السلاسل الزمنية التنبؤ الحركة من المتوسط

التنبؤ مع تحليل السلاسل الزمنية ما هو التنبؤ التنبؤ هو الأسلوب الذي يستخدم على نطاق واسع في تحليل السلاسل الزمنية للتنبؤ متغير الاستجابة، مثل الأرباح الشهرية، أداء الأسهم، أو أرقام البطالة، لفترة محددة من الزمن. وتستند التنبؤات إلى أنماط في البيانات الموجودة. علی سبیل المثال، یمکن لمدیر المستودع أن یعکس کمیة المنتج المطلوب خلال الأشھر الثلاثة التالیة بناء علی ال 12 شھرا السابقة من الطلبات. يمكنك استخدام مجموعة متنوعة من أساليب التسلسل الزمني، مثل تحليل الاتجاهات، والتحلل، أو تجانس أسي واحد، لنمذجة الأنماط في البيانات واستقراء تلك الأنماط إلى المستقبل. اختيار طريقة تحليل ما إذا كانت أنماط ثابتة (ثابت مع مرور الوقت) أو ديناميكية (تغيير مع مرور الوقت)، وطبيعة الاتجاه والمكونات الموسمية، وإلى أي مدى إلى الأمام تريد التنبؤ. قبل إنتاج التنبؤات، تناسب العديد من النماذج المرشحة للبيانات لتحديد أي نموذج هو الأكثر استقرارا ودقة. توقعات لتحليل المتوسط ​​المتحرك القيمة المجهزة في الوقت t هي المتوسط ​​المتحرك غير المركزة في الوقت t -1. والتنبؤات هي القيم المجهزة في الأصل المتوقع. إذا كنت تتوقع 10 وحدات الوقت المقبلة، فإن القيمة المتوقعة في كل مرة تكون القيمة المجهزة في الأصل. وتستخدم البيانات حتى المنشأ لحساب المتوسطات المتحركة. يمكنك استخدام طريقة المتوسط ​​المتحرك الخطي من خلال حساب المتوسطات المتحركة المتتالية. وغالبا ما تستخدم طريقة المتوسطات الخطية المتحركة عندما يكون هناك اتجاه في البيانات. أولا، حساب وتخزين المتوسط ​​المتحرك للسلسلة الأصلية. ثم حساب وتخزين المتوسط ​​المتحرك للعمود المخزن سابقا للحصول على المتوسط ​​المتحرك الثاني. في التنبؤ ساذجة، والتنبؤ الوقت t هو قيمة البيانات في الوقت t -1. إن استخدام المتوسط ​​المتحرك للمتوسط ​​مع المتوسط ​​المتحرك للطول الأول يعطي التنبؤ الساذج. التنبؤات لتحليل تجانس أسي واحد القيمة المجهزة في الوقت t هي القيمة الملساء في الوقت t-1. والتنبؤات هي القيمة المجهزة في الأصل المتوقع. إذا كنت تتوقع 10 وحدات الوقت المقبلة، فإن القيمة المتوقعة في كل مرة تكون القيمة المجهزة في الأصل. يتم استخدام البيانات تصل إلى أصل للتجانس. وفي التنبؤ الساذج، فإن التنبؤ بالوقت t هو قيمة البيانات في الوقت t-1. أداء تجانس أسي واحد مع وزن واحد للقيام التنبؤ ساذجة. توقعات لتحليل التجانس الأسي المزدوج يستخدم التجانس الأسي المزدوج مكونات المستوى والاتجاه لتوليد التنبؤات. والتوقعات الخاصة بالفترات m القادمة من نقطة في الوقت t هي L t مت t. حيث L t هو المستوى و T t هو الاتجاه في الوقت t. سيتم استخدام البيانات حتى وقت الأصل المتوقع للتجانس. التوقعات لطريقة الشتاء يستخدم أسلوب الشتاء مستوى، والاتجاه، والمكونات الموسمية لتوليد التنبؤات. والتوقعات الخاصة بالفترات m القادمة من نقطة في الوقت t هي: حيث L t هو المستوى و T t هو الاتجاه في الوقت t، مضروبا في (أو تضاف إلى نموذج إضافي) المكون الموسمية للفترة نفسها من السنة الماضية. يستخدم وينترس ميثود البيانات حتى وقت الأصل المتوقع لتوليد التنبؤات. وفي الممارسة العملية فإن المتوسط ​​المتحرك سيوفر تقديرا جيدا لمتوسط ​​السلاسل الزمنية إذا كان المتوسط ​​ثابتا أو متغيرا ببطء. وفي حالة المتوسط ​​الثابت، فإن أكبر قيمة m تعطي أفضل التقديرات للمتوسط ​​الأساسي. وستؤدي فترة المراقبة الأطول إلى الحد من آثار التباين. والغرض من توفير m أصغر هو السماح للتنبؤ بالاستجابة للتغيير في العملية الأساسية. ولتوضيح ذلك، نقترح مجموعة بيانات تتضمن التغييرات في الوسط الأساسي للمسلسلات الزمنية. ويبين الشكل السلاسل الزمنية المستخدمة للتوضيح مع متوسط ​​الطلب الذي نشأت منه السلسلة. يبدأ المتوسط ​​ك ثابت عند 10. يبدأ في الوقت 21، يزداد بوحدة واحدة في كل فترة حتى يصل إلى القيمة 20 في وقت 30. ثم يصبح ثابتة مرة أخرى. وتتم محاكاة البيانات بإضافة متوسط ​​الضوضاء العشوائية من التوزيع العادي مع متوسط ​​الصفر والانحراف المعياري 3. وتقريب نتائج المحاكاة إلى أقرب عدد صحيح. ويبين الجدول الملاحظات المحاكاة المستخدمة في المثال. عندما نستخدم الجدول، يجب أن نتذكر أنه في أي وقت من الأوقات، إلا أن البيانات السابقة معروفة. وتظهر تقديرات معلمة النموذج، بالنسبة إلى ثلاث قيم مختلفة من m، مع متوسط ​​السلاسل الزمنية في الشكل أدناه. ويبين الشكل متوسط ​​المتوسط ​​المتحرك للمتوسط ​​في كل مرة وليس التنبؤ. ومن شأن التنبؤات أن تحول منحنيات المتوسط ​​المتحرك إلى اليمين حسب الفترات. وهناك استنتاج واحد واضح على الفور من هذا الرقم. وبالنسبة للتقديرات الثلاثة جميعها، فإن المتوسط ​​المتحرك يتخلف عن الاتجاه الخطي، مع زيادة الفارق الزمني مع m. والفارق الزمني هو المسافة بين النموذج والتقدير في البعد الزمني. وبسبب الفارق الزمني، فإن المتوسط ​​المتحرك يقلل من الملاحظات نظرا لأن المتوسط ​​يتزايد. انحياز المقدر هو الفرق في وقت محدد في متوسط ​​قيمة النموذج والقيمة المتوسطة التي يتنبأ بها المتوسط ​​المتحرك. التحيز عندما يكون المتوسط ​​يزداد سلبيا. أما بالنسبة للمتوسط ​​المتناقص، فإن التحيز إيجابي. التأخر في الوقت والتحيز التي أدخلت في التقدير هي وظائف م. وكلما زادت قيمة m. وكلما كبر حجم التأخر والتحيز. لسلسلة متزايدة باستمرار مع الاتجاه أ. فإن قيم التأخر والتحيز لمقدر المتوسط ​​تعطى في المعادلات أدناه. لا تتطابق منحنيات المثال مع هذه المعادلات لأن نموذج المثال لا يزداد بشكل مستمر، بل يبدأ كتغيير ثابت للاتجاه ثم يصبح ثابتا مرة أخرى. كما تتأثر منحنيات المثال بالضوضاء. ويتمثل متوسط ​​المتوسط ​​المتحرك للتوقعات في المستقبل في تحويل المنحنيات إلى اليمين. ويزيد التأخر والتحيز تناسبيا. وتشير المعادلات أدناه إلى الفارق الزمني والتحيز لفترات التنبؤ في المستقبل عند مقارنتها بمعلمات النموذج. مرة أخرى، هذه الصيغ هي لسلسلة زمنية مع الاتجاه الخطي المستمر. ولا ينبغي لنا أن نفاجأ بهذه النتيجة. ويستند متوسط ​​التقدير المتحرك إلى افتراض متوسط ​​ثابت، والمثال له اتجاه خطي في المتوسط ​​خلال جزء من فترة الدراسة. وبما أن سلسلة الوقت الحقيقي نادرا ما تتوافق تماما مع افتراضات أي نموذج، يجب أن نكون مستعدين لمثل هذه النتائج. ويمكننا أيضا أن نخلص من الشكل إلى أن تباين الضوضاء له أكبر تأثير على m أصغر. ويكون التقدير أكثر تقلبا بكثير بالنسبة للمتوسط ​​المتحرك البالغ 5 من المتوسط ​​المتحرك البالغ 20. ولدينا رغبة متضاربة في زيادة m لتقليل تأثير التباين الناجم عن الضوضاء وتقليل m لجعل التنبؤ أكثر استجابة للتغيرات في الحقيقة. والخطأ هو الفرق بين البيانات الفعلية والقيمة المتوقعة. وإذا كانت السلسلة الزمنية حقا قيمة ثابتة، فإن القيمة المتوقعة للخطأ هي صفر، ويتألف تباين الخطأ من عبارة دالة وعبارة ثانية هي تباين الضوضاء. المصطلح الأول هو التباين في المتوسط ​​المقدر مع عينة من الملاحظات m، على افتراض أن البيانات تأتي من مجتمع ذو متوسط ​​ثابت. يتم تقليل هذا المصطلح من خلال جعل m كبيرة قدر الإمكان. A م كبير يجعل التوقعات لا تستجيب لتغيير في السلسلة الزمنية الأساسية. لجعل التنبؤات تستجيب للتغييرات، نريد m صغيرة قدر الإمكان (1)، ولكن هذا يزيد من التباين الخطأ. ويتطلب التنبؤ العملي قيمة وسيطة. التنبؤ مع إكسيل تقوم الوظيفة الإضافية للتنبؤ بتطبيق صيغ المتوسط ​​المتحرك. ويبين المثال الوارد أدناه التحليل الذي توفره الوظيفة الإضافية لعينة البيانات في العمود باء. ويتم فهرسة الملاحظات العشرة الأولى من 9 إلى 0. وبالمقارنة بالجدول أعلاه، يتم تغيير مؤشرات الفترة بمقدار -10. وتوفر الملاحظات العشرة الأولى قيم بدء التشغيل للتقدير وتستخدم لحساب المتوسط ​​المتحرك للفترة 0. ويبين العمود (10) (C) المتوسطات المتحركة المحسوبة. وتكون معلمة المتوسط ​​المتحرك m في الخلية C3. ويبين العمود (1) (D) توقعات لفترة واحدة في المستقبل. الفترة الزمنية المتوقعة في الخلية D3. عندما يتم تغيير الفاصل الزمني المتوقع إلى عدد أكبر يتم تحويل الأرقام في العمود فور إلى أسفل. ويبين العمود إر (1) (E) الفرق بين الملاحظة والتنبؤ. على سبيل