Exponentielle Glättung erklärt. Kopiere das Copyright. Der Inhalt von InventoryOps ist urheberrechtlich geschützt und steht nicht zur Wiederveröffentlichung zur Verfügung. Wenn die Leute zuerst den Begriff Exponentielle Glättung begegnen, können sie denken, das klingt wie eine Hölle von viel Glättung. Was Glättung ist. Sie fangen dann an, eine komplizierte mathematische Berechnung vorzustellen, die wahrscheinlich einen Grad in der Mathematik erfordert, um zu verstehen, und hoffe, dass es eine eingebaute Excel-Funktion gibt, wenn sie es jemals tun müssen. Die Realität der exponentiellen Glättung ist weit weniger dramatisch und weit weniger traumatisch. Die Wahrheit ist, exponentielle Glättung ist eine sehr einfache Berechnung, die eine ziemlich einfache Aufgabe vollbringt. Es hat nur einen komplizierten Namen, denn was technisch passiert als Ergebnis dieser einfachen Berechnung ist eigentlich ein wenig kompliziert. Um eine exponentielle Glättung zu verstehen, hilft es, mit dem allgemeinen Konzept der Glättung zu beginnen und ein paar andere gängige Methoden, um Glättung zu erreichen. Was ist Glättung Glättung ist ein sehr häufiger statistischer Prozess. In der Tat, wir regelmäßig begegnen geglättete Daten in verschiedenen Formen in unserem täglichen Leben. Jedes Mal, wenn Sie einen Durchschnitt verwenden, um etwas zu beschreiben, verwenden Sie eine geglättete Zahl. Wenn Sie darüber nachdenken, warum Sie einen Durchschnitt verwenden, um etwas zu beschreiben, werden Sie schnell verstehen, das Konzept der Glättung. Zum Beispiel haben wir gerade den wärmsten Winter auf Rekord erlebt. Wie können wir das gut beurteilen? Wir beginnen mit Datensätzen der täglichen Hoch - und Tieftemperaturen für den Zeitraum, in dem wir Winter für jedes Jahr in der aufgezeichneten Geschichte nennen. Aber das lässt uns mit einer Reihe von Zahlen, die um ein bisschen herumspringen (es ist nicht wie jeden Tag dieser Winter war wärmer als die entsprechenden Tage aus allen früheren Jahren). Wir brauchen eine Nummer, die all das aus den Daten springt, so dass wir einen Winter zum nächsten einfacher vergleichen können. Das Entfernen des Sprungs um in den Daten wird als Glättung bezeichnet, und in diesem Fall können wir einfach einen einfachen Durchschnitt verwenden, um die Glättung zu erreichen. Bei der Bedarfsprognose verwenden wir Glättung, um zufällige Variation (Lärm) aus unserer historischen Nachfrage zu entfernen. Dies ermöglicht es uns, die Nachfragemuster besser zu identifizieren (vor allem Trend und Saisonalität) und die Nachfrage, die zur Schätzung der zukünftigen Nachfrage genutzt werden können. Der Lärm in der Nachfrage ist das gleiche Konzept wie das tägliche Springen um die Temperaturdaten. Nicht überraschend, die häufigste Art und Weise Menschen entfernen Lärm aus der Nachfrage Geschichte ist es, eine einfache durchschnittlich genauer, ein gleitender Durchschnitt zu verwenden. Ein gleitender Durchschnitt verwendet einfach eine vordefinierte Anzahl von Perioden, um den Durchschnitt zu berechnen, und diese Perioden bewegen sich, wenn die Zeit vergeht. Zum Beispiel, wenn Im mit einem 4-Monats-gleitenden Durchschnitt, und heute ist der 1. Mai, Im mit einem durchschnittlichen Nachfrage, die im Januar, Februar, März und April aufgetreten. Am 1. Juni werde ich die Nachfrage von Februar, März, April und Mai verwenden. Gewichteter gleitender Durchschnitt Wenn wir einen Durchschnitt verwenden, wenden wir die gleiche Bedeutung (Gewicht) auf jeden Wert im Datensatz an. Im 4-Monats-Gleitender Durchschnitt repräsentierte