ง่าย เฉลี่ยเคลื่อนที่ พยากรณ์ เทคนิค

การพยากรณ์โดย Smoothing Techniques เว็บไซต์นี้เป็นส่วนหนึ่งของ JavaScript E-labs สำหรับการเรียนรู้ในการตัดสินใจ JavaScript อื่น ๆ ในชุดนี้มีการแบ่งประเภทภายใต้พื้นที่ที่แตกต่างของการใช้งานในส่วนของเมนูบนหน้านี้ ชุดเวลาเป็นลำดับของการสังเกตที่มีการสั่งซื้อในช่วงเวลาที่ โดยธรรมชาติในการเก็บรวบรวมข้อมูลดำเนินการในช่วงเวลาที่เป็นรูปแบบของการเปลี่ยนแปลงบางอย่างสุ่ม มีวิธีการลดการยกเลิกผลกระทบเนื่องจากรูปแบบสุ่ม ใช้เทคนิคที่ใช้กันอย่างแพร่หลาย เทคนิคเหล่านี้เมื่อนำมาประยุกต์ใช้อย่างถูกต้องจะแสดงให้เห็นถึงแนวโน้มที่ชัดเจนขึ้นอย่างชัดเจน ป้อนลำดับเวลาชุดข้อมูลเป็นแถวตามลำดับจากมุมซ้ายบนและพารามิเตอร์จากนั้นคลิกปุ่มคำนวณเพื่อขอรับการคาดการณ์ล่วงหน้าหนึ่งรอบ ช่องว่างเปล่าไม่รวมอยู่ในการคำนวณ แต่มีศูนย์อยู่ ในการป้อนข้อมูลของคุณเพื่อย้ายจากเซลล์ไปยังเซลล์ในข้อมูลเมทริกซ์ใช้แป้น Tab ไม่ใช่ลูกศรหรือป้อนคีย์ คุณลักษณะของชุดเวลาซึ่งอาจถูกเปิดเผยโดยการตรวจสอบกราฟ กับค่าคาดการณ์และพฤติกรรมที่เหลือรูปแบบการพยากรณ์สภาพ ค่าเฉลี่ยเคลื่อนที่: การย้ายอันดับเฉลี่ยเป็นหนึ่งในเทคนิคที่ได้รับความนิยมมากที่สุดสำหรับการประมวลผลล่วงหน้าของชุดข้อมูลเวลา ใช้เพื่อกรองสัญญาณรบกวนสีขาวแบบสุ่มจากข้อมูลเพื่อให้ชุดข้อมูลเวลาทำงานราบรื่นขึ้นหรือแม้แต่เพื่อเน้นองค์ประกอบข้อมูลที่มีอยู่ในชุดข้อมูลเวลา Exponential Smoothing: นี่เป็นรูปแบบที่ได้รับความนิยมมากในการผลิต Time Series เรียบ ในขณะที่ Moving Average การสังเกตการณ์ในอดีตมีการถ่วงน้ำหนักเท่ากัน Exponential Smoothing จะกำหนดค่าน้ำหนักที่ลดลงอย่างมากเมื่อการสังเกตมีอายุมากขึ้น กล่าวอีกนัยหนึ่งการสังเกตล่าสุดมีน้ำหนักมากขึ้นในการคาดการณ์มากกว่าการสังเกตที่เก่ากว่า Double Exponential Smoothing ดีกว่าในการจัดการกับแนวโน้ม Triple Exponential Smoothing ดีกว่าในการจัดการแนวโน้มพาราโบลา ค่าเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนัก exponenentially กับราบเรียบคง a. หมายถึงประมาณค่าเฉลี่ยเคลื่อนที่โดยเฉลี่ยของความยาว (ระยะเวลา) n โดยที่ a และ n มีความสัมพันธ์กันโดย: a 2 (n1) หรือ n (2 - a) a. ดังนั้นตัวอย่างเช่นค่าเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนักที่อธิบายด้วยค่าความยาวคลื่นและค่าคงที่การให้ราบเรียบเท่ากับ 