R نقل متوسط التنبؤ

متحرك متوسط ​​التنبؤ التنبؤ. كما قد تخمن أننا نبحث في بعض من أكثر الأساليب بدائية للتنبؤ. ولكن نأمل أن تكون هذه مقدمة مفيدة على الأقل لبعض قضايا الحوسبة المتعلقة بتنفيذ التنبؤات في جداول البيانات. في هذا السياق سوف نستمر من خلال البدء في البداية والبدء في العمل مع توقعات المتوسط ​​المتحرك. نقل متوسط ​​التوقعات. الجميع على دراية بتحرك توقعات المتوسط ​​بغض النظر عما إذا كانوا يعتقدون أنهم. جميع طلاب الجامعات القيام بها في كل وقت. فكر في درجاتك االختبارية في الدورة التي ستحصل فيها على أربعة اختبارات خالل الفصل الدراسي. لنفترض أنك حصلت على 85 في الاختبار الأول. ما الذي يمكن أن تتنبأ به لنتيجة الاختبار الثانية ما رأيك بأن معلمك سوف يتنبأ بنتيجة الاختبار التالية ما رأيك في أن أصدقائك قد يتنبأون بنتيجة الاختبار التالية ما رأيك في توقع والديك لنتيجة الاختبار التالية بغض النظر عن كل بلابينغ كنت قد تفعل لأصدقائك وأولياء الأمور، هم ومعلمك من المرجح جدا أن نتوقع منك الحصول على شيء في مجال 85 كنت حصلت للتو. حسنا، الآن دعونا نفترض أنه على الرغم من الترويج الذاتي الخاص بك إلى أصدقائك، وكنت أكثر من تقدير نفسك والشكل يمكنك دراسة أقل للاختبار الثاني وحتى تحصل على 73. الآن ما هي جميع المعنيين وغير مدرك الذهاب إلى توقع أن تحصل على الاختبار الثالث هناك نهجان محتملان جدا بالنسبة لهم لتطوير تقدير بغض النظر عما إذا كانوا سوف تقاسمها معك. قد يقولون لأنفسهم، هذا الرجل هو دائما تهب الدخان حول ذكائه. هيس الذهاب للحصول على آخر 73 إذا هيس محظوظا. ربما كان الوالدان يحاولان أن يكونا أكثر داعما ويقولان: كوتيل، حتى الآن حصلت على 85 و 73، لذلك ربما يجب أن تحصل على حوالي (85 73) 2 79. أنا لا أعرف، ربما لو كنت أقل من الحفلات و ويرنت يهزان في كل مكان في جميع أنحاء المكان، وإذا كنت بدأت تفعل الكثير من الدراسة يمكنك الحصول على أعلى score. quot كل من هذه التقديرات تتحرك في الواقع متوسط ​​التوقعات. الأول يستخدم فقط أحدث درجاتك للتنبؤ بأدائك المستقبلي. وهذا ما يطلق عليه توقعات المتوسط ​​المتحرك باستخدام فترة واحدة من البيانات. والثاني هو أيضا متوسط ​​التوقعات المتحركة ولكن باستخدام فترتين من البيانات. دعونا نفترض أن كل هؤلاء الناس خرق على العقل العظيم لديك نوع من سكران قبالة لكم وتقرر أن تفعل بشكل جيد على الاختبار الثالث لأسباب خاصة بك ووضع درجة أعلى أمام كوتاليسكوت الخاص بك. كنت تأخذ الاختبار ودرجاتك هو في الواقع 89 الجميع، بما في ذلك نفسك، وأعجب. حتى الآن لديك الاختبار النهائي للفصل الدراسي القادمة وكالمعتاد كنت تشعر بالحاجة إلى غواد الجميع في جعل توقعاتهم حول كيف ستفعل على الاختبار الأخير. حسنا، نأمل أن ترى هذا النمط. الآن، ونأمل أن تتمكن من رؤية هذا النمط. ما الذي تعتقده هو صافرة الأكثر دقة بينما نعمل. الآن نعود إلى شركة التنظيف الجديدة التي بدأتها شقيقة نصف استدارة دعا صافرة بينما نعمل. لديك بعض بيانات المبيعات السابقة التي يمثلها القسم التالي من جدول بيانات. نعرض البيانات لأول مرة لتوقعات المتوسط ​​المتحرك لمدة ثلاث سنوات. يجب أن يكون إدخال الخلية C6 الآن يمكنك نسخ صيغة الخلية هذه إلى الخلايا الأخرى من C7 إلى C11. لاحظ كيف يتحرك المتوسط ​​على أحدث البيانات التاريخية ولكنه يستخدم بالضبط ثلاث فترات أحدث متاحة لكل تنبؤ. يجب أن تلاحظ أيضا أننا لسنا بحاجة حقا لجعل التنبؤات للفترات الماضية من أجل تطوير أحدث توقعاتنا. وهذا يختلف بالتأكيد عن نموذج التجانس