jeder Monat 25 des gleitenden Durchschnitts. Bei der Verwendung der Nachfrage Geschichte, um zukünftige Nachfrage (und vor allem zukünftige Trend) zu projizieren, ist es logisch, zu dem Schluss zu kommen, dass Sie möchten, dass die jüngste Geschichte einen größeren Einfluss auf Ihre Prognose haben wird. Wir können unsere gleitendurchschnittliche Berechnung anpassen, um verschiedene Gewichte auf jede Periode anzuwenden, um unsere gewünschten Ergebnisse zu erhalten. Wir geben diese Gewichte als Prozentsatz aus, und die Summe aller Gewichte für alle Perioden muss bis zu 100 addieren. Wenn wir also entscheiden, dass wir 35 als das Gewicht für die nächste Periode in unserem 4-Monats-gewichteten gleitenden Durchschnitt anwenden wollen, können wir Subtrahieren Sie 35 von 100, um zu finden, dass wir noch 65 übrig haben, um über die anderen 3 Perioden aufzuteilen. Zum Beispiel können wir mit einer Gewichtung von 15, 20, 30 und 35 für die 4 Monate (15 20 30 35 100) enden. Exponentielle Glättung. Wenn wir wieder auf das Konzept der Anwendung eines Gewichts auf die jüngste Periode (wie etwa 35 im vorigen Beispiel) und die Ausbreitung der restlichen Gewicht (berechnet durch Subtraktion der jüngsten Periode Gewicht von 35 von 100 bis 65), haben wir Die Grundbausteine für unsere exponentielle Glättung. Die Steuerungseingabe der exponentiellen Glättungsberechnung ist als Glättungsfaktor (auch Glättungskonstante genannt) bekannt. Es stellt im Wesentlichen die Gewichtung dar, die auf die jüngste Periode verlangt wird. Also, wo wir 35 als Gewichtung für die jüngste Periode in der gewichteten gleitenden Durchschnittsberechnung verwendet haben, könnten wir auch wählen, 35 als Glättungsfaktor in unserer exponentiellen Glättungsberechnung zu verwenden, um einen ähnlichen Effekt zu erhalten. Der Unterschied zur exponentiellen Glättungsrechnung ist, dass anstelle von uns auch herauszufinden, wie viel Gewicht für jede vorherige Periode gilt, wird der Glättungsfaktor verwendet, um das automatisch zu machen. Also hier kommt der exponentielle Teil. Wenn wir 35 als Glättungsfaktor verwenden, wird die Gewichtung der letzten Periodennachfrage 35 sein. Die Gewichtung der nächsten letzten Perioden verlangt (der Zeitraum vor dem jüngsten) 65 von 35 (65 kommt von der Subtraktion von 35 aus 100). Dies entspricht 22,75 Gewichtung für diesen Zeitraum, wenn Sie die Mathematik machen. Die nächste jüngste Periode verlangt 65 von 65 von 35, was 14,79 entspricht. Die Periode davor wird als 65 von 65 von 65 von 35 gewichtet, was 9,61 entspricht, und so weiter. Und das geht zurück durch alle Ihre vorherigen Perioden den ganzen Weg zurück zum Anfang der Zeit (oder der Punkt, an dem Sie begonnen haben, exponentielle Glättung für dieses bestimmte Element). Du denkst wahrscheinlich, dass das aussieht wie eine ganze Menge Mathe. Aber die Schönheit der exponentiellen Glättung Berechnung ist, dass anstatt zu rechnen, um jede vorherige Periode jedes Mal, wenn Sie eine neue Perioden Nachfrage erhalten, verwenden Sie einfach die Ausgabe der exponentiellen Glättung Berechnung aus der vorherigen Periode, um alle vorherigen Perioden zu repräsentieren. Sind Sie verwirrt, doch wird dies sinnvoller sein, wenn wir uns die tatsächliche Berechnung ansehen. Normalerweise verweisen wir auf die Ausgabe der exponentiellen Glättungsberechnung als nächster Periodenvorhersage. In Wirklichkeit braucht die endgültige Prognose ein wenig mehr Arbeit, aber für die Zwecke dieser spezifischen Berechnung werden wir es als die Prognose verweisen. Die exponentielle