0.1 จะสอดคล้องกับค่าเฉลี่ยเคลื่อนที่ 19 วัน และค่าเฉลี่ยเคลื่อนที่เฉลี่ย 40 วันจะสอดคล้องกับค่าเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนักแบบทวีคูณและมีค่าคงที่ที่ราบเรียบเท่ากับ 0.04878 การจัดแจงแบบเสียดสีเชิงเส้นของ Holts: สมมติว่าซีรี่ส์เวลาไม่ใช่ตามฤดูกาล แต่ไม่แสดงแนวโน้ม วิธีการของ Holts ประเมินทั้งระดับปัจจุบันและแนวโน้มในปัจจุบัน สังเกตว่าค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายเป็นกรณีพิเศษของการทำให้เรียบโดยการตั้งค่าระยะเวลาของค่าเฉลี่ยเคลื่อนที่ไปเป็นส่วนจำนวนเต็มของอัลฟ่า (2 อัลฟ่า) สำหรับข้อมูลธุรกิจส่วนใหญ่พารามิเตอร์อัลฟาที่มีขนาดเล็กกว่า 0.40 มักมีประสิทธิภาพ อย่างไรก็ตามหนึ่งอาจดำเนินการค้นหาตารางพื้นที่พารามิเตอร์ด้วย 0.1 ถึง 0.9 โดยเพิ่มขึ้นเป็น 0.1 จากนั้นอัลฟาที่ดีที่สุดมีค่า Mean Absolute Error (MA Error) น้อยที่สุด วิธีการเปรียบเทียบวิธีการเรียบ: แม้ว่าจะมีตัวบ่งชี้ตัวเลขสำหรับการประเมินความถูกต้องของเทคนิคการคาดการณ์วิธีที่กว้างที่สุดคือการใช้การเปรียบเทียบภาพการคาดการณ์หลายอย่างเพื่อประเมินความถูกต้องและเลือกวิธีการคาดการณ์ต่างๆ ในวิธีนี้ผู้ใช้จะต้องพล็อต (ใช้เช่น Excel) บนกราฟเดียวกันค่าเดิมของตัวแปรชุดเวลาและค่าที่คาดการณ์ไว้จากวิธีการพยากรณ์อากาศต่างๆซึ่งจะช่วยให้สามารถเปรียบเทียบภาพได้ คุณอาจต้องการใช้การคาดการณ์ในอดีตโดยใช้เทคนิคการทำให้เรียบ JavaScript เพื่อรับค่าคาดการณ์ที่ผ่านมาโดยใช้เทคนิคการปรับให้เรียบโดยใช้พารามิเตอร์เพียงอย่างเดียว Holt และ Winters ใช้พารามิเตอร์สองและสามตามลำดับดังนั้นจึงไม่ใช่เรื่องง่ายที่จะเลือกค่าที่ดีที่สุดหรือใกล้เคียงกับค่าทดลองและข้อผิดพลาดของพารามิเตอร์ การเรียบแบบเอกพจน์เป็นแบบเดี่ยวจะเน้นย้ำมุมมองในระยะสั้นที่กำหนดระดับไว้เป็นข้อสังเกตสุดท้ายและขึ้นอยู่กับเงื่อนไขที่ไม่มีแนวโน้ม การถดถอยเชิงเส้นซึ่งเหมาะกับเส้นสี่เหลี่ยมจัตุรัสน้อยที่สุดต่อข้อมูลทางประวัติศาสตร์ (หรือเปลี่ยนข้อมูลทางประวัติศาสตร์) หมายถึงช่วงยาวซึ่งขึ้นอยู่กับแนวโน้มพื้นฐาน การคำนวณหาค่าความละเอียดเชิงเส้นแบบ Holts จับข้อมูลเกี่ยวกับแนวโน้มล่าสุด พารามิเตอร์ในรูปแบบ Holts