الأسي. وشملت إيف التنبؤات كوتاباستكوت لأننا سوف استخدامها في صفحة الويب التالية لقياس صحة التنبؤ. الآن أريد أن أعرض النتائج المماثلة لمتوسطين توقعات المتوسط ​​المتحرك. يجب أن يكون إدخال الخلية C5 الآن يمكنك نسخ صيغة الخلية هذه إلى الخلايا الأخرى من C6 إلى C11. لاحظ كيف الآن فقط اثنين من أحدث القطع من البيانات التاريخية تستخدم لكل التنبؤ. مرة أخرى لقد قمت بتضمين التنبؤات اقتباسا لأغراض التوضيح واستخدامها لاحقا في التحقق من صحة التوقعات. بعض الأمور الأخرى التي من الأهمية أن تلاحظ. وبالنسبة للمتوسط ​​المتحرك للمتوسط ​​m، لا يتوقع إلا أن تستخدم معظم قيم المعطيات الأخيرة لجعل التنبؤ. لا شيء آخر ضروري. وبالنسبة للتنبؤ المتوسط ​​المتحرك للمتوسط ​​m، عند التنبؤ بالتنبؤات، لاحظ أن التنبؤ الأول يحدث في الفترة m 1. وستكون هاتان المسألتان مهمتين جدا عند تطوير الشفرة. تطوير المتوسط ​​المتحرك المتحرك. الآن نحن بحاجة إلى تطوير رمز لتوقعات المتوسط ​​المتحرك التي يمكن استخدامها أكثر مرونة. تتبع التعليمات البرمجية. لاحظ أن المدخلات هي لعدد الفترات التي تريد استخدامها في التوقعات ومصفوفة القيم التاريخية. يمكنك تخزينه في أي المصنف الذي تريده. وظيفة موفينغافيراج (تاريخي، نومبروفريودس) كما واحد إعلان وتهيئة المتغيرات ديم البند كما متغير عداد خافت كما عدد صحيح تراكم خافت كما أحادي ديم تاريخي الحجم كما عدد صحيح تهيئة المتغيرات عداد 1 تراكم 0 تحديد حجم الصفيف التاريخي تاريخ سيز التاريخية. الكونت كونتر 1 إلى نومبروفريودس تجميع العدد المناسب من أحدث القيم التي تمت ملاحظتها سابقا تراكم تراكم تاريخي (تاريخي - عدد نومبريوفريودس عداد) موفينغافيراج تراكوم نومبروفريودس سيتم شرح التعليمات البرمجية في الصف. تريد وضع الوظيفة على جدول البيانات بحيث تظهر نتيجة الحساب حيث ترغب في التالي. كما قمت بتعريف التردد كما 24، أفترض أنك تعمل مع 24 ساعة (يوميا) في دورة، وبالتالي يكون ما يقرب من 2 دورات في مجموعة البيانات التاريخية الخاصة بك. وبصفة عامة، فإن هذا هو بيانات عينة محدودة لبدء التنبؤ بسلاسل زمنية. أود أن أوصي للحصول على المزيد من البيانات قليلا، وبعد ذلك يمكنك أن تفعل نموذج التنبؤ مرة أخرى. وكلما كان لديك المزيد من البيانات كلما كان ذلك أفضل، فإنه سيتم التقاط الموسمية وبالتالي التنبؤ بالقيم المستقبلية. مع محدودية الخوارزميات التلقائية المتاحة مثل auto. arima في كثير من الأحيان الافتراضي إلى شيء مماثل للمتوسطات المتحركة. مجموعة البيانات الخاصة بك تستحق شيئا أفضل من المتوسطات المتحركة كما أن هناك بعض الموسمية في الدورة. هناك عدد من خوارزميات التنبؤ التي يمكن أن تساعدك على الحصول على منحنى إلى الأمام على شكل أشياء أفضل مثل هولت الشتاء أو غيرها من الأساليب التمهيد الأسي قد تساعد. ومع ذلك، auto. arima هو رهان جيد جدا كذلك (أود أن أحاول أولا أن نرى ما يمكنني القيام به مع هذا واحد). الحصول على المزيد من البيانات والذهاب من خلال نفس الروتين وتحسين المخطط الخاص بك. شخصيا، أنا أفضل استخدام التنبؤات على التنبؤ البيانات يبدو أن يخرج قليلا أجمل وكذلك الرسم البياني كما يظهر فترات الثقة الخاصة بك. في الشفرة، لقد وسعت أيضا مجموعة البيانات قليلا عن طريق نسخ الفترتين حتى وصلنا أربع فترات. انظر النتيجة أدناه: أجاب 11 يناير 13 في 7:37 جوشم، هذا السؤال قديم جدا، قد يكون هناك بعض التغييرات في الحزم منذ أن كتبت إجابتك. ولكن عندما أحاول التعليمات البرمجية الخاصة بك، ما زلت الحصول على متوسط ​​متحرك بسيط في التوقعات. هذه الخطوط المتعرجة في الرسم البياني الخاص بك غير موجودة في مخرجاتي. لقد أضفت بضع فترات أخرى، ولكن يبدو أن هذا الرسم البياني يجعل من الرسم البياني أكثر سلاسة من خلال جهاز الاستشعار 2 (240) عينة (0:10، 240، واستبدال T) الاستشعار 2 (الاستشعار 2، التكرار 24) fit2 لوت (fcast2) عرض (fcast2) مؤامرة (fcast2) نداش عكاش غوبتا 18 نوفمبر 15 في 4:55 auto. arima () يعود أفضل نموذج أريما وفقا إما إيك، إيسك أو قيمة بيك. استنادا إلى مجموعة بيانات القيمة الخاصة بك ربما اختارت أرما (1،0) أو أر (1) النموذج الذي كما ترون تميل إلى العودة إلى المتوسط ​​بسرعة كبيرة. وهذا يحدث دائما مع أر (1) نموذج على المدى الطويل، وبالتالي ليست مفيدة جدا إذا كنت ترغب في التنبؤ أكثر من بضع خطوات إلى الأمام. هل يمكن أن ننظر في تركيب نوع مختلف من نموذج ربما عن طريق تحليل أسف و باسف من بيانات القيمة الخاصة بك. ستحتاج بعد ذلك إلى التحقق لمعرفة ما إذا كان النموذج البديل مناسبا للبيانات. أجاب 23 مارس 15 في 15: 158.4 المتوسط ​​المتحرك المتوسط ​​بدلا من استخدام القيم السابقة للمتغير المتوقع في الانحدار، يستخدم نموذج المتوسط ​​المتحرك أخطاء التنبؤ السابقة في نموذج تشبه الانحدار. y c ثيت e ثيتا e دوتس ثيتا e، وير إت إس وايت نويز. ونشير إلى هذا على أنه نموذج ما (q). بالطبع، نحن لا نلاحظ قيم إت، لذلك فإنه ليس حقا الانحدار بالمعنى المعتاد. لاحظ أن كل قيمة يت يمكن اعتبارها كمتوسط ​​متحرك مرجح لأخطاء التنبؤ القليلة الماضية. ومع ذلك، ينبغي عدم الخلط بين متوسطات النماذج المتحركة مع تمهيد المتوسط ​​المتحرك الذي نوقشاه في الفصل 6. ويستخدم نموذج المتوسط ​​المتحرك للتنبؤ بالقيم المستقبلية بينما يستخدم المتوسط ​​المتحرك للتجانس لتقدير دورة اتجاه القيم السابقة. الشكل 8.6: مثالان للبيانات المستمدة من النماذج المتوسطة المتحركة بمعلمات مختلفة. يسار: ما (1) مع y t 20e t 0.8e t-1. رايت: ما (2) مع y t t - e t-1 0.8e t-2. وفي كلتا الحالتين، يوزع e t عادة الضوضاء البيضاء مع متوسط ​​الصفر والتباين الأول. ويبين الشكل 8.6 بعض البيانات من نموذج ما (1) ونموذج ما (2). تغيير المعلمات theta1، النقاط، نتائج ثيتاق في أنماط سلسلة زمنية مختلفة. كما هو الحال مع نماذج الانحدار الذاتي، والتباين من مصطلح الخطأ وسوف تغير فقط حجم السلسلة، وليس الأنماط. ومن الممكن كتابة أي نموذج أر (p) ثابتة كنموذج ما (إنفتي). على سبيل المثال، باستخدام الاستبدال المتكرر، يمكننا أن نبرهن على ذلك لنموذج أر (1): يبدأ يت أمب phi1y و أمب phi1 (phi1y e) و أمب phi12y phi1 e و أمب phi13y phi12e phi1 e و أمبتكست إند المقدم -1 لوت phi1 لوت 1، فإن قيمة phi1k الحصول على أصغر كما يحصل ك أكبر. حتى في نهاية المطاف نحصل على إيت و phi1 ه phi12 ه phi13 e كدوتس، وهو ما (إنفتي) العملية. النتيجة العكسية تحمل إذا فرضنا بعض القيود على المعلمات ما. ثم يسمى نموذج ما عكسية. وهذا هو، أننا يمكن أن يكتب أي ماه (q) عملية لا يمكن عكسها باعتبارها أر (إنفتي) العملية. نماذج لا تقلب ليست ببساطة لتمكيننا من تحويل نماذج ما إلى نماذج أر. لديهم أيضا بعض الخصائص الرياضية التي تجعلها أسهل للاستخدام في الممارسة العملية. إن قيود العوائق مماثلة لقيود المحطات. للحصول على نموذج ما (1): -1lttheta1lt1. للحصول على نموذج ما (2): -1lttheta2lt1، theta2theta1 غ-1، theta1 - theta2 لوت 1. ظروف أكثر تعقيدا عقد ل qge3. مرة أخرى، سوف R رعاية هذه القيود عند تقدير النماذج.