متوسط توقعات النموذج المتحرك

net. sourceforge. openforecast. models الدرجة موفينغافيراجوديل يعتمد نموذج التنبؤ المتوسط ​​المتحرك على سلسلة زمنية تم إنشاؤها بشكل اصطناعي يتم فيها استبدال القيمة لفترة زمنية معينة بمتوسط ​​تلك القيمة والقيم لبعض الوقت السابق والوقت الذي يليه الفترات. كما كنت قد خمنت من الوصف، وهذا النموذج هو الأنسب لبيانات سلسلة زمنية أي البيانات التي تتغير مع مرور الوقت. على سبيل المثال، العديد من المخططات من الأسهم الفردية في سوق الأسهم تظهر 20، 50، 100 أو 200 يوم المتوسطات المتحركة كوسيلة لإظهار الاتجاهات. وبما أن قيمة التوقعات لأي فترة معينة هي متوسط ​​الفترات السابقة، فإن التنبؤ سيبدو دائما متخلفا عن الزيادة أو النقصان في القيم الملاحظة (المعتمدة). على سبيل المثال، إذا كان لسلسلة البيانات اتجاها تصاعديا ملحوظا، فإن توقعات المتوسط ​​المتحرك سوف توفر عموما قيمة ناقصة لقيم المتغير التابع. وتتميز طريقة المتوسط ​​المتحرك بميزة على نماذج التنبؤ الأخرى حيث أنها تعمل على إزالة القمم والأحواض (أو الوديان) في مجموعة من الملاحظات. ومع ذلك، كما أن لديها العديد من العيوب. على وجه الخصوص هذا النموذج لا ينتج معادلة فعلية. ولذلك، فإنه ليس كل ذلك مفيد كأداة متوسطة المدى التنبؤ المدى. ويمكن استخدامه بشكل موثوق للتنبؤ بفترة أو فترتين في المستقبل. ويمثل نموذج المتوسط ​​المتحرك حالة خاصة للمتوسط ​​المتحرك الأعم المرجح. في المتوسط ​​المتحرك البسيط، تكون جميع الأوزان متساوية. منذ: 0.3 الكاتب: ستيفن R. جولد الحقول الموروثة من الطبقة net. sourceforge. openforecast. models. AbstractForecastingModel موفينغافيريفيوديل () بناء نموذج جديد للتنبؤ المتوسط ​​المتحرك. موفينغافيراجوديل (إنت إنتري) يبني نموذج جديد للتنبؤ المتوسط ​​المتحرك، وذلك باستخدام الفترة المحددة. جيتفوريكاستيب () إرجاع اسم واحد أو اثنين من اسم هذا النوع من نموذج التنبؤ. إينيت (داتاسيت داتاسيت) يستخدم لتهيئة نموذج المتوسط ​​المتحرك. توسترينغ () ينبغي تجاوز ذلك لتوفير وصف نصي لنموذج التنبؤ الحالي بما في ذلك، حيثما أمكن، أي معلمات مشتقة مستخدمة. الأساليب الموروثة من الطبقة net. sourceforge. openforecast. models. WeightedMovingAverageModel موفينغ متوسط ​​العمر المتوسط ​​بناء نموذج جديد للتنبؤ بالمتوسط ​​المتحرك. ولكي يتم إنشاء نموذج صالح، يجب استدعاء إينيت وتمرير مجموعة بيانات تحتوي على سلسلة من نقاط البيانات مع تهيئة متغير الوقت لتحديد المتغير المستقل. موفينغافيراجيموديل يبني نموذج جديد للتنبؤ بالمتوسط ​​المتحرك، باستخدام الاسم المعطى كمتغير مستقل. المعلمات: إنديبندنتفاريابل - اسم المتغير المستقل لاستخدامه في هذا النموذج. موفينغافيراجيموديل يبني نموذج جديد للتنبؤ بالمتوسط ​​المتحرك، باستخدام الفترة المحددة. ولكي يتم إنشاء نموذج صالح، يجب استدعاء إينيت وتمرير مجموعة بيانات تحتوي على سلسلة من نقاط البيانات مع تهيئة متغير الوقت لتحديد المتغير المستقل. وتستعمل قيمة الفترة لتحديد عدد الملاحظات الواجب استعمالها لحساب المتوسط ​​المتحرك. على سبيل المثال، بالنسبة للمتوسط ​​المتحرك لمدة 50 يوما حيث تكون نقاط البيانات هي ملاحظات يومية، يجب تعيين الفترة إلى 50. كما تستخدم الفترة لتحديد مقدار الفترات المستقبلية التي يمكن التنبؤ بها بشكل فعال. مع المتوسط ​​المتحرك لمدة 50 يوما، فإننا لا يمكننا بشكل معقول - مع أي درجة من الدقة - توقعات أكثر من 50 يوما بعد الفترة الأخيرة التي تتوفر البيانات. قد يكون هذا أكثر فائدة من، على سبيل