คือพารามิเตอร์ระดับซึ่งควรจะลดลงเมื่อจำนวนของการแปรปรวนข้อมูลมีขนาดใหญ่และควรเพิ่มพารามิเตอร์ของเทรนด์หากทิศทางแนวโน้มล่าสุดได้รับการสนับสนุนจากสาเหตุบางประการ การคาดการณ์ในระยะสั้น: โปรดสังเกตว่า JavaScript ทุกหน้าจะให้การคาดการณ์ล่วงหน้าเพียงอย่างเดียว เพื่อให้ได้การคาดการณ์ล่วงหน้าสองขั้นตอน เพียงเพิ่มค่าที่คาดการณ์ไว้ในตอนท้ายของข้อมูลชุดข้อมูลตามเวลาและจากนั้นคลิกที่ปุ่ม Calculate เดียวกัน คุณอาจจะทำซ้ำขั้นตอนนี้เป็นเวลาสองสามครั้งเพื่อให้ได้การคาดการณ์ในระยะสั้นที่จำเป็นต้องใช้ MMPR2 - Forecasting Demand การคาดการณ์ที่ใช้ความสัมพันธ์ของสาเหตุและผลกระทบในการทำนายและอธิบายความสัมพันธ์ระหว่างตัวแปรอิสระและตัวแปรตาม ตัวอย่างของรูปแบบเชิงสาเหตุคือรูปแบบทางเศรษฐมิติที่ใช้ในการอธิบายถึงความต้องการที่อยู่อาศัยจะขึ้นอยู่กับฐานผู้บริโภคอัตราดอกเบี้ยรายได้ส่วนบุคคลและความพร้อมในการใช้ที่ดิน CPFR (Collaborative Planning, Forecasting amp Replenishment) กระบวนการทำงานร่วมกันซึ่งคู่ค้าของซัพพลายเชนสามารถร่วมวางแผนกิจกรรมสำคัญ ๆ ในห่วงโซ่อุปทานจากการผลิตและส่งมอบวัตถุดิบไปจนถึงการผลิตและส่งมอบผลิตภัณฑ์ขั้นสุดท้ายให้กับลูกค้า การทำงานร่วมกันครอบคลุมถึงการวางแผนธุรกิจการคาดการณ์ยอดขายและการดำเนินการทั้งหมดที่จำเป็นในการเติมเต็มวัตถุดิบและสินค้าสำเร็จรูปข้อมูลการขยับจะช่วยขจัดรูปแบบที่สุ่มและแสดงแนวโน้มและองค์ประกอบของวงจรที่มีอยู่ในการรวบรวมข้อมูลที่เกิดขึ้นในช่วงเวลาหนึ่ง ๆ คือรูปแบบของรูปแบบสุ่ม มีวิธีการลดการยกเลิกผลกระทบเนื่องจากรูปแบบสุ่ม เทคนิคที่มักใช้ในอุตสาหกรรมคือการทำให้เรียบ เทคนิคนี้เมื่อนำมาประยุกต์ใช้อย่างถูกต้องจะแสดงให้เห็นถึงแนวโน้มขององค์ประกอบตามฤดูกาลและวัฏจักรที่ชัดเจนยิ่งขึ้น มีสองวิธีที่เรียบง่ายในการทำให้เรียบวิธีการคำนวณค่าเฉลี่ยวิธีการหาค่าความสม่าเสมอการใช้ค่าเฉลี่ยเป็นวิธีที่ง่ายที่สุดในการทำให้ข้อมูลราบรื่นก่อนอื่นเราจะตรวจสอบวิธีการเฉลี่ยบางอย่างเช่นค่าเฉลี่ยทั่วไปของข้อมูลที่ผ่านมาทั้งหมด ผู้จัดการคลังสินค้าต้องการทราบว่าผู้จัดจำหน่ายทั่วไปให้บริการเท่าไรใน 1,000 ดอลลาร์ Heshe ใช้ตัวอย่างของซัพพลายเออร์จำนวน 12 รายโดยสุ่มได้ผลลัพธ์ดังนี้: ค่าเฉลี่ยหรือค่าเฉลี่ยของข้อมูล 10. ผู้จัดการตัดสินใจที่จะใช้ข้อมูลนี้เป็นค่าประมาณสำหรับค่าใช้จ่ายของผู้จัดจำหน่ายทั่วไป