Glättungsberechnung ist wie folgt: Die letzten Perioden verlangen multipliziert mit dem Glättungsfaktor. PLUS Die letzten Perioden prognostiziert multipliziert mit (ein Minus der Glättungsfaktor). D in den letzten Perioden verlangt S der Glättungsfaktor, der in Dezimalform dargestellt wird (also 35 wäre als 0,35 dargestellt). F die letzten Perioden prognostiziert (die Ausgabe der Glättungsberechnung aus der vorherigen Periode). ODER (unter der Annahme eines Glättungsfaktors von 0,35) (D 0,35) (F 0,65) Es wird nicht viel einfacher als das. Wie Sie sehen können, alles, was wir für Dateneingaben brauchen, sind hier die jüngsten Periodennachfrage und die letzten Periodenvorhersage. Wir wenden den Glättungsfaktor (Gewichtung) auf die letzten Perioden fordern die gleiche Weise wie wir in der gewichteten gleitenden Durchschnittsberechnung. Wir setzen dann die verbleibende Gewichtung (1 minus der Glättungsfaktor) auf die letzten Periodenvorhersage ein. Da die jüngsten Periodenprognosen auf der Grundlage der vorherigen Periodennachfrage und der vorangegangenen Periodenprognosen erstellt wurden, die auf der Nachfrage nach dem darauffolgenden Zeitraum und der Prognose für den darauffolgenden Zeitraum basierten, der auf der Nachfrage nach dem Vorjahreszeitraum beruhte Das und die Prognose für den Zeitraum vor dem, der auf der Zeit vor diesem basierte. Nun, Sie können sehen, wie alle vorherigen Perioden Nachfrage in der Berechnung vertreten sind, ohne tatsächlich zurückzukehren und etwas neu zu berechnen. Und das ist, was die anfängliche Popularität der exponentiellen Glättung fuhr. Es war nicht, weil es eine bessere Arbeit der Glättung als gewichtet gleitenden Durchschnitt, es war, weil es einfacher war, in einem Computer-Programm zu berechnen. Und weil Sie nicht brauchen, darüber nachzudenken, welche Gewichtung, um vorherige Perioden zu geben oder wie viele vorherige Perioden zu verwenden, wie Sie in gewichteten gleitenden Durchschnitt. Und weil es nur kühler klang als gewichteter gleitender Durchschnitt. In der Tat könnte man argumentieren, dass der gewichtete gleitende Durchschnitt eine größere Flexibilität bietet, da Sie mehr Kontrolle über die Gewichtung der vorherigen Perioden haben. Die Realität ist entweder von diesen können respektable Ergebnisse liefern, also warum nicht mit einfacher und kühler klingen gehen. Exponentielle Glättung in Excel Lets sehen, wie dies tatsächlich in einer Kalkulationstabelle mit realen Daten aussehen würde. Kopiere das Copyright. Der Inhalt von InventoryOps ist urheberrechtlich geschützt und steht nicht zur Wiederveröffentlichung zur Verfügung. In Abbildung 1A haben wir eine Excel-Kalkulationstabelle mit 11 Wochen Nachfrage und eine exponentiell geglättete Prognose, die aus dieser Nachfrage berechnet wird. Ive verwendet einen Glättungsfaktor von 25 (0,25 in Zelle C1). Die aktuelle aktive Zelle ist die Zelle M4, die die Prognose für die Woche 12 enthält. Sie können in der Formelleiste sehen, die Formel ist (L3C1) (L4 (1-C1)). So sind die einzigen direkten Eingaben zu dieser Berechnung die vorherigen Periodenanforderungen (Zelle L3), die vorherigen Periodenvorhersage (Zelle L4) und der Glättungsfaktor (Zelle C1, dargestellt als absolute Zellreferenz C1). Wenn wir eine exponentielle Glättungsberechnung starten, müssen wir den Wert für die 1. Prognose manuell stecken. Also in der Zelle B4, anstatt einer Formel, haben wir nur die Nachfrage aus dem gleichen Zeitraum wie die Prognose eingegeben. In Zelle C4 haben wir unsere 1. exponentielle Glättungsberechnung (B3C1) (B4 (1-C1)). Wir können dann Cell C4 kopieren und in die Zellen D4 bis M4 einfügen, um den Rest unserer Prognosezellen zu füllen. Sie können nun auf eine beliebige Prognosezelle doppelklicken, um zu sehen, dass sie auf den vorherigen Periodenprognosezelle basiert und die vorherigen Perioden die Zelle verlangen. So erbt jede nachfolgende exponentielle Glättungsberechnung die Ausgabe der vorherigen exponentiellen Glättungsberechnung. Das ist, wie jede vorherige Periode Nachfrage in der letzten Periodenberechnung dargestellt wird, obwohl diese Berechnung nicht direkt auf diese vorherigen Perioden verweist. Wenn du Lust haben willst, kannst du Excels Trace Präzedenzfälle nutzen. Um dies zu tun, klicken Sie auf Cell M4, dann auf die Multifunktionsleiste (Excel 2007 oder 2010) klicken Sie auf die Registerkarte Formeln und klicken Sie dann auf Trace Precedents. Es wird die Verbindungslinien auf die 1. Stufe der Präzedenzfälle ziehen, aber wenn du auf Trace Precedents klickst, zieht es Verbindungslinien zu allen vorherigen Perioden, um dir die ererbten Beziehungen zu zeigen. Jetzt sehen wir, welche exponentielle Glättung für uns getan hat. Abbildung 1B zeigt ein Liniendiagramm unserer Nachfrage und Prognose. Sie sehen, wie die exponentiell geglättete Prognose den Großteil der Jaggedness (das Springen um) von der wöchentlichen Nachfrage entfernt, aber immer noch gelingt, dem zu folgen, was ein Aufwärtstrend bei der Nachfrage zu sein scheint. Youll auch bemerken, dass die geglättete Prognoselinie tendenziell niedriger als die Nachfragelinie ist. Dies ist bekannt als Trendverzögerung und ist ein Nebeneffekt des Glättungsprozesses. Jedes Mal, wenn Sie Glättung verwenden, wenn ein Trend vorhanden ist, wird Ihre Prognose hinter dem Trend liegen. Das gilt für jede Glättungstechnik. In der Tat, wenn wir diese Kalkulationstabelle fortsetzen und die Eingabe von niedrigeren Nachfragezahlen (einen Abwärtstrend) einführen würden, würden Sie die Nachfragelinie fallen sehen, und die Trendlinie bewegt sich darüber, bevor sie den Abwärtstrend verfolgt. Thats, warum ich schon erwähnt habe die Ausgabe aus der exponentiellen Glättung Berechnung, die wir eine Prognose nennen, braucht noch etwas mehr Arbeit. Es gibt viel mehr zu prognostizieren als nur Glättung der Beulen in der Nachfrage. Wir müssen zusätzliche Anpassungen für Dinge wie Trend Verzögerung, Saisonalität, bekannte Ereignisse, die die Nachfrage beeinflussen können, etc. Aber alles, was über den Umfang dieses Artikels ist. Sie werden wahrscheinlich auch in Begriffe wie doppel-exponentielle Glättung und dreifach-exponentielle Glättung. Diese Begriffe sind ein bisschen irreführend, da Sie die Nachfrage nicht mehrmals neu beherrschen (Sie könnten, wenn Sie wollen, aber das ist nicht der Punkt hier). Diese Begriffe stellen eine exponentielle Glättung auf zusätzliche Elemente der Prognose dar. Also mit einfacher, exponentieller Glättung glätten Sie die Basisanforderung, aber mit doppelter exponentieller Glättung glätten Sie die Basisanforderung und den Trend und mit der dreifach exponentiellen Glättung glätten Sie die Basisanforderung plus den Trend und die Saisonalität. Die andere am häufigsten gestellte Frage nach exponentieller Glättung ist, wo bekomme ich meinen Glättungsfaktor Es gibt keine magische Antwort hier, du musst verschiedene Glättungsfaktoren mit deinen Bedarfsdaten testen, um zu sehen, was dir die besten Ergebnisse bringt. Es gibt Berechnungen, die den Glättungsfaktor automatisch einstellen und ändern können. Diese fallen unter den Begriff