المثال، الملاحظة في الوقت 1 هي 6. القيمة المتوقعة من المتوسط ​​المتحرك في الوقت 0 هي 11.1. الخطأ ثم -5.1. يتم حساب الانحراف المعياري ومتوسط ​​الانحراف المتوسط ​​في الخلايا E6 و E7 على التوالي. دليل شامل للمبتدئين 8217s لإنشاء توقعات سلسلة زمنية (مع رموز في بيثون) مقدمة تعتبر سلسلة الوقت (المشار إليها باسم تيسي من الآن) واحدة من المهارات أقل شهرة في الفضاء تحليلات (حتى كان لي القليل من فكرة عن ذلك بضعة أيام مرة أخرى). ولكن كما تعلمون لدينا الافتتاحي ميني هاكاثون يقوم على ذلك، وأنا وضعت نفسي في رحلة لتعلم الخطوات الأساسية لحل مشكلة سلسلة الوقت وهنا أنا تقاسم نفس الشيء معك. وهذه بالتأكيد سوف تساعدك على الحصول على نموذج لائق في هاكاثون لدينا اليوم. قبل الذهاب من خلال هذه المقالة، وأنا أوصي قراءة دروس كاملة على الوقت سلسلة النمذجة في R. وهو مثل بريكول لهذه المادة. ويركز على المفاهيم الأساسية ويستند إلى R وسوف تركز على استخدام هذه المفاهيم في حل مشكلة نهاية إلى نهاية جنبا إلى جنب مع رموز في بيثون. توجد العديد من الموارد ل تيسي في R ولكن عدد قليل جدا هناك لبيثون حتى I8217ll أن تستخدم بيثون في هذه المقالة. رحلة الخروج من خلال الخطوات التالية: ما يجعل سلسلة الوقت تحميل الخاصة والمناولة سلسلة زمنية في الباندا كيفية التحقق ستاتيوناريتي من سلسلة زمنية كيفية جعل سلسلة زمنية ثابتة التنبؤ سلسلة زمنية 1. ما الذي يجعل الوقت سلسلة خاصة باسم يقترح، تيسي هو مجموعة من نقاط البيانات التي تم جمعها على فترات زمنية ثابتة. ويتم تحليلها لتحديد الاتجاه الطويل الأجل للتنبؤ بالمستقبل أو إجراء بعض أشكال التحليل الأخرى. ولكن ما يجعل تيسي مختلفة عن القول مشكلة الانحدار العادية هناك 2 الأشياء: لقد حان الوقت تعتمد. لذا، فإن الافتراض الأساسي لنموذج الانحدار الخطي الذي تكون فيه الملاحظات مستقلة. جنبا إلى جنب مع اتجاه متزايد أو متناقص، معظم تيسي لديها شكل من أشكال الاتجاهات الموسمية. أي الاختلافات الخاصة بإطار زمني معين. على سبيل المثال، إذا كنت ترى مبيعات سترة صوفية مع مرور الوقت، وسوف تجد دائما أعلى المبيعات في مواسم الشتاء. وبسبب الخصائص المتأصلة ل تيسي، هناك خطوات مختلفة تنطوي على تحليلها. وتناقش هذه التفاصيل بالتفصيل أدناه. يتيح البدء بتحميل كائن تيسي في بيثون. we8217ll أن تستخدم شعبية إيرباسنجرز مجموعة البيانات التي يمكن تحميلها هنا. يرجى ملاحظة أن الهدف من هذه المقالة هو التعرف عليك مع التقنيات المختلفة المستخدمة ل تيسي بشكل عام. المثال الذي تم النظر فيه هنا هو فقط للتوضيح وسوف أركز على تغطية مجموعة واسعة من المواضيع وعدم اتخاذ توقعات دقيقة جدا. 2. تحميل ومناولة سلسلة زمنية في بانداس بانداس وقد خصصت المكتبات للتعامل مع الأجسام تيسي، وخاصة فئة datatime64ns الذي يخزن المعلومات الوقت ويسمح لنا لأداء بعض العمليات بسرعة حقا. يتيح البدء من خلال اطلاق النار على المكتبات المطلوبة: الآن، يمكننا تحميل مجموعة البيانات والنظر في بعض الصفوف الأولية وأنواع البيانات من الأعمدة: تحتوي البيانات على شهر معين وعدد الركاب المسافرين في ذلك الشهر. ولكن هذا لا يزال غير قراءة كائن تيسي لأن أنواع البيانات هي 8216object8217 و 8216int8217. من أجل قراءة البيانات كسلسلة زمنية، يجب علينا تمرير حجج خاصة إلى الأمر ريادسف: Let8217s فهم الوسيطات واحدا تلو الآخر: بارسيداتس. يحدد هذا العمود الذي يحتوي على معلومات وقت التسجيل. كما نقول أعلاه، اسم العمود هو 8216Month8217. إندكسكول: الفكرة الرئيسية وراء استخدام بيانات بانداس ل تيسي هي أن المؤشر يجب أن يكون المتغير الذي يصور معلومات وقت التاريخ. لذلك هذه الحجة تقول باندا لاستخدام العمود 8216Month8217 ك فهرس. ديتريبارسر: يحدد هذا الدالة التي تقوم بتحويل سلسلة إدخال إلى متغير داتيتيم. يكون الافتراضي يقرأ بانداس البيانات في شكل 8216YYYY-مم-د ه: مم: SS8217. إذا لم تكن البيانات بهذا الشكل، يجب أن يكون التنسيق محددا يدويا. ويمكن استخدام شيء مشابه لوظيفة داتابارس المعرفة هنا لهذا الغرض. الآن يمكننا أن نرى أن البيانات لديها كائن الوقت كمؤشر و الركاب كعمود. يمكننا التحقق من نوع البيانات من الفهرس بالأمر التالي: لاحظ dtype8217datetimens8217 الذي يؤكد أنه كائن داتيتيم. كما تفضيل شخصي، أود تحويل العمود إلى كائن سلسلة لمنع الإشارة إلى أسماء الأعمدة في كل مرة يمكنني استخدام تيسي. لا تتردد في استخدام ك داتافريم هو أن يعمل بشكل أفضل بالنسبة لك. تيسي data8216Passengers8217 ts. head (10) قبل المضي قدما، I8217ll مناقشة بعض تقنيات الفهرسة للبيانات تيسي. يتيح البدء بتحديد قيمة معينة في كائن السلسلة. ويمكن القيام بذلك في طريقتين التاليتين: كلاهما سيعود قيمة 82161128217 التي يمكن أيضا أن يتم تأكيد من الانتاج السابق. لنفترض أننا نريد جميع البيانات حتى مايو 1949. ويمكن أن يتم ذلك بطريقتين: كل من شأنه أن ينتج الناتج التالي: هناك 2 الأشياء أن نلاحظ هنا: على عكس الفهرسة الرقمية، يتم تضمين مؤشر نهاية هنا. على سبيل المثال، إذا قمنا بفهرسة قائمة ك: 5 فإنه سيعود القيم عند المؤشرات 8211 0،1،2،3،4. ولكن هنا تم تضمين المؤشر 82161949-05-018217 في الإخراج. يجب أن يتم فرز المؤشرات لمدى العمل. إذا كنت عشوائيا خلط الفهرس، وهذا العمل won8217t. النظر في حالة أخرى حيث كنت في حاجة الى جميع قيم عام 1949. ويمكن القيام بذلك على النحو التالي: تم حذف جزء الشهر. وبالمثل إذا كنت كل أيام من شهر معين، يمكن حذف جزء اليوم. الآن، يتيح الانتقال إلى تحليل تيسي. 3. كيفية التحقق من ستاتيوناريتي من سلسلة زمنية ويقال أن تيسي ثابتة إذا كانت الخصائص الإحصائية مثل المتوسط ​​والتباين تبقى ثابتة مع مرور الوقت. ولكن لماذا هو مهم معظم النماذج تيسي تعمل على افتراض أن تيسي هو ثابت. بشكل حدسي، يمكننا أن نجلس أنه إذا كان تيسي لديه سلوك معين مع مرور الوقت، وهناك احتمال كبير جدا أنه سوف يتبع نفسه في المستقبل. أيضا، النظريات المتعلقة سلسلة ثابتة هي أكثر نضجا وأسهل لتنفيذ بالمقارنة مع سلسلة غير ثابتة. يتم تعريف ستاتيوناريتي باستخدام معيار صارم للغاية. ومع ذلك، لأغراض عملية يمكننا أن نفترض أن سلسلة لتكون ثابتة إذا كان لها خصائص إحصائية ثابتة مع مرور الوقت، أي. ما يلي: التباين المستمر المتوسط ​​المستمر وهو التحفظ الذاتي الذي لا يعتمد على الوقت. I8217ll تخطي التفاصيل كما هو واضح جدا في هذه المقالة. يتيح الانتقال إلى طرق اختبار الاستقرارية. أولا وقبل كل شيء هو بسيط مؤامرة البيانات وتحليل بصريا. يمكن رسم البيانات باستخدام الأمر التالي: من الواضح بوضوح أن هناك اتجاها عاما متزايدا في البيانات جنبا إلى جنب مع بعض الاختلافات الموسمية. ومع ذلك، قد لا يكون من الممكن دائما لجعل هذه الاستدلالات البصرية (we8217ll نرى مثل هذه الحالات في وقت لاحق). لذلك، أكثر رسميا، يمكننا التحقق من ستراتاريتي باستخدام ما يلي: التآمر المتداول الاحصائيات: يمكننا رسم المتوسط ​​المتحرك أو التحرك التباين ومعرفة ما اذا كان يختلف مع مرور الوقت. عن طريق تحريك المتوسطات يعني أن في أي لحظة 8216t8217، we8217ll اتخاذ المتوسطات من العام الماضي، أي آخر 12 شهرا. ولكن مرة أخرى هذا هو أكثر من تقنية بصرية. اختبار ديكي فولر: هذا هو واحد من الاختبارات الإحصائية لفحص ستاتيوناريتي. هنا الفرضية الفارغة هي أن تيسي غير ثابتة. وتتكون نتائج الاختبار من إحصائية اختبار وبعض القيم الحرجة لمستويات الثقة في الاختلاف. إذا كان 8216Test الإحصائي 8217 هو أقل من القيمة 8216Critical8217، يمكننا رفض فرضية نول ونقول أن سلسلة ثابتة. راجع هذه المقالة للحصول على التفاصيل. هذه المفاهيم قد لا تبدو بديهية جدا في هذه المرحلة. أوصي الذهاب من خلال المادة بريكل. إذا كنت 8217re ترغب في بعض الإحصاءات النظرية، يمكنك الرجوع مقدمة إلى سلسلة الوقت والتنبؤ من قبل بروكويل وديفيس. الكتاب هو قليلا احصائيات الثقيلة، ولكن إذا كان لديك مهارة لقراءة بين خطوط، يمكنك فهم المفاهيم وتلمس على نحو ملموس الإحصاءات. العودة إلى التحقق ستاتيوناريتي، we8217ll يكون استخدام المتداول الإحصاءات المؤامرات جنبا إلى جنب مع نتائج الاختبار ديكي فولر كثيرا لذلك لقد حددت وظيفة الذي يأخذ تيسي كما المدخلات ولدت لهم بالنسبة لنا. يرجى ملاحظة أن I8217ve تآمر الانحراف المعياري بدلا من التباين للحفاظ على وحدة مماثلة لمتوسط. رمز جميل على التوالي إلى الأمام. لا تتردد في مناقشة التعليمات البرمجية في التعليقات إذا كنت تواجه تحديات في استيعاب ذلك. Let8217s تشغيله لسلسلة المدخلات لدينا: على الرغم من أن الاختلاف في الانحراف المعياري هو صغير، يعني يتزايد بشكل واضح مع مرور الوقت وهذه ليست سلسلة ثابتة. أيضا، إحصائية الاختبار هي طريقة أكثر من القيم الحرجة. لاحظ أنه يجب مقارنة القيم الموقعة وليست القيم المطلقة. بعد ذلك، we8217ll مناقشة التقنيات التي يمكن استخدامها لاتخاذ هذا تيسي نحو ستاتيوناريتي. 