นี่คือการประมาณการที่ดีหรือไม่ดีข้อผิดพลาดหมายถึงกำลังสองเป็นวิธีที่จะตัดสินว่ารูปแบบที่ดีอย่างไรเราจะคำนวณความคลาดเคลื่อนกำลังสองเฉลี่ย จำนวนเงินที่ใช้จ่ายจริงลบด้วยจำนวนเงินโดยประมาณ ข้อผิดพลาด squared คือข้อผิดพลาดข้างต้นยกกำลังสอง SSE คือผลรวมของข้อผิดพลาดสี่เหลี่ยม MSE เป็นค่าเฉลี่ยของข้อผิดพลาดสี่เหลี่ยม ผลลัพธ์ที่ได้คือ MSE ข้อผิดพลาดและข้อผิดพลาดในแบบสี่เหลี่ยมประมาณ 10 คำถามที่เกิดขึ้น: เราสามารถใช้ค่าเฉลี่ยในการคาดการณ์รายได้ได้ถ้าเราสงสัยว่าเทรนด์ A ดูกราฟด้านล่างแสดงให้เห็นอย่างชัดเจนว่าเราไม่ควรทำเช่นนี้ ค่าเฉลี่ยของการสังเกตทั้งหมดในอดีตโดยสรุปเราระบุว่าค่าเฉลี่ยหรือค่าเฉลี่ยเฉลี่ยของการสังเกตทั้งหมดในอดีตเป็นเพียงประมาณการที่เป็นประโยชน์สำหรับการคาดการณ์เมื่อไม่มีแนวโน้ม หากมีแนวโน้มให้ใช้ค่าประมาณต่างๆที่คำนึงถึงแนวโน้ม ค่าเฉลี่ยถ่วงน้ำหนักการสังเกตการณ์ในอดีตอย่างเท่าเทียมกัน ตัวอย่างเช่นค่าเฉลี่ยของค่า 3, 4, 5 คือ 4. เรารู้แน่นอนว่าค่าเฉลี่ยคำนวณโดยการเพิ่มค่าทั้งหมดและหารผลรวมตามจำนวนค่า อีกวิธีหนึ่งในการคำนวณค่าเฉลี่ยคือการเพิ่มแต่ละค่าหารด้วยจำนวนค่าหรือ 33 43 53 1 1.3333 1.6667 4. ตัวคูณ 13 เรียกว่าน้ำหนัก โดยทั่วไป: bar frac sum left (frac right) x1 left (frac right) x2,. ,, left (frac right) xn. (ซ้าย (frac ขวา)) มีน้ำหนักและแน่นอนพวกเขารวมถึง 1 วิธีที่ง่ายที่สุดคือการใช้ค่าเฉลี่ยของเดือนมกราคมถึงเดือนมีนาคมและใช้เพื่อประเมินยอดขายเมษายน 8217: (129 134 122) 3 128.333 ดังนั้น จากยอดขายในเดือนมกราคมถึงเดือนมีนาคมคุณคาดการณ์ว่ายอดขายในเดือนเมษายนจะเท่ากับ 128,333 ราย เมื่อยอดขายที่เกิดขึ้นในเดือนเมษายน 198217 มาแล้วคุณจะคำนวณการคาดการณ์สำหรับเดือนพฤษภาคมโดยใช้กุมภาพันธ์ถึงเดือนเมษายน คุณต้องสอดคล้องกับจำนวนงวดที่คุณใช้ในการย้ายการคาดการณ์โดยเฉลี่ย จำนวนรอบระยะเวลาที่คุณใช้ในการคาดการณ์โดยเฉลี่ยที่เคลื่อนที่ของคุณโดยพลการคุณสามารถใช้เพียงสองช่วงเวลาหรือห้าหรือหกช่วงเวลาที่คุณต้องการสร้างการคาดการณ์ของคุณ วิธีการข้างต้นเป็นค่าเฉลี่ยเคลื่อนที่โดยเฉลี่ย บางครั้งยอดขายเดือนที่ผ่านมา 823 อาจเป็นแรงผลักดันที่แข็งแกร่งในยอดขายเดือนที่ผ่านมา 82 