adaptive Glättung, aber Sie müssen vorsichtig mit ihnen sein. Es gibt einfach keine perfekte Antwort, und du solltest keine Berechnungen ohne gründliche Prüfung umsetzen und ein gründliches Verständnis dafür schaffen, was diese Berechnung tut. Sie sollten auch was-if-Szenarien ausführen, um zu sehen, wie diese Berechnungen auf Änderungsänderungen reagieren, die derzeit nicht in den Bedarfsdaten vorhanden sind, die Sie zum Testen verwenden. Das Datenbeispiel, das ich bisher benutzt habe, ist ein sehr gutes Beispiel für eine Situation, in der man wirklich andere Szenarien testen muss. Das besondere Datenbeispiel zeigt einen etwas konsequenten Aufwärtstrend. Viele große Unternehmen mit sehr teuren Prognosesoftware haben sich in der nicht so weit entfernten Vergangenheit in große Schwierigkeiten gebracht, als ihre Software-Einstellungen, die für eine wachsende Wirtschaft gezwickt wurden, nicht gut reagierten, als die Wirtschaft stagnierte oder schrumpfte. Dinge wie diese passieren, wenn Sie nicht verstehen, was Ihre Berechnungen (Software) tatsächlich tut. Wenn sie ihre Prognosesysteme verstanden hätten, hätten sie gewusst, dass sie in den Fall gehen mussten, wenn es plötzliche dramatische Veränderungen in ihrem Geschäft gab. So haben Sie es die Grundlagen der exponentiellen Glättung erklärt. Wollen Sie mehr über die Verwendung von exponentiellen Glättung in einer tatsächlichen Prognose wissen, schauen Sie sich mein Buch Inventory Management Explained. Kopiere das Copyright. Der Inhalt von InventoryOps ist urheberrechtlich geschützt und steht nicht zur Wiederveröffentlichung zur Verfügung. Dave Piasecki Ist Inhaberin der Inventory Operations Consulting LLC. Ein Beratungsunternehmen, das Dienstleistungen im Zusammenhang mit Bestandsführung, Materialhandling und Lagerbetrieb erbringt. Er hat über 25 Jahre Erfahrung im Betriebsmanagement und kann über seine Website (Inventar) erreicht werden, wo er weitere relevante Informationen unterhält. Mein BusinessExponential Moving Average - EMA BREAKING DOWN Exponential Moving Average - EMA Die 12- und 26-Tage-EMAs sind die beliebtesten Kurzzeitdurchschnitte und sie werden verwendet, um Indikatoren wie die gleitende durchschnittliche Konvergenzdivergenz (MACD) und den prozentualen Preis zu schaffen Oszillator (PPO). Im Allgemeinen werden die 50- und 200-Tage-EMAs als Signale von Langzeittrends verwendet. Händler, die technische Analysen verwenden, finden bewegte Durchschnitte sehr nützlich und aufschlussreich, wenn sie richtig angewendet werden, aber schaffen Verwüstung, wenn sie unsachgemäß verwendet oder falsch interpretiert werden. Alle gleitenden Mittelwerte, die üblicherweise in der technischen Analyse verwendet werden, sind ihrer Natur nach hintere Indikatoren. Folglich sollten die Schlussfolgerungen, die aus der Anwendung eines gleitenden Durchschnitts auf eine bestimmte Marktkarte gezogen werden, darin bestehen, eine Marktbewegung zu bestätigen oder ihre Stärke anzugeben. Sehr oft, bis zu der Zeit, in der eine gleitende durchschnittliche Indikatorlinie eine Änderung vorgenommen hat, um einen bedeutenden Marktzugang zu reflektieren, ist der optimale Markteintritt bereits vergangen. Eine EMA dient dazu, dieses Dilemma zu einem gewissen Grad zu lindern. Weil die EMA-Berechnung mehr Gewicht auf die neuesten Daten setzt, umarmt sie die Preisaktion etwas fester und reagiert daher schneller. Dies ist wünschenswert, wenn eine EMA verwendet wird, um ein Handelseingangssignal abzuleiten. Interpretation der EMA Wie alle gleitenden durchschnittlichen