4. كيفية جعل سلسلة الوقت ثابتة على الرغم من أن افتراض ستاتيوناريتي تؤخذ في العديد من النماذج تيسي، تقريبا أي من سلسلة زمنية العملية هي ثابتة. لذا، فقد وجد الإحصائيون طرقا لجعل السلسلة ثابتة، والتي نناقشها الآن 8217. في الواقع، من المستحيل تقريبا لجعل سلسلة ثابتة تماما، ولكن نحن نحاول أن أعتبر أقرب ما يمكن. دعونا نفهم ما يجعل تيسي غير ثابتة. هناك سببان رئيسيان وراء عدم استقرار المحطة الطرفية: 1. الاتجاه 8211 متغير مع مرور الوقت. على سبيل المثال، في هذه الحالة رأينا أنه في المتوسط، كان عدد الركاب ينمو مع مرور الوقت. 2. موسمية 8211 الاختلافات في أطر زمنية محددة. مثل الناس قد يكون لديهم ميل لشراء السيارات في شهر معين بسبب زيادة الراتب أو المهرجانات. المبدأ الأساسي هو نموذج أو تقدير الاتجاه والموسمية في سلسلة وإزالة تلك من سلسلة للحصول على سلسلة ثابتة. ثم يمكن تنفيذ تقنيات التنبؤ الإحصائي على هذه السلسلة. وتتمثل الخطوة الأخيرة في تحويل القيم المتوقعة إلى النطاق الأصلي من خلال تطبيق قيود الاتجاه والموسمية مرة أخرى. ملاحظة: I8217ll مناقشة عدد من الطرق. قد يعمل البعض بشكل جيد في هذه الحالة وقد لا يفعل البعض الآخر. ولكن الفكرة هي الحصول على تعليق من جميع الأساليب وعدم التركيز على مجرد المشكلة في متناول اليد. Let8217s تبدأ من خلال العمل على جزء الاتجاه. تقدير أمبير القضاء الاتجاه واحد من الحيل الأولى للحد من الاتجاه يمكن أن يكون التحول. على سبيل المثال، في هذه الحالة يمكننا أن نرى بوضوح أن هناك اتجاها إيجابيا كبيرا. لذلك يمكننا تطبيق التحول الذي يعاقب القيم الأعلى أكثر من القيم الأصغر. هذه يمكن أن تأخذ سجل، الجذر التربيعي، مكعب الجذر، وما إلى ذلك دعونا تأخذ سجل تحويل هنا من أجل البساطة: في هذه الحالة أبسط، فمن السهل أن نرى اتجاه إلى الأمام في البيانات. ولكن ليس بديهية جدا في وجود الضوضاء. حتى نتمكن من استخدام بعض التقنيات لتقدير أو نموذج هذا الاتجاه ومن ثم إزالته من هذه السلسلة. يمكن أن يكون هناك العديد من الطرق للقيام بذلك، وبعض من الأكثر شيوعا هي: تجميع 8211 أخذ المتوسط ​​لفترة زمنية مثل المتوسطات الشهرية الأسبوعية تجانس 8211 أخذ المتوسطات المتداول متعدد الحدود F إيتينغ 8211 تناسب نموذج الانحدار وسوف نناقش تجانس هنا ويجب أن تحاول الآخرين التقنيات التي قد تعمل من أجل مشاكل أخرى. ويشير التنعيم إلى أخذ تقديرات متجددة، أي النظر في الحالات القليلة الماضية. يمكن أن تكون هناك طرق مختلفة ولكنني سوف نناقش اثنين من تلك هنا. المتوسط ​​المتحرك في هذا النهج، نأخذ في المتوسط ​​8216k8217 قيم متتالية تبعا لتردد السلاسل الزمنية. هنا يمكننا أن نأخذ المتوسط ​​خلال السنة الماضية، أي آخر 12 قيمة. لدى بانداس وظائف محددة محددة لتحديد الإحصاءات المتداول. يظهر الخط الأحمر المتوسط ​​المتداول. يتيح طرح هذا من السلسلة الأصلية. لاحظ أنه بما أننا نأخذ متوسط ​​12 قيمة، لم يتم تعريف متوسط ​​التدحرج للقيم ال 11 الأولى. ويمكن ملاحظة ذلك على النحو التالي: لاحظ أول 11 يجري نان. يتيح إسقاط هذه القيم نان والتحقق من المؤامرات لاختبار ستاتيوناريتي. هذا يبدو وكأنه سلسلة أفضل بكثير. ويبدو أن قيم التدوير متفاوتة قليلا ولكن لا يوجد اتجاه محدد. أيضا، وإحصائية اختبار أصغر من القيم الحرجة 5 حتى نتمكن من القول مع 95 الثقة أن هذه هي سلسلة ثابتة. ومع ذلك، فإن العيب في هذا النهج بالذات هو أن الفترة الزمنية يجب أن تكون محددة بدقة. في هذه الحالة يمكننا أن نأخذ المتوسطات السنوية ولكن في حالات معقدة مثل التنبؤ سعر السهم، من الصعب التوصل إلى عدد. لذلك نحن نأخذ المتوسط ​​المتحرك 8216 وزنه 8217 حيث يتم إعطاء قيم أكثر حداثة وزنا أعلى. يمكن أن يكون هناك العديد من التقنية لتعيين الأوزان. والمتوسط ​​الشعبي هو المتوسط ​​المتحرك المرجح أضعافا مضاعفة حيث يتم تعيين الأوزان لجميع القيم السابقة مع عامل تسوس. ابحث عن التفاصيل هنا. ويمكن تنفيذ هذا في بانداس على النحو التالي: ملاحظة أن هنا يتم استخدام المعلمة 8216halflife8217 لتحديد مقدار الانحطاط الأسي. هذا هو مجرد افتراض هنا، وسوف تعتمد إلى حد كبير على مجال الأعمال التجارية. ويمكن أيضا استخدام معلمات أخرى مثل سبان ووسط الكتلة لتحديد التسوس التي تمت مناقشتها في الرابط المشترك أعلاه. الآن، Let8217s إزالة هذا من سلسلة والتحقق من قطبية: هذا تيسي لديه حتى الاختلافات أقل في المتوسط ​​والانحراف المعياري في الحجم. أيضا، إحصائية الاختبار أصغر من القيمة الحرجة 1. وهو أفضل من الحالة السابقة. لاحظ أنه في هذه الحالة لن تكون هناك قيم مفقودة حيث يتم إعطاء جميع القيم من البداية الأوزان. لذلك it8217ll العمل حتى مع عدم وجود القيم السابقة. القضاء على الاتجاه والموسمية تقنيات الحد من الاتجاه بسيطة مناقشتها قبل دون 8217t العمل في جميع الحالات، وخاصة تلك ذات الموسمية العالية. دعونا نناقش طريقتين لإزالة الاتجاه والموسمية: الفرق 8211 أخذ ديفيريس مع وقت معين تأخر التحلل 8211 النمذجة على حد سواء الاتجاه والموسمية وإزالتها من النموذج. الاختلاف واحد من أكثر الطرق شيوعا للتعامل مع كل من الاتجاه والموسمية هو الاختلاف. في هذه التقنية، ونحن نأخذ الفرق الملاحظة في لحظة معينة مع أنه في لحظة السابقة. هذا يعمل في الغالب بشكل جيد في تحسين الاستقرارية. ويمكن إجراء اختلاف في الدرجة الأولى في الباندا على النحو التالي: يبدو أن هذا الاتجاه قد انخفض بدرجة كبيرة. يتيح التحقق باستخدام المؤامرات لدينا: يمكننا أن نرى أن الاختلافات المتوسطة و ستد لديها اختلافات صغيرة مع مرور الوقت. أيضا، إحصائية اختبار ديكي فولر أقل من قيمة 10 الحرجة. وبالتالي فإن تيسي ثابتة مع 90 الثقة. يمكننا أيضا أن نأخذ الاختلافات النظام الثاني أو الثالث التي قد تحصل على نتائج أفضل في بعض التطبيقات. أنا ترك الأمر لك لمحاولة بها. تحلل في هذا النهج، على حد سواء الاتجاه والموسمية على غرار بشكل منفصل ويتم إرجاع الجزء المتبقي من سلسلة. I8217ll تخطي الإحصاءات وتأتي إلى النتائج: هنا يمكننا أن نرى أن هذا الاتجاه، يتم فصل الموسمية من البيانات ويمكننا نموذج بقايا. يتيح التحقق من ستاتيارياري من المخلفات: إحصاء اختبار ديكي فولر هو أقل بكثير من القيمة الحرجة 1. لذلك هذا تيسي قريبة جدا من ثابتة. يمكنك محاولة تقنيات التحلل المتقدمة وكذلك التي يمكن أن تولد نتائج أفضل. أيضا، يجب أن نلاحظ أن تحويل البقايا إلى القيم الأصلية للبيانات المستقبلية في ليست بديهية جدا في هذه الحالة. 