ปีดังนั้นคุณจึงต้องการให้น้ำหนักที่ใกล้ถึงเดือนนี้มากขึ้นในรูปแบบการคาดการณ์ของคุณ นี่คือค่าเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนัก และเช่นเดียวกับจำนวนรอบระยะเวลาน้ำหนักที่คุณกำหนดจะหมดสิทธิ์โดยพลการ Let8217s กล่าวว่าคุณต้องการให้ยอดขายเดือนมีนาคม 8217s 50 น้ำหนักกุมภาพันธ์ 8217s 30 น้ำหนักและ January8217s 20 แล้วคาดการณ์ของคุณสำหรับเมษายนจะ 127,000 (122.50) (134.30) (129.20) 127 ข้อ จำกัด ของค่าเฉลี่ยเคลื่อนที่วิธีการคำนวณค่าเฉลี่ยเคลื่อนที่โดยเฉลี่ยเป็น 8220smoothing8221 forecast technique เนื่องจากคุณใช้เวลาโดยเฉลี่ยเมื่อเวลาผ่านไปคุณจึงอ่อนตัว (หรือทำให้เรียบ) ผลกระทบจากการเกิดขึ้นที่ไม่สม่ำเสมอภายในข้อมูล เป็นผลให้ผลกระทบของฤดูกาลวงจรธุรกิจและเหตุการณ์สุ่มอื่น ๆ สามารถเพิ่มข้อผิดพลาดในการคาดการณ์ได้อย่างมาก ดูข้อมูลทั้งหมดของปีปี8217และเปรียบเทียบค่าเฉลี่ยเคลื่อนที่ 3 ช่วงและค่าเฉลี่ยเคลื่อนที่ 5 ช่วงคือสังเกตว่าในกรณีนี้ที่ไม่ได้สร้างการคาดการณ์ แต่ให้เน้นที่ค่าเฉลี่ยเคลื่อนที่ ค่าเฉลี่ยเคลื่อนที่เป็นเวลา 3 เดือนแรกของเดือนกุมภาพันธ์และเฉลี่ยเดือนมกราคมกุมภาพันธ์และมีนาคมโดยเฉลี่ย ฉันยังทำเหมือนกันสำหรับค่าเฉลี่ย 5 เดือน ตอนนี้ดูกราฟต่อไปนี้: คุณเห็นอะไรบ้างไม่ใช่ชุดค่าเฉลี่ยเคลื่อนที่ 3 เดือนที่นุ่มนวลกว่าชุดการขายที่เกิดขึ้นจริงและค่าเฉลี่ยเคลื่อนที่ 5 เดือนของ It8217s ยังราบรื่นมากเพียงใด ดังนั้นช่วงเวลาที่คุณใช้ในค่าเฉลี่ยเคลื่อนที่ของคุณยิ่งเพิ่มมากขึ้น ดังนั้นสำหรับการคาดการณ์ค่าเฉลี่ยเคลื่อนที่แบบเรียบอาจไม่ใช่วิธีที่ถูกต้องที่สุด การย้ายวิธีเฉลี่ยจะเป็นประโยชน์อย่างมากเมื่อคุณพยายามดึงส่วนประกอบตามฤดูกาลไม่สม่ำเสมอและวัฏจักรของชุดข้อมูลเวลาสำหรับวิธีการคาดการณ์ขั้นสูงเช่นการถดถอยและ ARIMA และการใช้ค่าเฉลี่ยเคลื่อนที่ในการสลายตัวชุดข้อมูลเวลาจะได้รับการแก้ไขในภายหลัง ในชุด การกำหนดความถูกต้องของโมเดลเฉลี่ยเคลื่อนที่โดยทั่วไปคุณต้องการวิธีการคาดการณ์ที่มีข้อผิดพลาดน้อยที่สุดระหว่างผลลัพธ์จริงและที่คาดการณ์ไว้ หนึ่งในมาตรการที่ใช้บ่อยที่สุดในการพยากรณ์ความถูกต้องคือค่า Mean Absolute Deviation (MAD) ในวิธีนี้สำหรับแต่ละช่วงเวลาในชุดข้อมูลเวลาที่คุณสร้างการคาดการณ์คุณจะใช้ค่าสัมบูรณ์ของความแตกต่างระหว่างค่าที่แท้จริงและที่คาดการณ์ไว้ของ period8217s (ส่วนเบี่ยงเบน) จากนั้นคุณจะเฉลี่ยค่าเบี่ยงเบนสัมบูรณ์เหล่านี้และคุณจะได้รับการวัด MAD MAD อาจเป็นประโยชน์ในการตัดสินใจเกี่ยวกับจำนวนงวดที่คุณเฉลี่ยและหรือจำนวนน้ำหนักที่คุณวางไว้ในแต่ละช่วงเวลา โดยทั่วไปคุณเลือกหนึ่งที่มีผลใน MAD ต่ำสุด Here8217 เป็นตัวอย่างของการคำนวณ MAD: MAD เป็นค่าเฉลี่ยของ 8, 1 และ 3 ค่าเฉลี่ยเคลื่อนที่: Recap เมื่อใช้ค่าเฉลี่ยเคลื่อนที่สำหรับการคาดการณ์โปรดจำไว้ว่าค่าเฉลี่ยที่เคลื่อนที่ได้ง่ายหรือมีการถ่วงน้ำหนักจำนวนรอบที่คุณใช้สำหรับ ค่าเฉลี่ยและน้ำหนักใด ๆ ที่คุณกำหนดให้กับแต่ละอย่างเคร่งครัดโดยพลการย้ายค่าเฉลี่ยเรียบรูปแบบที่ไม่สม่ำเสมอในชุดข้อมูลชุดเวลาที่มีขนาดใหญ่จำนวนรอบระยะเวลาที่ใช้สำหรับแต่ละจุดข้อมูลมากขึ้นผลราบเรียบเนื่องจากการเรียบคาดการณ์ยอดขายเดือนถัดไป 8282s ขึ้นอยู่กับ ยอดขายล่าสุดของเดือนที่ผ่านมาไม่กี่เดือนอาจส่งผลให้เกิดการเบี่ยงเบนขนาดใหญ่เนื่องจากรูปแบบตามฤดูกาลวัฏจักรและรูปแบบที่ไม่สม่ำเสมอในข้อมูลและความสามารถในการปรับให้เรียบของวิธีเฉลี่ยที่เคลื่อนที่จะเป็นประโยชน์ในการสลายชุดข้อมูลเวลาสำหรับวิธีการคาดการณ์ขั้นสูงขึ้น สัปดาห์ถัดไป: การจัดแจงแบบสม่ำเสมอในสัปดาห์หน้า เราจะหารือเกี่ยวกับวิธีการทำให้เรียบแบบเสี้ยวและคุณจะเห็นว่าพวกเขาสามารถไกลกว่าวิธีการพยากรณ์การเคลื่อนไหวเฉลี่ย ยังคง don8217t รู้ว่าทำไมโพสต์วันศุกร์พยากรณ์ของเราจะปรากฏในวันพฤหัสบดีที่ค้นหาที่: tinyurl26cm6ma เช่นนี้: โพสต์นำทางปล่อยให้ตอบยกเลิกการตอบฉันมี 2 คำถาม: 1) คุณสามารถใช้วิธี MA centered เพื่อคาดการณ์หรือเพียงเพื่อลบ seasonality 2) เมื่อ คุณใช้ t (t-1t-2t-k) ที่ง่ายในการคาดการณ์ระยะหนึ่งล่วงหน้าคุณสามารถคาดการณ์ได้มากกว่า 1 รอบระยะเวลาข้างหน้าที่ฉันเดาแล้วการคาดการณ์ของคุณจะเป็นหนึ่งในจุดให้อาหารในถัดไป ขอบคุณ รักข้อมูลและคำอธิบายของคุณ I8217m ดีใจที่คุณชอบบล็อก I8217m แน่ใจว่านักวิเคราะห์หลายคนใช้วิธี MA ที่เน้นการคาดการณ์ แต่ส่วนตัวแล้วฉันจะไม่เนื่องจากวิธีการดังกล่าวทำให้สูญเสียการสังเกตที่ปลายทั้งสอง นี้จริงแล้วความสัมพันธ์ในคำถามที่สองของคุณ โดยทั่วไปแล้ว MA แบบธรรมดาใช้ในการคาดการณ์ล่วงหน้าเพียงระยะเวลาเดียว แต่นักวิเคราะห์หลายคน 8211 และฉันก็อาจใช้การคาดการณ์ล่วงหน้าหนึ่งรอบของฉันเป็นหนึ่งในปัจจัยการผลิตไปยังช่วงที่สองข้างหน้า