R Gleitende Durchschnittsprognose

Gleitender Durchschnitt Vorhersage Einleitung. Wie Sie vermutlich schauen, betrachten wir einige der primitivsten Ansätze zur Prognose. Aber hoffentlich sind diese zumindest eine lohnende Einführung in einige der Rechenprobleme im Zusammenhang mit der Umsetzung von Prognosen in Tabellenkalkulationen. In diesem Sinne werden wir von Anfang an beginnen und beginnen mit Moving Average Prognosen zu arbeiten. Gleitende durchschnittliche Prognosen. Jeder ist vertraut mit gleitenden durchschnittlichen Prognosen, unabhängig davon, ob sie glauben, sie sind. Alle Studenten tun sie die ganze Zeit. Denken Sie an Ihre Testergebnisse in einem Kurs, in dem Sie vier Tests während des Semesters haben werden. Angenommen, Sie haben eine 85 auf Ihrem ersten Test. Was würden Sie vorhersagen, für Ihre zweite Test-Score Was glauben Sie, Ihr Lehrer würde für Ihre nächste Test-Punkt vorhersagen Was denken Sie, Ihre Freunde könnten für Ihre nächste Test-Punkt vorherzusagen Was denken Sie, Ihre Eltern könnten für Ihre nächste Test-Score Unabhängig davon vorhersagen Alle die blabbing Sie tun könnten, um Ihre Freunde und Eltern, sie und Ihr Lehrer sind sehr wahrscheinlich zu erwarten, dass Sie etwas im Bereich der 85 erhalten Sie gerade bekommen. Nun, jetzt gehen wir davon aus, dass trotz Ihrer Selbst-Förderung an Ihre Freunde, Sie über-schätzen Sie sich und Figur, die Sie weniger für den zweiten Test lernen können und so erhalten Sie eine 73. Nun, was sind alle betroffenen und unbekümmerten gehen Erwarten Sie erhalten auf Ihrem dritten Test Es gibt zwei sehr wahrscheinlich Ansätze, damit sie eine Schätzung unabhängig davon entwickeln, ob sie sie mit Ihnen teilen. Sie können zu sich selbst sagen, dieser Kerl ist immer bläst Rauch über seine smarts. Hes gehend, andere 73 zu erhalten, wenn hes glücklich. Vielleicht werden die Eltern versuchen, mehr unterstützend und sagen, quotWell, so weit youve bekommen eine 85 und eine 73, so vielleicht sollten Sie auf eine über (85 73) 2 79. Ich weiß nicht, vielleicht, wenn Sie weniger feiern Und werent wedelte das Wiesel ganz über dem Platz und wenn Sie anfingen, viel mehr zu studieren, konnten Sie einen höheren score. quot erhalten. Beide dieser Schätzungen sind wirklich gleitende durchschnittliche Prognosen. Der erste verwendet nur Ihre jüngste Punktzahl, um Ihre zukünftige Performance zu prognostizieren. Dies wird als gleitende Durchschnittsprognose mit einer Datenperiode bezeichnet. Die zweite ist auch eine gleitende durchschnittliche Prognose, aber mit zwei Perioden von Daten. Nehmen wir an, dass alle diese Leute, die auf deinem großen Verstand zerschmettern, Art von dich angepisst haben und du entscheidest, auf dem dritten Test aus deinen eigenen Gründen gut zu tun und eine höhere Kerbe vor deinen quotalliesquot zu setzen. Sie nehmen den Test und Ihre Gäste ist eigentlich ein 89 Jeder, einschließlich selbst, ist beeindruckt. So jetzt haben Sie die abschließende Prüfung des Semesters herauf und wie üblich spüren Sie die Notwendigkeit, alle in die Vorhersagen zu machen, wie youll auf dem letzten Test tun. Nun, hoffentlich sehen Sie das Muster. Nun, hoffentlich können Sie das Muster sehen. Was glauben Sie, ist die genaueste Pfeife, während wir arbeiten. Nun kehren wir zu unserer neuen Reinigungsfirma zurück, die von Ihrer entfremdeten Halbschwester namens Whistle While We Work begonnen wurde. Sie haben einige vergangene Verkaufsdaten, die durch den folgenden Abschnitt aus einer Kalkulationstabelle dargestellt werden. Zuerst präsentieren wir die Daten für eine dreidimensionale gleitende Durchschnittsprognose. Der Eintrag für Zelle C6 sollte jetzt sein Sie können diese Zellformel auf die anderen Zellen C7 bis C11 kopieren. Beachten Sie, wie der Durchschnitt bewegt sich über die jüngsten historischen Daten, sondern verwendet genau die drei letzten Perioden zur Verfügung für jede Vorhersage. Sie sollten auch bemerken, dass wir nicht wirklich brauchen, um die Vorhersagen für die vergangenen Perioden zu machen, um unsere jüngste Vorhersage zu entwickeln. Dies ist definitiv anders als das exponentielle Glättungsmodell. Ive eingeschlossen das quotpast predictionsquot, weil wir sie auf der folgenden Webseite verwenden, um Vorhersagegültigkeit zu messen. Nun möchte ich die analogen Ergebnisse für eine zwei-Periode gleitenden Durchschnitt Prognose zu präsentieren. Der Eintrag für Zelle C5 sollte jetzt sein Sie können diese Zellformel auf die anderen Zellen C6 bis C11 kopieren. Beachten Sie, wie jetzt nur die beiden letzten Stücke