5. التنبؤ سلسلة زمنية رأينا تقنيات مختلفة وكل منهم عمل بشكل معقول لجعل تيسي ثابتة. يتيح جعل نموذج على تيسي بعد الاختلاف لأنها تقنية شعبية جدا. أيضا، من الأسهل نسبيا لإضافة الضوضاء والموسمية مرة أخرى إلى المخلفات المتوقعة في هذه الحالة. بعد أن أدار هذا الاتجاه وتقنيات تقدير الموسمية، يمكن أن يكون هناك حالتين: سلسلة ثابتة بدقة مع عدم الاعتماد على القيم. هذا هو حالة سهلة حيث يمكننا نموذج بقايا كما الضوضاء البيضاء. ولكن هذا أمر نادر جدا. سلسلة مع الاعتماد الكبير بين القيم. في هذه الحالة نحن بحاجة إلى استخدام بعض النماذج الإحصائية مثل أريما للتنبؤ البيانات. واسمحوا لي أن أقدم لكم مقدمة موجزة عن أريما. أنا win8217t الذهاب إلى التفاصيل التقنية ولكن يجب أن نفهم هذه المفاهيم بالتفصيل إذا كنت ترغب في تطبيقها على نحو أكثر فعالية. أريما لتقف على المتوسطات المتحركة المتكاملة الانحدار التلقائي. التنبؤ أريما لسلسلة زمنية ثابتة ليست سوى خطية (مثل الانحدار الخطي) المعادلة. تعتمد المتنبئات على المعلمات (p، d، q) من نموذج أريما: عدد المصطلحات أر (أوتو-ريجرسيف) (p): مصطلحات أر هي مجرد تباطؤ للمتغير التابع. على سبيل المثال إذا كان p هو 5، فإن التنبؤات ل x (t) ستكون x (t-1) 8230.x (t-5). عدد المصطلحات (المتوسط ​​المتحرك) (m): تخطئ شروط ما من الأخطاء المتوقعة في معادلة التنبؤ. على سبيل المثال، إذا كان q هو 5، تكون التنبؤات x (t) e (t-1) 8230.e (t-5) حيث e (i) هو الفرق بين المتوسط ​​المتحرك والحظة الفورية والقيمة الفعلية. عدد الاختلافات (د): هذه هي عدد الاختلافات غير الموسمية، أي في هذه الحالة أخذنا فرق الترتيب الأول. لذلك إما أن نتمكن من تمرير هذا المتغير ووضع d0 أو تمرير المتغير الأصلي ووضع d1. كلاهما سيولد نفس النتائج. أهمية هامة هنا هو كيفية تحديد قيمة 8216p8217 و 8216q8217. نحن نستخدم قطعتين لتحديد هذه الأرقام. دعونا نناقشها أولا. دالة الترابط الذاتي (أسف): هو مقياس للارتباط بين تيسي مع نسخة متأخرة من نفسها. على سبيل المثال في تأخر 5، سوف أسف مقارنة سلسلة في الوقت لحظة 8216t1821782308217t28217 مع سلسلة في لحظة 8216t1-5821782308217t2-58217 (t1-5 و t2 كنقاط نهاية). وظيفة الترابط الذاتي الجزئي (باسف): يقيس هذا العلاقة بين تيسي مع نسخة متأخرة من نفسها ولكن بعد إزالة الاختلافات التي سبق شرحها من خلال المقارنات المتداخلة. على سبيل المثال في التأخر 5، فإنه سيتم التحقق من الارتباط ولكن إزالة الآثار التي سبق شرحها من قبل التأخر 1 إلى 4. المؤامرات أسف و باسف ل تيسي بعد الاختلاف يمكن رسمها على النحو التالي: في هذه المؤامرة، خطين منقطة على جانبي 0 هي ثورات الثقة. ويمكن استخدام هذه القيم لتحديد قيم 8216p8217 و 8216q8217 على النحو التالي: p 8211 قيمة التأخر حيث يعبر مخطط باسف عن فترة الثقة العليا للمرة الأولى. إذا لاحظت عن كثب، في هذه الحالة p2. q 8211 قيمة التأخر حيث يعبر مخطط أسف عن فاصل الثقة العلوي للمرة الأولى. إذا لاحظت عن كثب، في هذه الحالة Q2. الآن، يتيح جعل 3 نماذج مختلفة أريما النظر في الآثار الفردية وكذلك مجتمعة. وسوف أيضا طباعة رسس لكل. يرجى ملاحظة أن هنا رسس هو لقيم المتبقية وليس سلسلة الفعلية. نحن بحاجة إلى تحميل نموذج أريما أولا: يمكن تحديد قيم p، d، q باستخدام وسيطة ترتيب أريما التي تأخذ تابل (p، d، q). دعونا نموذج الحالات 3: نموذج مجتمعة هنا يمكننا أن نرى أن أر و ما نماذج تقريبا نفس رسس ولكن جنبا إلى جنب هو أفضل بكثير. والآن، نترك خطوة واحدة أخيرة، أي إعادة هذه القيم إلى النطاق الأصلي. إعادته إلى المقياس الأصلي نظرا لأن النموذج المدمج أعطى أفضل نتيجة، فإنه يتيح إعادة قياسه إلى القيم الأصلية ومعرفة مدى أدائه الجيد. الخطوة الأولى ستكون لتخزين النتائج المتوقعة كسلسلة منفصلة ومراقبة ذلك. لاحظ أن هذه تبدأ من 82161949-02-018217 وليس الشهر الأول. لماذا هذا لأننا أخذت تأخر من 1 والعنصر الأول doesn8217t لديها أي شيء قبل أن يطرح من. الطريقة لتحويل الفرق إلى مقياس السجل هو إضافة هذه الاختلافات على التوالي إلى رقم الأساس. طريقة سهلة للقيام بذلك هي أولا تحديد المجموع التراكمي في الفهرس ومن ثم إضافته إلى رقم الأساس. يمكن العثور على المبلغ التراكمي على النحو التالي: يمكنك أن تفعل بسرعة بعض الظهر من حسابات العقل باستخدام الإخراج السابق للتحقق مما إذا كانت صحيحة. التالي we8217ve لإضافتها إلى رقم القاعدة. لهذا يتيح إنشاء سلسلة مع جميع القيم كرقم قاعدة وإضافة الاختلافات إليها. ويمكن القيام بذلك على النحو التالي: هنا العنصر الأول هو رقم قاعدة نفسه، ومن ذلك القيم تضاف تراكمي. الخطوة الأخيرة هي اتخاذ الأس ومقارنة مع السلسلة الأصلية. وأخيرا لدينا توقعات على النطاق الأصلي. ليس توقعات جيدة جدا أود أن أقول ولكن كنت حصلت على فكرة الحق الآن، وأنا ترك الأمر يصل لك لصقل منهجية أخرى وتقديم حل أفضل. من خلال هذه المقالة لقد حاولت أن أعطيك نهجا معياريا لحل مشكلة سلسلة زمنية. هذا cann8217t قد حان في وقت أفضل كما هو اليوم لدينا داتاك البسيطة التي سوف تحد لك لحل مشكلة مماثلة. ويغطي W8217ve مفاهيم الاستقرارية، وكيفية اتخاذ سلسلة زمنية أقرب إلى ستراتاريتي وأخيرا التنبؤ بقايا. كانت رحلة طويلة و تخطيت بعض التفاصيل الإحصائية التي أشجعكم على الرجوع باستخدام المواد المقترحة. إذا كنت don8217t تريد نسخ ولصق، يمكنك تحميل دفتر إبيثون مع كافة الرموز من مستودعات جيثب بلدي. آمل أن هذه المادة سوف تساعدك على تحقيق حل أول جيد اليوم. كل أفضل اللاعبين هل تحب المقال كيف كان مفيدا في هاكاثون اليوم سوميثينغز يزعجك الذي كنت ترغب في مناقشة أبعد من ذلك لا تتردد في إضافة تعليق و I8217ll يكون أكثر من سعداء لمناقشة. مشاركة هذا: هولت الشتاء (على الأقل نموذج المضافة) هو حالة خاصة من نموذج أريما (نموذج أريما الموسمية). وهذا من شأنه أن يكون أريما (p، d، q) (P، D، Q) حيث تحتوي الأقواس الثانية على التأثيرات الموسمية. وأود أن أوصي أيضا التحقق من أي من العمل روب Hendman8217s على النمذجة أريما، أجد أنه يمكن الوصول إليها للغاية. مرحبا .. شكرا. لمقالة بالمعلومات. أنا متحمس لمعرفة ما يلي: أ) كيف يمكننا تحديد ما يجب أن يكون نلاغس قيمة لاختبار مع لاغاكف أسف (تسلوغديف، nlags20) لاغباكف باسف (تسلوغديف، nlags20، method8217ols8217) ب) كيف يمكننا التنبؤ لنقاط زمنية في المستقبل 12 نقطة زمنية قدما). هل يمكننا استخدام أتباع لا يزال التنبؤات أريماالوغ pd. Series (tslog. ix0، indextslog. index) التوقعات تنبؤات أريمالوغ ARIMAlog. add (بريديكتيونساريماديفكومزوم، fillvalue0) تسلوغ غير متوفر للنقاط المستقبلية. ج) في واحدة من هذه المادة (دروس كاملة على النمذجة سلسلة الوقت في R،) التي أشار إليها، أثناء أداء أدف يقول adf. test (فرق (سجل (إيرباسنجرز))، بديل 8221stationary8221، k0) ما هو k. وكيف يمكننا تحديد قيمة k أثناء إجراء الاختبار .. أثناء أداء أريما: "لوت أريما" (لوغ (إيرباسنجرز)، c (0، 1، 1)، قائمة موسمية (ترتيب c (0، 1، 1 )، الفترة 12))) يمكننا تحديد (p، d، q) من المؤامرات أسف باسف. يرجى توضيح القائمة الموسمية للمعلمات (الترتيب c (0، 1، 1) ما هي القيم التي يجب أن نمر بها في المعلمة الموسمية وكيفية التعرف عليها، وسوف يكون من المفيد أن تقوم بتوجيهها أعلاه. شكرا تحسبا. ارشاي جين يقول: شكرا على الوصول يرجى العثور على إجاباتي أدناه: أ) وبالتالي فإن نلاغس لا يؤثر على قيم الإخراج. أنا فقط يحدد عدد القيم المعروضة. حتى تتمكن من البدء مع عدد قليل، وإذا كنت لا تجد نقطة العبور في غضون ذلك، يمكنك زيادة الحد الأقصى يصل إلى عدد من الملاحظات في البيانات. ب) لدى أريما وظيفة محددة لقيم التنبؤ. المتغير ريسولتساريما هنا هو من نوع أريمازولتس الذي لديه وظيفة التنبؤ. يمكنك التحقق من التفاصيل كما statsmodels. sourceforgedevelgeneratedstatsmodels. tsa. arimamodel. ARMAResults. predict. htmlstatsmodels. tsa. arimamodel. ARMAResults. predict لا تتردد في العودة لي في حال كنت تواجه تحديات في تنفيذ هذا. يمكنك أيضا بدء مؤشر ترابط في منتدى المناقشة التي سوف تسمح المزيد من حرية التعبير أثناء مناقشة ج) إم لا خبرة كبيرة مع R لذلك اسمحوا لي أن أقرأ بناء جملة التعليمات البرمجية. سوء نعود اليكم على هذا. تشيراغ باتيا يقول: مرحبا آرشاي أنا أحاول التنبؤ القيم المستقبلية على نفس البيانات إيرباسنغر ولكن أنا لا تحصل على النتائج الصحيحة. قد أفتقد بعض المعلمات أثناء التنبؤ. الرجاء مساعدتي. أنا عالقة من الماضي 2 أيام. كود بلدي هو: استيراد الباندا كما بد استيراد نومبي كما نب من statsmodels. tsa. arimamodel استيراد أريما استيراد matplotlib. pylab كما بلت data1 pd. readcsv (8216AirPassengers. csv8217) أفغ data18216Passengers 8217 أفغليست (أفغ) ريس pd. Series (أفغ، إنديكسد. توداتيتيمي (data18216Month8217، format8217Y-m8217)) tsnp. log (ريس) تسديف تيسي 8211 ts. shift () tsdiff. dropna (إنبلاسترو) r أريما (تيسي، (2،1،2)) r r. fit (ديسب-1 ) بريد r. predict (start82171961-018242، end82171970-018242) التواريخ pd. daterange (82161961-018242،82171970-018242، freq8217M8217) تواريخ الطباعة التنبؤاتارييمادف pd. Series (بريد، كوبيترو) التنبؤات أريماديفكومسوم التنبؤات ARIMAdiff. cumsum () برياكتيونساريمالوغ pd. Series (ts. ix0) التنبؤات أريماالوغبريدكتيونسARIMAlog. add (بريديكتيونساريمادفكومسوم، fillvalue0) توقعساريما np. exp (بريديكتيونساريمالوغ) plt. plot (ريس) plt. plot (بريديكتيونساريما) plt. title (8216RMSE: .4f8217 np. sqrt (سوم ((بريديكتيونساريما-ts1 ) 2) لين (تيسي))) plt. show () طباعة التنبؤاتاريما. هيد () طباعة ts. head () آرشاي جاين يقول: أنا تخمين أنك قد بدأت موضوع مناقشة منفصل لطلب البحث 8216c8217. يتيح مواصلة النقاش هناك. للآخرين الذين 8217re قراءة هذا والمهتمين في استكشاف مزيد من ذلك، يرجى مراجعة هذا الرابط: شكرا آرشاي لهذا الكتابة. ويوصى أيضا بعدم الذهاب للنماذج مجتمعة كما p أمب س المستخدمة معا سوف تبطل تأثيرها على النموذج، وبالتالي فهو إما المتوسط ​​المتحرك أو الارتباط التلقائي جنبا إلى جنب مع الاختلافات، ولكن هنا نموذج مجتمعة أعطى أفضل النتائج. يمكنك الرجاء تصحيح فهم بلدي حول نماذج مجتمعة. يقول آرشاي جين: أنا haven8217t قرأت أن ص 038 ف لا ينبغي الجمع بين. It8217s يبدو في الواقع مكافحة بديهية لأنه إذا كان هذا هو الحال ثم أريما لا ينبغي أن توجد في المقام الأول. يمكنك رمي بعض الضوء على لماذا تعتقدون أنها تلغي تأثير بعضها البعض آيوش كومار سينجا يقول: مرحبا المقال هو أفضل ما هو متاح على سلسلة الوقت مع بيثون مع وصلات خارجية كبيرة جدا بالنسبة لأولئك الذين يريدون أن يفهموا القانون الأساسي وراء أيضا. أود أن أطلب من فضلك إطالة هذه المقالة للتنبؤ بمجموعة البيانات خارج العينة أيضا مع نماذج مختلفة لتصوير أفضل منها كما فعلت للقضاء على الاتجاه (أخذ المتوسط ​​المتداول و إوما). وهذا من شأنه أن يجعل من كل مقالة سلسلة الوقت كاملة. شكرا مقدما. يقول آرشاي جين: مرحبا أيوش شكرا على ملاحظاتك القيمة. نعم أعتقد أن هذا المكون ضروري. ولكن بدلا من تمديد هذه المقالة، I8217ll ربما كتابة وظيفة منفصلة أخذ دراسة حالة أخرى. I8217m قليلا مشقوق لعرض النطاق الترددي ولكن هل يمكن أن نتوقع ذلك في وقت ما في هذا الشهر. لا تنزعج شكرا على المادة الممتازة. لدي 2 توضيحات 1) في الخطوة أمبير إزالة اتجاه الاتجاه، لدي أرقام سلبية. هل يمكن أن تخبرني ما هي التحولات التي يمكنني تطبيقها. سجل و سرت يعود نان 2) أيضا، تستستاتيوناريتي (تسلوغديكومبوس، nlags10) أثناء تنفيذ يحدد نلاغس غير معرفة. شكرا مقدما. يقول آرشاي جين: شكرا على التواصل. فيما يتعلق الاستفسارات الخاصة بك: 1. يمكنك محاولة توسيع القيم الخاصة بك ومن ثم تطبيق التحولات. أيضا، قد ترغب في التحقق مما إذا كان تحويل السجل مطلوب فعليا في حالتك. يمكنك محاولة جذر مكعب كذلك. 2. الرجاء إزالة الوسيطة نلاغس ثم قم بتشغيل التعليمات البرمجية. I8217ve تحديث التعليمات البرمجية أعلاه كذلك. سوف ويلش يقول: المادة لطيفة، كنت نادرا ما نرى هذا النطاق من النماذج التي نوقشت في مكان واحد وفي مثل هذه التدريب العملي على الطريق. لأي شخص يفعل التحلل الموسمية في بايثون، I8217d ترغب في بلا خجل توصيل بلدي حزمة الموسمية (بيبي أو جيثوبويلشيسونال) بالإضافة إلى ستاتسموديلز سيسونالدكومبوس. الموسمية يوفر بعض الاحتمالات أكثر ثراء وأكثر قوة ديترندينغ، وسوف يقدر أيضا نموذج 8217s دورية بالنسبة لك (مريحة في وضع ديف-أوبس مع الآلاف من تيارات في متناول اليد). ويشمل أيضا فترة زمنية قوية لتصور الدوريات في البيانات الخاصة بك. يقول آرشاي جين: شكرا لمشاركتك مكتبتك. It8217ll تكون مفيدة للجميع. ساتيا تشاندو يقول: هذا هو بلوق جيدة جدا ومفيدة جدا. يمكنني متابعة العملية برمتها. ولكن لم أفهم كيفية التنبؤ لمدة 12 شهرا القادمة من القيمة الأخيرة. في الحالة الحالية القيمة الأخيرة هي 1960-12، ولست بحاجة للتنبؤ حتى 1961-12 (12 القيم). كيف يمكنني القيام بذلك في التعليمات البرمجية التالية سيكون أمرا رائعا إذا كنت يرجى إضافة هذه العملية وتحديث هذه المقالة. التنبؤات أريماالوغ pd. Series (tslog. ix0، indextslog. index) التوقعات تنبؤات أريماالوغARIMAlog. add (بريديكتيونساريماديفكومزوم، fillvalue0) أولا وقبل كل شيء شكرا لهذا المنصب الرائع. أنا اتباع نهج مماثل للتنبؤ بيانات دقيقة 8217s باستخدام بيانات ساعات سابقة. أنا باستخدام وظيفة التنبؤ في ستاتسموديلز جنبا إلى جنب مع نموذج أريما. حساب P و Q و D باستخدام النهج الذي ذكرته في مشاركتك. ومع ذلك، وأنا تواجه بعض المشاكل: 1. في بعض الأحيان أريما يلقي خطأ ل أر أو ما المعلمة. 2. أريما في الثعبان يأخذ الكثير من الوقت. رمز مماثل في R يستغرق أقل من 30 دقيقة للتنبؤ بيانات أشهر. أنا في عداد المفقودين شيء أو أريما في الثعبان بطبيعتها بطبيعتها 3. أحصل على مل تتلاقى التحذير تقريبا في كل مرة، لماذا هو ذلك. 4. أريما لا تسمح قيمة D أكثر من اثنين، ومع ذلك، في بعض الأحيان أدفولر النتائج في قيمة د أكثر من اثنين. ما يجب القيام به في هذه الحالة. نتطلع إلى اقتراحاتكم. ساتيا تشاندو يقول: هذه المادة مفيدة جدا. حصلت على شك بسيط حول توقعات القيم. كيف يمكنني الحصول على قيم التوقعات من التعليمات البرمجية التالية لنفترض أنني أريد طباعة ل 1 العام المقبل، كيف يمكنني أن أفعل ذلك التنبؤات pal. Series (tslog. ix0، indextslog. index) التنبؤاتيموقع التنبؤات. العلامة. إضافة (التنبؤاتيمعرفةالعلوم، ملءالو 0) شانتانو ساها يقول: شكرا لك لمثل هذا المنصب مفصل. كنت أتساءل ما إذا كانت البيانات على مستوى البلد كيف يمكننا التعامل مع هذه البيانات سلسلة الوقت ثم لهذا الخط رمز: البيانات pd. readcsv (8216AirPassengers. csv8217، parsedates8217Month8217، indexcol8217Month8217، ديتيبارسيرداتيبارس) هل يعمل حصلت على رسالة خطأ في بلدي أناكوندا بيثون 2.7 لأن بيثون can8217t تحديد 8216Month8217 كقائمة من قيمة العمود الشهر ل بارسياتس المعلمة، لذلك أنا تغيرت إلى 8216Month8217، وهو يعمل. يمكن لأي شخص تأكيد ذلك في بيثون 3 شكرا. يقول مايكل فرانسيس: 8220ValueError: لا يمكن إضافة قيمة لا يتجزأ إلى الطابع الزمني من دون إزاحة.8221 وأظل الحصول على هذا الخطأ كلما كنت تستخدم وظيفة أريما وكنت أتساءل عما إذا كان يمكن أن تخبرني ما هذا يعني وكيف يمكن إصلاحه. إم باستخدام نفس البيانات والخطوات مثل المثال أعلاه. شكرا لهذه المادة العظيمة، وساعد كثيرا لي البدء مع سلسلة زمنية التنبؤ. ماذا ستكون الخطوات الإضافية إذا كنت ترغب في جعل توقعات أكثر دقة وظيفة لطيفة حقا، سؤالي هو كيف سيكون مختلفا سيكون الجزء الثاني من المشكلة إذا كنت لاستخدام متحللة بدلا من ديفيرسينغ للتنبؤ سلسلة زمنية شرياك تيواري يقول: يمكن للشخص يرجى شرح أثناء إنشاء نماذج أريما كنت تستخدم تسلوغ (مجرد سلسلة سجل الوقت) ولكن أثناء حساب رسس كنت تستخدم تسلوغديف. Am i missing something here mayank satnalika says: Hey I8217m a newbie in machine learning and wanted sort out an issue: What type of problems can be classified under time forecasting problem. Many tutorials begin with predicting stock prices for next few days, so is it a time forecast problem. Also is the Bike sharing Demand question from Kaggle a part of time forecasting question as we are given the demand for some dates and we need to predict demand for upcoming days. How to select which model is better one for our data Is there any parameters in data to select models This is literally the BEST article I8217ve ever seen on time-series analysis with Python. Very well explained. I wish the statsmodels documentation was this good (they give you the tools but don8217t show you how to use them). I am very confused about ACF and PACF and how to read the charts to determine the proper P an Q. You concluded that p and q are both 2 and you mention 8220upper confidence level8221. I don8217t see the lines crossing the upper-confidence level dashed line at point 