช่วงเวลาที่ดูเหมือนจะเพิ่มขึ้นแล้ว seasonality เป็น multiplicative ซีรีส์เวลาตามฤดูกาลมากที่สุดจะคูณถ้าสงสัยให้สมมติ multiplicative Good luck. Hi มีระหว่างวิธีการ Nave Forecasting การปรับปรุงค่าเฉลี่ยของการย้ายค่าเฉลี่ยของ length ถจากการถ่วงน้ำหนักถ่วงน้ำหนักเฉลี่ยของความยาว k หรือ Exponential Smoothing รูปแบบการปรับปรุงใด ๆ ที่คุณแนะนำให้ฉันใช้เพื่อ forecas t ข้อมูลสำหรับความคิดของฉันฉันคิดเกี่ยวกับการย้ายเฉลี่ย แต่ฉัน don t ทราบวิธีการทำให้ชัดเจนและ structured. It จริงๆขึ้นอยู่กับปริมาณและคุณภาพของข้อมูลที่คุณมีและขอบฟ้าคาดการณ์ของคุณในระยะยาวในระยะกลาง หรือระยะสั้น