通過 平滑技術 預測

+

通過平滑技術預測 這個網站是JavaScript的E-實驗室學習決策對象的一部分。 其他JavaScript在這個系列是根據在此頁面上的菜單部分應用不同的區域劃分。 時間序列是它們在時間上排序的觀測序列。 固有接管時間數據的收集是某種形式的隨機變化。 存在用於減小消除由於隨機變化的效果的方法。 廣泛使用的技術是“平滑”。 這些技術，當應用得當，顯示更清晰的基本趨勢。 輸入時間序列逐行順序，從左側上角開始，和參數（S），然後獲得一期超前預測計算按鈕。 空白框不包括在計算中，但是零。 在輸入您的數據，從單元中移動在數據矩陣細胞使用Tab鍵沒有箭頭或輸入鍵。 時間序列，這可能通過檢查它的曲線顯露特色。 與預測值，和殘差行為，條件預測建模。 移動平均線：移動平均線之間的最流行技術的時間序列的預處理排名。 它們被用來從數據過濾隨機“白噪聲”，使時間序列順暢或者甚至以強調包含在時間系列的某些信息的組件。 指數平滑：這是一個非常流行的方式來產生一個平滑的時間序列。 而在移動平均線在過去的觀測也同樣加權，指數平滑分配指數遞減權重作為觀察變老。 換言之，最近的觀測值中預測比舊的觀測定相對更多的權重。 雙指數平滑法是處理好發展趨勢。 三重指數平滑法是處理拋物線趨勢較好。 一個exponenentially加權移動平均有一個平滑常數。 大致對應於長度的簡單移動平均（即週期）n，其中a和n分別由相關的： 一個= 2 /（N + 1）或N =（2 - 一個）/一個。 因此，例如，一個exponenentially加權移動平均值用平滑常數等於0.1就大致以19天均線對應。 而40天簡單移動平均線將大致與平滑常數等於0.04878對應的指數加權移動平均值。 霍爾特指數平滑：假設時間序列是非季節性的，但確實顯示的趨勢。 霍爾特的方法，估計雙方目前的水平，目前的趨勢。 注意，簡單移動平均是指數平滑的特殊情況下，由移動平均的週期設置為（2-α）/阿爾法的整數部分。 對於大多數企業數據的阿爾法參數比0.40更小的往往是有效的。 然而，一個可以執行網格搜索參數空間的，與= 0.1〜= 0.9，以0.1的增量。 那麼最好的阿爾法具有最小的平均絕對誤差（MA錯誤）。 如何比較幾個平滑方法：雖然有用於評估預測技術的精度數字指標，應用最廣泛的方法是在採用視覺的幾個預報比較，以評估其準確性和之間的各種預測方法選擇。 在這種方法中，必須積（使用，例如Excel）在同一圖以時間序列變量的幾個不同的預測方法的原始值和預測值，從而有利於視覺比較。 你可能會喜歡用過去的預測由平滑技術JavaScript來獲取基於平滑僅使用單個參數技術在過去的預測值。 霍爾特和溫特斯方法使用兩個和三個參數，分別因此它不是一項容易的任務由試-errors為參數來選擇最佳的，或甚至接近最佳值。 單一指數平滑強調短程觀點; 它設置級別到最後觀察，並基於所述條件不存在的趨勢。 線性回歸，這適合最小二乘線到歷史數據（或轉換的歷史數據），代表了長範圍內，這為條件的基本趨勢。 Holt線性指數平滑捕獲有關最新潮流資訊。 在Holt的模型中的參數是水平參數時數據變化量是大的應降低，而如果最近的趨勢方向支承在因果一些因素趨勢參數應該增加。 短期預測：注意每個JavaScript此頁面上提供了一步到位的超前預測。 以獲得一個兩一步向前預測。 只需添加預測值，以您的時間序列數據的結尾，然後單擊相同的計算按鈕。 你也可以為了獲得所需的短期預測的幾次重複此過程。