2 in ACF or PACF. Is this a typo If not a typo, can you explain I wonder what your thoughts are on doing a decomposition, then performing ARIMA forecasting on each component (trend, seasonality, residual), then re-scaling back. Is this a sound methodapproach I did this and the prediction line looks like what I8217d expect. I8217m just wondering if this is a common practice. Hi Aarshey. great article. I have tested the code and working fine, however, I am not getting the years in X axis, I tried different date parse methods, but no luck. How did you get year values in X axis where as parse method converting Month column as string in Y-m-d format I got confused on many points: 1- we do many transformations to get stationarity data and every transformation we get data with good stationarity and on the example, you got the best stationary after applying the Decomposing, then why did you use the tslogdiff and tslog data with ACF, PACF and ARIMA instead of using the Decomposing data. 2- I did see many styles for ACF and PACF one like continuous graph and another one like pins, which one I should go for it 3- what is the best and easiest way to detect AR and MA by ACF and PACF some tutorials mention about every ARIMA model has a special ACF and PACF pattern and others mention about the intersection between the lags and the confidence upper line 4-is there any way to automate the step of getting the AR and MA instead of trying to investigate the ACF and PACF plots Alex Debie says: thanks alot for the information, i learned a ton. Im just a little confused now that i have this model how to use it to predict the next point in time dwiti basu says: Hi I am getting this error when I am writing the following codes, can anyone help date1 lambda dates: pd. datetime. strptime(dates, 8216Y-m8217) dataset pd. readcsv(8216AirPassangers. csv8217, parsedates8217Month8217, indexcol8217Month8217,dateparserdate1) This is what I am getting: date1 lambda dates: pd. datetime. strptime(dates, 8216Y-m-d8217) dataset pd. readcsv(8216AirPassangers. csv8217, parsedates8217Month8217, indexcol8217Month8217,dateparserdate1) Traceback (most recent call last): File 82208221, line 1, in dataset pd. readcsv(8216AirPassangers. csv8217, parsedates8217Month8217, indexcol8217Month8217,dateparserdate1) File 8220C:Usersdwiti. bAppDataLocalContinuumAnaconda2libsite-packagespandasioparsers. py8221, line 562, in parserf return read(filepathorbuffer, kwds) File 8220C:Usersdwiti. bAppDataLocalContinuumAnaconda2libsite-packagespandasioparsers. py8221, line 315, in r ead parser TextFileReader(filepathorbuffer, kwds) File 8220C:Usersdwiti. bAppDataLocalContinuumAnaconda2libsite-packagespandasioparsers. py8221, line 645, in init self. makeengine(self. engine) File 8220C:Usersdwiti. bAppDataLocalContinuumAnaconda2libsite-packagespandasioparsers. py8221, line 799, in makeengine self. engine CParserWrapper(self. f, self. options) File 8220C:Usersdwiti. bAppDataLocalContinuumAnaconda2libsite-packagespandasioparsers. py8221, line 1202, in init ParserBase. init(self, kwds) File 8220C:Usersdwiti. bAppDataLocalContinuumAnaconda2libsite-packagespandasioparsers. py8221, line 893, in init kwds. pop(8216parsedates8217, False)) File 8220C:Usersdwiti. bAppDataLocalContinuumAnaconda2libsite-packagespandasioparsers. py8221, line 873, in validateparsedatesarg raise TypeError(msg) TypeError: Only booleans, lists, and dictionaries are accepted for the 8216parsedates8217 parameter thank you for this post. however do you have any tutorials on stock price prediction using artificial neural networksMoving average and exponential smoothing models As a first step in moving beyond mean models, random walk models, and linear trend models, nonseasonal patterns and trends can be extrapolated using a moving-average or smoothing model. الافتراض الأساسي وراء المتوسطات ونماذج التمهيد هو أن السلاسل الزمنية ثابتة محليا بمتوسط ​​متغير ببطء. وبالتالي، فإننا نأخذ متوسطا متحركا (محلي) لتقدير القيمة الحالية للمتوسط ​​ومن ثم استخدامه كمؤشر للمستقبل القريب. ويمكن اعتبار ذلك بمثابة حل توفيقي بين النموذج المتوسط ​​ونموذج المشي العشوائي بدون الانجراف. ويمكن استخدام نفس الاستراتيجية لتقدير الاتجاه المحلي واستقراءه. وعادة ما يطلق على المتوسط ​​المتحرك نسخة كوتسموثيدكوت من السلسلة الأصلية لأن المتوسط ​​على المدى القصير له تأثير على إزالة المطبات في السلسلة الأصلية. من خلال تعديل درجة التمهيد (عرض المتوسط ​​المتحرك)، يمكننا أن نأمل في ضرب نوع من التوازن الأمثل بين أداء المتوسط ​​و نماذج المشي العشوائي. أبسط نوع من نموذج المتوسط ​​هو. المتوسط ​​المتحرك البسيط (بالتساوي المرجح): تقدر قيمة قيمة Y في الوقت t1 التي يتم إجراؤها في الوقت t بالمتوسط ​​البسيط لآخر ملاحظات m: (هنا وفي مكان آخر سأستخدم الرمز 8220Y-hat8221 للوقوف للتنبؤ بالسلسلة الزمنية Y التي أجريت في أقرب موعد ممكن من قبل نموذج معين.) ويتركز هذا المتوسط ​​في الفترة t - (m1) 2، مما يعني أن تقدير المتوسط ​​المحلي سوف تميل إلى التخلف عن صحيح قيمة المتوسط ​​المحلي بنحو (m1) فترتين. وبالتالي، نقول أن متوسط ​​عمر البيانات في المتوسط ​​المتحرك البسيط هو (m1) 2 بالنسبة إلى الفترة التي يتم فيها احتساب التوقعات: هذا هو مقدار الوقت الذي تميل التنبؤات إلى التخلف عن نقاط التحول في البيانات . على سبيل المثال، إذا كنت تقوم بحساب متوسط ​​القيم الخمس الأخيرة، فإن التوقعات ستكون حوالي 3 فترات متأخرة في الاستجابة لنقاط التحول. ويلاحظ أنه في حالة M1، فإن نموذج المتوسط ​​المتحرك البسيط (سما) يساوي نموذج المشي العشوائي (بدون نمو). وإذا كانت m كبيرة جدا (مماثلة لطول فترة التقدير)، فإن نموذج سما يعادل النموذج المتوسط. وكما هو الحال مع أي معلمة لنموذج التنبؤ، من العرفي أن تعدل قيمة k من أجل الحصول على أفضل قيمة ممكنة للبيانات، أي أصغر أخطاء التنبؤ في المتوسط. وفيما يلي مثال لسلسلة يبدو أنها تظهر تقلبات عشوائية حول متوسط ​​متغير ببطء. أولا، يتيح محاولة لتناسب ذلك مع نموذج المشي العشوائي، وهو ما يعادل متوسط ​​متحرك بسيط من 1 مصطلح: نموذج المشي العشوائي يستجيب بسرعة كبيرة للتغيرات في هذه السلسلة، ولكن في ذلك يفعل ذلك يختار الكثير من كوتنويسكوت في البيانات (التقلبات العشوائية) وكذلك كوتسيغنالكوت (المتوسط ​​المحلي). إذا حاولنا بدلا من ذلك متوسط ​​متحرك بسيط من 5 مصطلحات، نحصل على مجموعة أكثر سلاسة من التوقعات: المتوسط ​​المتحرك البسيط لمدة 5 سنوات ينتج أخطاء أقل بكثير من نموذج المشي العشوائي في هذه الحالة. متوسط ​​عمر البيانات في هذه التوقعات هو 3 ((51) 2)، بحيث تميل إلى التخلف عن نقاط التحول بنحو ثلاث فترات. (على سبيل المثال، يبدو أن الانكماش قد حدث في الفترة 21، ولكن التوقعات لا تتحول حتى عدة فترات في وقت لاحق). لاحظ أن التوقعات على المدى الطويل من نموذج سما هي خط مستقيم أفقي، تماما كما في المشي العشوائي نموذج. وبالتالي، يفترض نموذج سما أنه لا يوجد اتجاه في البيانات. ومع ذلك، في حين أن التنبؤات من نموذج المشي العشوائي هي ببساطة مساوية للقيمة الملاحظة الأخيرة، والتنبؤات من نموذج سما يساوي المتوسط ​​المرجح للقيم الأخيرة. إن حدود الثقة المحسوبة من قبل ستاتغرافيكس للتنبؤات طويلة الأجل للمتوسط ​​المتحرك البسيط لا تتسع مع زيادة أفق التنبؤ. ومن الواضح أن هذا غير صحيح لسوء الحظ، لا توجد نظرية إحصائية أساسية تخبرنا كيف يجب أن تتسع فترات الثقة