It8217s สำคัญที่ต้องจำไว้ว่ายิ่งไปกว่านั้นในอนาคตที่คุณพยายามคาดการณ์ความเสี่ยงของการคาดการณ์ความผิดพลาดมากขึ้น นี่คือเหตุผลที่ผมไม่แนะนำให้ Center for MA ทำนาย 8211 การสูญเสียข้อสังเกตในตอนท้ายหมายถึงต้องพึ่งพาการคาดการณ์สำหรับการสังเกตที่หายไปรวมถึงระยะเวลาข้างหน้าดังนั้นจึงมีโอกาสเกิดข้อผิดพลาดในการคาดการณ์มากขึ้น ผู้อ่าน: you8217 เชิญชวนให้ชั่งน้ำหนักในเรื่องนี้ คุณมีความคิดเห็นหรือคำแนะนำเกี่ยวกับ Brian นี้ขอบคุณสำหรับความคิดเห็นและคำชมเชยของคุณในบล็อกความคิดริเริ่มที่ดีและคำอธิบายที่ดี It8217s เป็นประโยชน์จริงๆ ฉันคาดการณ์แผงวงจรพิมพ์ที่กำหนดเองสำหรับลูกค้าที่ไม่ให้การคาดการณ์ใด ๆ ฉันใช้ค่าเฉลี่ยเคลื่อนที่ แต่ไม่ค่อยถูกต้องเนื่องจากอุตสาหกรรมสามารถขึ้นและลงได้ เราเห็นต่อกลางฤดูร้อนสิ้นปีที่ pcb8217s ส่งขึ้น จากนั้นเราจะเห็นจุดเริ่มต้นของปีช้าลง ฉันจะถูกต้องมากขึ้นด้วยข้อมูลของฉัน Katrina จากสิ่งที่คุณบอกฉันปรากฏการขายแผงวงจรพิมพ์ของคุณมีองค์ประกอบตามฤดูกาล ฉันจะกล่าวถึงฤดูกาลในบางส่วนของโพสต์วันศุกร์พยากรณ์อื่น ๆ อีกวิธีหนึ่งที่คุณสามารถใช้ซึ่งเป็นเรื่องที่ง่ายมากคืออัลกอริทึม Holt-Winters ซึ่งคำนึงถึงฤดูกาล คุณสามารถหาคำอธิบายได้ที่นี่ อย่าลืมกำหนดว่ารูปแบบตามฤดูกาลของคุณเป็นแบบทวีคูณหรือแบบเพิ่มหรือไม่เนื่องจากอัลกอริทึมจะแตกต่างกันเล็กน้อยสำหรับแต่ละรูปแบบ หากคุณวางแผนข้อมูลรายเดือนของคุณจากไม่กี่ปีและพบว่าการเปลี่ยนแปลงตามฤดูกาลในช่วงเวลาเดียวกันของปีดูเหมือนจะเป็นปีที่คงที่ต่อปีจากนั้นฤดูกาลจะเพิ่มขึ้นหากการเปลี่ยนแปลงตามฤดูกาลในช่วงเวลาดูเหมือนจะเพิ่มขึ้นแล้วฤดูกาลคือ คูณ ชุดเวลาตามฤดูกาลส่วนใหญ่จะเป็นจำนวนทวีคูณ หากมีข้อสงสัยให้สมมติ multiplicative สวัสดีสวัสดี, ระหว่างวิธีการดังกล่าว:. พยากรณ์ Nave การอัพเดตค่าเฉลี่ย ค่าเฉลี่ยเคลื่อนที่ของความยาว k ค่าเฉลี่ยถ่วงน้ำหนักโดยเฉลี่ยของความยาว k หรือ Exponential Smoothing รูปแบบการอัปเดตใดที่คุณแนะนำให้ฉันใช้เพื่อคาดการณ์ข้อมูลสำหรับความคิดของฉันฉันคิดถึง Moving Average แต่ฉัน don8217t รู้วิธีทำให้ชัดเจนและมีโครงสร้างจริงๆมันขึ้นอยู่กับปริมาณและคุณภาพของข้อมูลที่คุณมีและขอบฟ้าพยากรณ์ของคุณ (ระยะยาวกลางเดือนหรือระยะสั้น)