der historischen Daten für jede Vorhersage verwendet werden. Wieder habe ich die quotpast Vorhersagequot für illustrative Zwecke und für die spätere Verwendung in der Prognose Validierung enthalten. Einige andere Dinge, die wichtig zu beachten sind. Für eine m-Periode gleitende Durchschnittsprognose werden nur die m neuesten Datenwerte verwendet, um die Vorhersage durchzuführen. Nichts anderes ist notwendig. Für eine m-Periode gleitende durchschnittliche Prognose, wenn Sie Quotpast Vorhersagequot, beachten Sie, dass die erste Vorhersage tritt im Zeitraum m 1 auf. Diese beiden Fragen werden sehr wichtig sein, wenn wir unseren Code entwickeln. Entwicklung der Moving Average Funktion. Nun müssen wir den Code für die gleitende Durchschnittsprognose entwickeln, die flexibler genutzt werden kann. Der Code folgt. Beachten Sie, dass die Eingaben für die Anzahl der Perioden sind, die Sie in der Prognose und dem Array der historischen Werte verwenden möchten. Sie können es in beliebiger Arbeitsmappe speichern. Funktion MovingAverage (Historical, NumberOfPeriods) als einzelne Deklarations - und Initialisierungsvariablen Dim Item als Variant Dim Zähler als Integer Dim Summe als Single Dim HistoricalSize als Integer Initialisierung von Variablen Zähler 1 Akkumulation 0 Festlegung der Größe des Historical Arrays HistoricalSize Historical. Count For Counter 1 bis NumberOfPeriods Summieren der entsprechenden Anzahl der zuletzt beobachteten Werte Accumulation Accumulation Historical (HistoricalSize - NumberOfPeriods Counter) MovingAverage Accumulation NumberOfPeriods Der Code wird in der Klasse erklärt. Sie wollen die Funktion in der Tabellenkalkulation so positionieren, dass das Ergebnis der Berechnung erscheint, wo es die folgenden. Wie Sie die Frequenz als 24 definiert, nehme ich an, dass Sie mit 24 Stunden arbeiten (täglich) pro Zyklus und haben somit ungefähr 2 Zyklen in Ihrem historischen Datensatz. Im Allgemeinen handelt es sich hierbei um begrenzte Probendaten, um eine Zeitreihenprognose einzuleiten. Ich würde empfehlen, ein wenig mehr Daten zu erhalten und dann können Sie das Prognosemodell wieder tun. Je mehr Daten Sie haben, desto besser wird sie die Saisonalität erfassen und damit zukünftige Werte prognostizieren. Mit begrenzten verfügbaren automatischen Algorithmen wie auto. arima oft standardmäßig etwas Ähnliches wie gleitende Durchschnitte. Ihr Datensatz verdient etwas Besseres als gleitende Durchschnitte, da es einige Saisonalität im Zyklus gibt. Es gibt eine Reihe von Prognose-Algorithmen, die Ihnen helfen könnten, um die Vorwärts-Kurve geformt bessere Dinge wie Holt-Winters oder andere exponentielle Glättung Methoden helfen könnte. Allerdings ist auto. arima eine ziemlich gute Wette als gut (ich würde zuerst versuchen zu sehen, was ich mit diesem tun kann). Werden mehr Daten und gehen durch die gleiche Routine wird Ihr Diagramm zu verbessern. Persönlich bevorzuge ich die Verwendung von Prognose über Vorhersage der Daten scheint zu kommen, ein bisschen schöner als das Diagramm, wie es Ihre Vertrauensintervalle zeigt. In dem Code habe ich auch den Datensatz ein wenig durch Kopieren der beiden Perioden erweitert, so dass wir vier Perioden. Sehen Sie das Ergebnis unten: Antwort # 2 am: Januar 19, 2010, um 7:37 Uhr Jochem, diese Frage ist ziemlich alt, könnte es einige Änderungen in den Paketen, da Sie Ihre Antwort geschrieben haben. Aber, wenn ich Ihren Code versuche, bekomme ich noch einen einfachen gleitenden Durchschnitt in der Prognose. Diese swigly Linien in Ihrem Diagramm sind nicht in meiner Ausgabe vorhanden. Ich fügte einige weitere Perioden hinzu, aber das scheint nur ein glatterer Code für den Sensor zu sein. 2) lt-runif (240) Sample (0:10, 240, ersetzt T) sensor2 lt - ts (sensor2, freq 24) fit2 lt - auto. arima (Sensor2) fcast2 lt - Prognose (fit2) Ansicht (fcast2) Diagramm (fcast2) ndash AutoAarima () liefert das beste ARIMA Modell entweder nach AIC, AICc oder BIC Wert. Basierend auf Ihrem Wert-Dataset hat es wahrscheinlich ein ARMA (1,0) oder AR (1) - Modell gewählt, das, wie Sie sehen können, tendenziell zurück zum Mittel sehr schnell zurückkehrt. Dies wird immer mit einem AR (1) - Modell auf lange Sicht passieren und so ist es nicht sehr nützlich, wenn Sie mehr als ein paar Schritte vorhersagen wollen. Sie könnten bei der Anpassung einer anderen Art von Modell vielleicht durch die Analyse der acf und pacf Ihrer Wertdaten zu suchen. Sie müssten dann überprüfen, ob Ihr alternatives Modell eine gute Passform für die Daten ist. Beantwortet März 23 14 am 15:15