لهذا النموذج. ومع ذلك، ليس من الصعب جدا حساب التقديرات التجريبية لحدود الثقة للتنبؤات الأطول أجلا. على سبيل المثال، يمكنك إعداد جدول بيانات سيتم فيه استخدام نموذج سما للتنبؤ بخطوتين إلى الأمام، و 3 خطوات إلى الأمام، وما إلى ذلك ضمن عينة البيانات التاريخية. يمكنك بعد ذلك حساب الانحرافات المعيارية للعينة في كل أفق للتنبؤ، ومن ثم بناء فترات الثقة للتنبؤات الأطول أجلا عن طريق جمع وطرح مضاعفات الانحراف المعياري المناسب. إذا حاولنا متوسط ​​متحرك بسيط لمدة 9 سنوات، نحصل على توقعات أكثر سلاسة وأكثر تأثيرا متخلفا: متوسط ​​العمر هو الآن 5 فترات ((91) 2). إذا أخذنا متوسط ​​متحرك لمدة 19 عاما، فإن متوسط ​​العمر يزيد إلى 10: لاحظ أن التوقعات تتخلف الآن عن نقاط التحول بنحو 10 فترات. أي كمية من التجانس هو الأفضل لهذه السلسلة هنا جدول يقارن إحصاءات الخطأ، بما في ذلك أيضا متوسط ​​3 المدى: نموذج C، المتوسط ​​المتحرك لمدة 5 سنوات، ينتج أقل قيمة رمز بهامش صغير على 3 المتوسطات و 9-المدى، وإحصاءاتهم الأخرى متطابقة تقريبا. لذلك، من بين نماذج مع إحصاءات الخطأ مشابهة جدا، يمكننا أن نختار ما إذا كنا نفضل استجابة أكثر قليلا أو أكثر قليلا نعومة في التوقعات. (العودة إلى أعلى الصفحة.) براونز بسيط الأسي تمهيد (المتوسط ​​المتحرك المرجح أضعافا) نموذج المتوسط ​​المتحرك البسيط المذكورة أعلاه لديه الخاصية غير المرغوب فيها أنه يعامل الملاحظات k الماضية بالتساوي تماما ويتجاهل جميع الملاحظات السابقة. بشكل حدسي، يجب أن يتم خصم البيانات السابقة بطريقة أكثر تدرجية - على سبيل المثال، يجب أن تحصل على الملاحظة الأخيرة أكثر قليلا من الوزن الثاني من أحدث، و 2 أحدث يجب الحصول على وزن أكثر قليلا من 3 أحدث، و هكذا. نموذج التمهيد الأسي بسيط (سيس) يحقق هذا. اسمحوا 945 تدل على كونتسموثينغ كونستانتكوت (عدد بين 0 و 1). طريقة واحدة لكتابة النموذج هو تعريف سلسلة L التي تمثل المستوى الحالي (أي القيمة المتوسطة المحلية) من السلسلة كما يقدر من البيانات حتى الوقت الحاضر. يتم حساب قيمة L في الوقت t بشكل متكرر من قيمته السابقة مثل هذا: وهكذا، فإن القيمة الملساء الحالية هي الاستكمال الداخلي بين القيمة الملساء السابقة والمراقبة الحالية، حيث 945 تسيطر على التقارب من قيمة محرف إلى الأحدث الملاحظة. التوقعات للفترة القادمة هي ببساطة القيمة الملساء الحالية: على نحو مماثل، يمكننا التعبير عن التوقعات القادمة مباشرة من حيث التوقعات السابقة والملاحظات السابقة، في أي من الإصدارات المكافئة التالية. في النسخة الأولى، والتنبؤ هو الاستيفاء بين التوقعات السابقة والملاحظة السابقة: في النسخة الثانية، ويتم الحصول على التوقعات القادمة عن طريق ضبط التوقعات السابقة في اتجاه الخطأ السابق من قبل كمية كسور 945. هو الخطأ المحرز في الوقت t. أما في النسخة الثالثة، فإن التنبؤ هو المتوسط ​​المتحرك المرجح ألسعاره (أي مخفضة) مع عامل الخصم 1- 945: إصدار الاستكمال الداخلي لصيغة التنبؤ هو أبسط الاستخدام إذا كنت تنفذ النموذج على جدول بيانات: خلية واحدة ويحتوي على مراجع الخلية مشيرا إلى التوقعات السابقة، الملاحظة السابقة، والخلية حيث يتم تخزين قيمة 945. لاحظ أنه إذا كان 945 1، فإن نموذج سيس يساوي نموذج المشي العشوائي (بدون نمو). وإذا كان 945 0، فإن نموذج سيس يعادل النموذج المتوسط، على افتراض أن القيمة الملساء الأولى موضوعة تساوي المتوسط. (العودة إلى أعلى الصفحة). يبلغ متوسط ​​عمر البيانات في توقعات التمهيد الأسي البسيط 945 1 بالنسبة للفترة التي يتم فيها حساب التوقعات. (وهذا ليس من المفترض أن يكون واضحا، ولكن يمكن بسهولة أن تظهر من خلال تقييم سلسلة لانهائية). وبالتالي، فإن متوسط ​​المتوسط ​​المتحرك بسيط يميل إلى التخلف عن نقاط التحول بنحو 1 945 فترات. على سبيل المثال، عندما يكون 945 0.5 الفارق الزمني هو فترتين عندما يكون 945 0.2 الفارق الزمني هو 5 فترات عندما يكون 945 0.1 الفارق الزمني هو 10 فترات، وهكذا. وبالنسبة إلى متوسط ​​عمر معين (أي مقدار التأخير)، فإن توقعات التمهيد الأسي البسيط تفوق إلى حد ما توقعات المتوسط ​​المتحرك البسيط (سما) لأنها تضع وزنا أكبر نسبيا على الملاحظة الأخيرة - أي. هو أكثر قليلا كوريبرسونسيفكوت إلى التغييرات التي تحدث في الماضي القريب. على سبيل المثال، نموذج سما مع 9 شروط ونموذج سيس مع 945 0.2 على حد سواء لديها متوسط ​​عمر 5 للبيانات في توقعاتها، ولكن نموذج سيس يضع وزنا أكبر على القيم 3 الماضية مما يفعل نموذج سما وفي في الوقت نفسه فإنه don8217t تماما 8220forget8221 حول القيم أكثر من 9 فترات القديمة، كما هو مبين في هذا المخطط: ميزة أخرى هامة من نموذج سيس على نموذج سما هو أن نموذج سيس يستخدم معلمة تمهيد التي هي متغيرة باستمرار، لذلك يمكن بسهولة الأمثل باستخدام خوارزمية كوتسولفيركوت لتقليل متوسط ​​الخطأ التربيعي. وتبين القيمة المثلى ل 945 في نموذج سيس لهذه السلسلة 0.2961، كما هو مبين هنا: متوسط ​​عمر البيانات في هذا التنبؤ هو 10.2961 3.4 فترات، وهو ما يشبه متوسط ​​المتوسط ​​المتحرك البسيط لمدة 6. والتنبؤات الطويلة الأجل من نموذج الخدمة الاقتصادية والاجتماعية هي خط مستقيم أفقي. كما هو الحال في نموذج سما ونموذج المشي العشوائي دون نمو. ومع ذلك، لاحظ أن فترات الثقة التي يحسبها ستاتغرافيكس الآن تتباعد بطريقة معقولة المظهر، وأنها هي أضيق بكثير من فترات الثقة لنموذج المشي العشوائي. ويفترض نموذج سيس أن المسلسل إلى حد ما يمكن التنبؤ به أكثر من ذلك لا نموذج المشي العشوائي. نموذج سيس هو في الواقع حالة خاصة من نموذج أريما. وبالتالي فإن النظرية الإحصائية لنماذج أريما توفر أساسا سليما لحساب فترات الثقة لنموذج سيس. على وجه الخصوص، نموذج سيس هو نموذج أريما مع اختلاف واحد غير منطقي، وهو ما (1) المدى، وليس هناك مصطلح ثابت. والمعروف باسم كوتاريما (0،1،1) نموذج دون كونستانتكوت. معامل ما (1) في نموذج أريما يتوافق مع الكمية 1- 945 في نموذج سيس. على سبيل المثال، إذا كنت تناسب نموذج أريما (0،1،1) دون ثابت لسلسلة تحليلها هنا، فإن ما المقدرة (1) معامل تبين أن يكون 0.7029، وهو تقريبا تقريبا واحد ناقص 0.2961. ومن الممكن إضافة افتراض اتجاه خطي ثابت غير صفري إلى نموذج سيس. للقيام بذلك، مجرد تحديد نموذج أريما مع اختلاف واحد نونسونالونال و ما (1) المدى مع ثابت، أي أريما (0،1،1) نموذج مع ثابت. وعندئذ سيكون للتنبؤات الطويلة الأجل اتجاه يساوي متوسط ​​الاتجاه الذي لوحظ خلال فترة التقدير بأكملها. لا يمكنك القيام بذلك بالتزامن مع التعديل الموسمية، لأن خيارات التعديل الموسمية يتم تعطيل عند تعيين نوع النموذج إلى أريما. ومع ذلك، يمكنك إضافة اتجاه أسي ثابت على المدى الطويل إلى نموذج بسيط الأسي تمهيد (مع أو بدون تعديل موسمي) باستخدام خيار تعديل التضخم في إجراء التنبؤ. ويمكن تقدير معدل كوتينفلاتيونكوت المناسب (نسبة النمو) لكل فترة على أنها معامل الانحدار في نموذج الاتجاه الخطي المجهز بالبيانات بالتزامن مع تحول لوغاريتم طبيعي، أو يمكن أن يستند إلى معلومات مستقلة أخرى تتعلق باحتمالات النمو على المدى الطويل . (العودة إلى أعلى الصفحة). البني الخطي (أي مزدوج) تجانس الأسي نماذج سما ونماذج سيس تفترض أنه لا يوجد أي اتجاه من أي نوع في البيانات (التي عادة ما تكون موافق أو على الأقل ليست سيئة جدا لمدة 1- والتنبؤ بالمتابعة عندما تكون البيانات صاخبة نسبيا)، ويمكن تعديلها لإدراج اتجاه خطي ثابت كما هو مبين أعلاه. ماذا عن الاتجاهات على المدى القصير إذا كانت سلسلة يعرض معدل نمو متفاوت أو نمط دوري الذي يبرز بوضوح ضد الضوضاء، وإذا كان هناك حاجة للتنبؤ أكثر من 1 فترة المقبلة، ثم قد يكون تقدير الاتجاه المحلي أيضا قضية. ويمكن تعميم نموذج التمهيد الأسي البسيط للحصول على نموذج تمهيد أسي خطي (ليس) يحسب التقديرات المحلية لكل من المستوى والاتجاه. أبسط نموذج الاتجاه المتغير بمرور الوقت هو نموذج تمهيد الأسي الخطي براون، والذي يستخدم سلسلتين مختلفتين تمهيدهما تتمركزان في نقاط مختلفة من الزمن. وتستند صيغة التنبؤ إلى استقراء خط من خلال المركزين. (ويمكن مناقشة الشكل الأكثر تطورا من هذا النموذج، هولت 8217s أدناه). ويمكن