Indikatoren sind sie für die Trends in den Märkten besser geeignet. Wenn der Markt in einem starken und anhaltenden Aufwärtstrend ist. Die EMA-Indikatorlinie zeigt auch einen Aufwärtstrend und umgekehrt für einen Down-Trend. Ein wachsamer Trader wird nicht nur auf die Richtung der EMA-Linie achten, sondern auch auf das Verhältnis der Änderungsrate von einem Bar zum nächsten. Zum Beispiel, da die Preiswirkung eines starken Aufwärtstrends beginnt zu glätten und umzukehren, beginnt die EMAs-Änderungsrate von einem Bar zum nächsten zu verkleinern, bis zu diesem Zeitpunkt die Indikatorlinie abflacht und die Änderungsrate Null ist. Wegen der nacheilenden Wirkung, bis zu diesem Punkt, oder sogar ein paar Takte vorher, sollte die Preisaktion bereits umgekehrt sein. Daraus folgt, dass die Beobachtung einer konsequenten Abnahme der Änderungsrate der EMA selbst als Indikator verwendet werden könnte, der dem Dilemma, das durch die nacheilende Wirkung der sich bewegenden Mittelwerte verursacht wurde, weiter entgegenwirken könnte. Gemeinsame Verwendungen der EMA EMAs werden häufig in Verbindung mit anderen Indikatoren verwendet, um signifikante Marktbewegungen zu bestätigen und ihre Gültigkeit zu beurteilen. Für Händler, die intraday und schnell bewegte Märkte handeln, ist die EMA mehr anwendbar. Häufig verwenden Händler EMAs, um eine Handelsvorspannung zu bestimmen. Zum Beispiel, wenn ein EMA auf einer Tageskarte einen starken Aufwärtstrend zeigt, kann eine Intraday-Trader-Strategie sein, nur von der langen Seite auf einem Intraday-Chart zu handeln. Forecasting von Smoothing Techniques Diese Seite ist ein Teil der JavaScript-E-Labs Lernen Objekte für die Entscheidungsfindung. Andere JavaScript in dieser Serie sind unter verschiedenen Anwendungsbereichen im MENU-Bereich auf dieser Seite kategorisiert. Eine Zeitreihe ist eine Folge von Beobachtungen, die rechtzeitig bestellt werden. Inhärent in der Sammlung von Daten über die Zeit genommen ist eine Form der zufälligen Variation. Es gibt Methoden zur Verringerung der Aufhebung der Wirkung durch zufällige Variation. Weit verbreitete Techniken sind Glättung. Diese Techniken zeigen, wenn sie richtig angewendet werden, deutlicher die zugrunde liegenden Trends. Geben Sie die Zeitreihe Row-weise in der Reihenfolge ein, beginnend von der linken oberen Ecke und den Parameter (s), und klicken Sie dann auf die Schaltfläche Berechnen, um eine Vorhersage zu erhalten. Blank Boxen sind nicht in den Berechnungen enthalten, aber Nullen sind. Wenn Sie Ihre Daten eingeben, um von Zelle zu Zelle in der Datenmatrix zu wechseln, benutzen Sie die Tabulatortaste nicht Pfeil oder geben Sie die Tasten ein. Merkmale der Zeitreihen, die durch die Prüfung ihres Graphen aufgedeckt werden könnten. Mit den prognostizierten Werten und dem Residualverhalten, Bedingungsprognosemodellierung. Moving Averages: Moving Averages gehören zu den beliebtesten Techniken für die Vorverarbeitung von Zeitreihen. Sie werden verwendet, um zufälliges weißes Rauschen aus den Daten zu filtern, um die Zeitreihe glatter zu machen oder sogar bestimmte in der Zeitreihe enthaltene Informationskomponenten zu betonen. Exponentielle Glättung: Dies ist ein sehr beliebtes Schema, um eine geglättete Zeitreihe zu produzieren. Während bei fortlaufenden Mitteln die bisherigen Beobachtungen gleich gewichtet werden, weist Exponentialglättung exponentiell abnehmende Gewichte zu, wenn die Beobachtung älter wird. Mit anderen Worten, die jüngsten Beobachtungen werden bei der Prognose relativ viel mehr gegeben als die älteren Beobachtungen. Double Exponential Smoothing ist besser bei der Handhabung von Trends. Triple Exponential Glättung ist besser bei der Behandlung von Parabel Trends. Ein exponentiell gewichteter gleitender Durchschnitt mit einer Glättungskonstante a. Entspricht etwa einem einfachen gleitenden Mittelwert der Länge (d. H. Periode) n, wobei a und n verwandt sind durch: a 2 (n1) OR n (2 - a) a. So würde beispielsweise ein exponentiell gewichteter gleitender Durchschnitt mit einer Glättungskonstante gleich 0,1 etwa einem 19-tägigen gleitenden Durchschnitt entsprechen. Und ein 40-Tage einfacher gleitender Durchschnitt würde etwa einem exponentiell gewichteten gleitenden Durchschnitt entsprechen, wobei eine Glättungskonstante gleich 0,04878 ist. Holts Linear Exponential Glättung: Angenommen, die Zeitreihe ist nicht saisonal, aber zeigt Trend. Holts-Methode schätzt sowohl den aktuellen Level als auch den aktuellen Trend. Beachten Sie, dass der einfache gleitende Durchschnitt ein besonderer Fall der exponentiellen Glättung ist, indem die Periode des gleitenden Durchschnitts auf den ganzzahligen Teil von (2-Alpha) Alpha gesetzt wird. Für die meisten Geschäftsdaten ist ein Alpha-Parameter kleiner als 0,40 oft wirksam. Jedoch kann man eine Gittersuche des Parameterraums mit 0,1 bis 0,9 mit Inkrementen von 0,1 durchführen. Dann hat das beste Alpha den kleinsten Mean Absolute Error (MA Error). Wie man mehrere Glättungsmethoden vergleicht: Obwohl es numerische Indikatoren für die Beurteilung der Genauigkeit der Prognose-Technik gibt, ist der am weitesten verbreitete Ansatz bei der Verwendung visueller Vergleich von mehreren Prognosen, um ihre Genauigkeit zu beurteilen und wählen Sie unter den verschiedenen Vorhersage Methoden. Bei diesem Ansatz muss man auf demselben Graphen die ursprünglichen Werte einer Zeitreihenvariablen und die vorhergesagten Werte aus verschiedenen Prognosemethoden (unter Verwendung von zB Excel) aufzeichnen, wodurch ein visueller Vergleich erleichtert wird. Sie können die vorherigen Prognosen durch Glättungstechniken JavaScript verwenden, um die vergangenen Prognosewerte zu erhalten, die auf Glättungstechniken basieren, die nur einen einzelnen Parameter verwenden. Holt - und Winters-Methoden verwenden zwei bzw. drei Parameter, daher ist es keine leichte Aufgabe, die optimalen oder sogar nahezu optimalen Werte durch Versuche und Fehler für die Parameter auszuwählen. Die einzige exponentielle Glättung unterstreicht die kurzfristige Perspektive, die sie auf die letzte Beobachtung setzt und basiert auf der Bedingung, dass es keinen Trend gibt. Die lineare Regression, die eine kleinste Quadrate zu den historischen Daten passt (oder transformierte historische Daten), repräsentiert die lange Reichweite, die auf dem grundlegenden Trend bedingt ist. Holts lineare exponentielle Glättung erfasst Informationen über den letzten Trend. Die Parameter in Holts-Modell sind Pegel-Parameter, die verringert werden sollten, wenn die Menge der Datenvariation groß ist und der Trends-Parameter erhöht werden sollte, wenn die aktuelle Trendrichtung durch die kausalen Faktoren unterstützt wird. Kurzfristige Prognose: Beachten Sie, dass jedes JavaScript auf dieser Seite eine einstufige Prognose bietet. Um eine zweistufige Prognose zu erhalten. Fügen Sie einfach den prognostizierten Wert dem Ende der Zeitreihendaten hinzu und klicken Sie dann auf dieselbe Schaltfläche Berechnen. Sie können diesen Vorgang für ein paar Mal wiederholen, um die benötigten Kurzzeitprognosen zu erhalten.
No comments:
Post a Comment