التعبير عن شكل جبري من نموذج التجانس الأسي الخطي البني 8217s، مثل نموذج التجانس الأسي البسيط، في عدد من الأشكال المختلفة ولكن المكافئة. وعادة ما يعبر عن الشكل المعياري للنموذج من هذا النموذج على النحو التالي: اسمحوا S تدل على سلسة سلسة السلسلة التي تم الحصول عليها عن طريق تطبيق تمهيد الأسي بسيط لسلسلة Y. وهذا هو، يتم إعطاء قيمة S في الفترة t من قبل: (أذكر أنه تحت بسيطة الأسفل، وهذا سيكون التنبؤ ل Y في الفترة t1.) ثم اسمحوا سكوت تدل على سلسلة مضاعفة مضاعفة التي تم الحصول عليها من خلال تطبيق التمهيد الأسي بسيطة (باستخدام نفس 945) لسلسلة S: وأخيرا، والتوقعات ل تك تك. عن أي kgt1، تعطى بواسطة: هذه الغلة e 1 0 (أي الغش قليلا، والسماح للتوقعات الأولى تساوي الملاحظة الأولى الفعلية)، و e 2 Y 2 8211 Y 1. وبعد ذلك يتم توليد التنبؤات باستخدام المعادلة أعلاه. وهذا يعطي نفس القيم المجهزة كالصيغة المستندة إلى S و S إذا كانت الأخيرة قد بدأت باستخدام S 1 S 1 Y 1. يستخدم هذا الإصدار من النموذج في الصفحة التالية التي توضح مجموعة من التجانس الأسي مع التعديل الموسمية. هولت 8217s الخطي الأسي تمهيد البني 8217s نموذج ليس يحسب التقديرات المحلية من المستوى والاتجاه من خلال تمهيد البيانات الأخيرة، ولكن حقيقة أنه يفعل ذلك مع معلمة تمهيد واحد يضع قيدا على أنماط البيانات التي هي قادرة على تناسب: المستوى والاتجاه لا يسمح لها أن تختلف بمعدلات مستقلة. ويعالج نموذج هولت 8217s ليس هذه المسألة عن طريق تضمين اثنين من الثوابت تمهيد، واحدة للمستوى واحد للاتجاه. في أي وقت t، كما هو الحال في نموذج Brown8217s، هناك تقدير ل t من المستوى المحلي وتقدير t ر للاتجاه المحلي. وهنا يتم حسابها بشكل متكرر من قيمة Y الملاحظة في الوقت t والتقديرات السابقة للمستوى والاتجاه من خلال معادلتين تنطبقان على تمهيد أسي لها بشكل منفصل. وإذا كان المستوى المقدر والاتجاه في الوقت t-1 هما L t82091 و T t-1. على التوالي، فإن التنبؤ ب Y تشي الذي كان سيجري في الوقت t-1 يساوي L t-1 T t-1. وعند ملاحظة القيمة الفعلية، يحسب التقدير المحدث للمستوى بصورة متكررة بالاستكمال الداخلي بين Y تشي وتوقعاته L t-1 T t-1 باستعمال أوزان 945 و1-945. والتغير في المستوى المقدر، وهي L t 8209 L t82091. يمكن تفسيرها على أنها قياس صاخبة للاتجاه في الوقت t. ثم يتم حساب التقدير المحدث للاتجاه بشكل متكرر عن طريق الاستكمال الداخلي بين L t 8209 L t82091 والتقدير السابق للاتجاه T t-1. وذلك باستخدام أوزان 946 و 1-946: تفسير ثابت ثابت تمهيد 946 مماثل لتلك التي من ثابت مستوى تمهيد 945. نماذج ذات قيم صغيرة من 946 نفترض أن الاتجاه يتغير ببطء شديد مع مرور الوقت، في حين أن النماذج مع أكبر 946 تفترض أنها تتغير بسرعة أكبر. ويعتقد نموذج مع كبير 946 أن المستقبل البعيد غير مؤكد جدا، لأن الأخطاء في تقدير الاتجاه تصبح مهمة جدا عند التنبؤ أكثر من فترة واحدة المقبلة. (العودة إلى أعلى الصفحة). ويمكن تقدير ثوابت التنعيم 945 و 946 بالطريقة المعتادة من خلال تقليل الخطأ المتوسط ​​التربيعي للتنبؤات ذات الخطوة الأولى. عندما يتم ذلك في ستاترافيكس، وتظهر التقديرات إلى أن 945 0.3048 و 946 0.008. القيمة الصغيرة جدا 946 تعني أن النموذج يفترض تغير طفيف جدا في الاتجاه من فترة إلى أخرى، وذلك أساسا هذا النموذج هو محاولة لتقدير الاتجاه على المدى الطويل. وبالمقارنة مع فكرة متوسط ​​عمر البيانات المستخدمة في تقدير المستوى المحلي للسلسلة، فإن متوسط ​​عمر البيانات المستخدمة في تقدير الاتجاه المحلي يتناسب مع 1 946، وإن لم يكن يساويها بالضبط . في هذه الحالة تبين أن تكون 10.006 125. هذا هو 8217t عدد دقيق جدا بقدر دقة تقدير 946 isn8217t حقا 3 المنازل العشرية، ولكن من نفس الترتيب العام من حيث حجم العينة من 100، لذلك هذا النموذج هو المتوسط ​​على مدى الكثير جدا من التاريخ في تقدير هذا الاتجاه. ويبين مخطط التنبؤ الوارد أدناه أن نموذج ليس يقدر اتجاه محلي أكبر قليلا في نهاية السلسلة من الاتجاه الثابت المقدر في نموذج سيترند. كما أن القيمة التقديرية ل 945 تكاد تكون مطابقة لتلك التي تم الحصول عليها من خلال تركيب نموذج سيس مع أو بدون اتجاه، لذلك هذا هو تقريبا نفس النموذج. الآن، هل هذه تبدو وكأنها توقعات معقولة لنموذج من المفترض أن يكون تقدير الاتجاه المحلي إذا كنت 8220eyeball8221 هذه المؤامرة، يبدو كما لو أن الاتجاه المحلي قد تحولت إلى أسفل في نهاية السلسلة ما حدث المعلمات من هذا النموذج قد تم تقديرها من خلال تقليل الخطأ المربعة للتنبؤات 1-خطوة إلى الأمام، وليس التنبؤات على المدى الطويل، في هذه الحالة لا يوجد 8217t الاتجاه الكثير من الفرق. إذا كان كل ما كنت تبحث في 1-خطوة قبل الأخطاء، كنت لا ترى الصورة الأكبر للاتجاهات أكثر (مثلا) 10 أو 20 فترات. من أجل الحصول على هذا النموذج أكثر في تناغم مع استقراء العين مقلة العين من البيانات، يمكننا ضبط ثابت الاتجاه تجانس يدويا بحيث يستخدم خط الأساس أقصر لتقدير الاتجاه. على سبيل المثال، إذا اخترنا تعيين 946 0.1، ثم متوسط ​​عمر البيانات المستخدمة في تقدير الاتجاه المحلي هو 10 فترات، وهو ما يعني أننا متوسط ​​متوسط ​​الاتجاه على مدى تلك الفترات 20 الماضية أو نحو ذلك. Here8217s ما مؤامرة توقعات يبدو وكأننا وضعنا 946 0.1 مع الحفاظ على 945 0.3. هذا يبدو معقولا بشكل حدسي لهذه السلسلة، على الرغم من أنه من المحتمل أن يستقضي هذا الاتجاه أي أكثر من 10 فترات في المستقبل. ماذا عن إحصائيات الخطأ هنا هو مقارنة نموذج للنموذجين المبينين أعلاه وكذلك ثلاثة نماذج سيس. القيمة المثلى 945. لنموذج سيس هو تقريبا 0.3، ولكن يتم الحصول على نتائج مماثلة (مع استجابة أكثر قليلا أو أقل، على التوالي) مع 0.5 و 0.2. (A) هولتس الخطي إكس. تمهيد مع ألفا 0.3048 وبيتا 0.008 (B) هولتس الخطية إكس. تمهيد مع ألفا 0.3 و بيتا 0.1 (C) تمهيد الأسي بسيطة مع ألفا 0.5 (D) تمهيد الأسي بسيط مع ألفا 0.3 (E) بسيطة الأسي تمهيد مع ألفا 0.2 احصائياتهم متطابقة تقريبا، لذلك نحن حقا يمكن 8217t جعل الاختيار على أساس من 1-خطوة قبل توقعات الأخطاء داخل عينة البيانات. وعلينا أن نعود إلى الاعتبارات الأخرى. إذا كنا نعتقد اعتقادا قويا أنه من المنطقي أن يستند تقدير الاتجاه الحالي على ما حدث على مدى السنوات ال 20 الماضية أو نحو ذلك، يمكننا أن نجعل من حالة لنموذج ليس مع 945 0.3 و 946 0.1. إذا أردنا أن نكون ملحدين حول ما إذا كان هناك اتجاه محلي، فإن أحد نماذج سيس قد يكون من الأسهل تفسيره، كما سيوفر المزيد من توقعات منتصف الطريق للفترات الخمس أو العشر القادمة. (العودة إلى أعلى الصفحة). أي نوع من الاستقراء هو الأفضل: أدلة أفقية أو خطية تشير إلى أنه إذا تم تعديل البيانات (إذا لزم الأمر) للتضخم، فقد يكون من غير الحكمة استقراء الخطي القصير الأجل الاتجاهات بعيدة جدا في المستقبل. إن الاتجاهات الواضحة اليوم قد تتراجع في المستقبل بسبب أسباب متنوعة مثل تقادم المنتج، وزيادة المنافسة، والانكماش الدوري أو التحولات في صناعة ما. لهذا السبب، تجانس الأسي بسيط غالبا ما يؤدي أفضل من خارج العينة مما قد يكون من المتوقع خلاف ذلك، على الرغم من كوتنيفيكوت الاتجاه الأفقي الاستقراء. وكثيرا ما تستخدم أيضا تعديلات الاتجاه المخففة لنموذج تمهيد الأسي الخطي في الممارسة العملية لإدخال ملاحظة المحافظة على توقعات الاتجاه. ويمكن تطبيق نموذج ليس المائل للاتجاه ليس كحالة خاصة لنموذج أريما، ولا سيما نموذج أريما (1،1،2). ومن الممكن حساب فترات الثقة حول التنبؤات طويلة الأجل التي تنتجها نماذج التمهيد الأسي، من خلال اعتبارها حالات خاصة لنماذج أريما. (حذار: لا تحسب جميع البرامج فترات الثقة لهذه النماذج بشكل صحيح). يعتمد عرض فترات الثقة على (1) خطأ رمز في النموذج، (2) نوع التجانس (بسيط أو خطي) (3) القيمة (ق) من ثابت ثابت (ق) و (4) عدد الفترات المقبلة كنت التنبؤ. بشكل عام، انتشرت الفترات بشكل أسرع مع 945 يحصل أكبر في نموذج سيس وانتشرت بشكل أسرع بكثير عندما يتم استخدام خطية بدلا من تجانس بسيط. ويناقش هذا الموضوع بمزيد من التفصيل في قسم نماذج أريما من الملاحظات. (العودة إلى أعلى الصفحة.)