المثال فترة 10 يوما، حيث يمكننا فقط توقع معقول 10 يوما بعد الفترة الماضية. المعلمات: الفترة - عدد الرصدات الواجب استعمالها لحساب المتوسط ​​المتحرك. موفينغافيراجيموديل يبني نموذج جديد للتنبؤ بالمتوسط ​​المتحرك، باستخدام الاسم المعطى كمتغير مستقل والفترة المحددة. المعلمات: إنديبندنتفاريابل - اسم المتغير المستقل لاستخدامه في هذا النموذج. الفترة - عدد الملاحظات التي ستستخدم لحساب المتوسط ​​المتحرك. تستخدم لتهيئة نموذج المتوسط ​​المتحرك. يجب استدعاء هذه الطريقة قبل أي طريقة أخرى في الصف. وبما أن نموذج المتوسط ​​المتحرك لا يستمد أي معادلة للتنبؤ، فإن هذه الطريقة تستخدم داتاسيت المدخلات لحساب قيم التنبؤات لجميع القيم الصحيحة للمتغير الزمني المستقل. تحديد بواسطة: إينيت في الواجهة التنبؤات تجاوزات: إينيت في الصف أبستراكتيمباسيدموديل معلمات: داتاسيت - مجموعة بيانات من الملاحظات التي يمكن استخدامها لتهيئة المعلمات التنبؤ نموذج التنبؤ. جيتفوريكاستيب إرجاع اسم واحد أو اثنين من اسم هذا النوع من نموذج التنبؤ. حافظ على هذا قصير. يجب تنفيذ وصف أطول في أسلوب توسترينغ. وينبغي تجاوز ذلك لتوفير وصف نصي لنموذج التنبؤ الحالي بما في ذلك، حيثما أمكن، أي معلمات مشتقة مستخدمة. تحديد من قبل: توسترينغ في واجهة التنبؤالمواد تجاوز: توسترينغ في فئة ويتدوفينغ أفيراجوديل عوائد: تمثيل سلسلة من نموذج التنبؤ الحالي، ومعلماته. 8.4 نماذج المتوسط ​​المتحرك بدلا من استخدام القيم السابقة للمتغير المتوقع في الانحدار، يستخدم نموذج المتوسط ​​المتحرك أخطاء التنبؤ السابقة في نموذج تشبه الانحدار. y c ثيت e ثيتا e دوتس ثيتا e، وير إت إس وايت نويز. ونشير إلى هذا على أنه نموذج ما (q). بالطبع، نحن لا نلاحظ قيم إت، لذلك فإنه ليس حقا الانحدار بالمعنى المعتاد. لاحظ أن كل قيمة يت يمكن اعتبارها كمتوسط ​​متحرك مرجح لأخطاء التنبؤ القليلة الماضية. ومع ذلك، ينبغي عدم الخلط بين متوسطات النماذج المتحركة مع تمهيد المتوسط ​​المتحرك الذي نوقشاه في الفصل 6. ويستخدم نموذج المتوسط ​​المتحرك للتنبؤ بالقيم المستقبلية بينما يستخدم المتوسط ​​المتحرك للتجانس لتقدير دورة اتجاه القيم السابقة. الشكل 8-6: مثالان للبيانات المستمدة من النماذج المتوسطة المتحركة بمعلمات مختلفة. يسار: ما (1) مع y t 20e t 0.8e t-1. رايت: ما (2) مع y t t - e t-1 0.8e t-2. وفي كلتا الحالتين، يوزع e t عادة الضوضاء البيضاء مع متوسط ​​الصفر والتباين الأول. ويبين الشكل 8.6 بعض البيانات من نموذج ما (1) ونموذج ما (2). تغيير المعلمات theta1، النقاط، نتائج ثيتاق في أنماط سلسلة زمنية مختلفة. كما هو الحال مع نماذج الانحدار الذاتي، والتباين من مصطلح الخطأ وسوف تغير فقط حجم السلسلة، وليس الأنماط. ومن الممكن كتابة أي نموذج أر (p) ثابتة كنموذج ما (إنفتي). على سبيل المثال، باستخدام الاستبدال المتكرر، يمكننا أن نبرهن على ذلك لنموذج أر (1): يبدأ يت أمب phi1y و أمب phi1 (phi1y e) و أمب phi12y phi1 e و أمب phi13y phi12e phi1 e و أمبتكست إند المقدم -1 لوت phi1 لوت 1، فإن قيمة phi1k الحصول على أصغر كما يحصل ك أكبر. حتى في نهاية المطاف نحصل على إيت و phi1 ه phi12 ه phi13 e كدوتس، وهو ما (إنفتي) العملية. النتيجة العكسية تحمل إذا فرضنا بعض القيود على المعلمات ما. ثم يسمى نموذج ما عكسية. وهذا هو، أننا يمكن أن يكتب أي ماه (q) عملية لا يمكن عكسها باعتبارها أر (إنفتي) العملية. نماذج لا تقلب ليست ببساطة لتمكيننا من تحويل نماذج ما إلى نماذج أر. لديهم أيضا بعض الخصائص الرياضية التي تجعلها أسهل للاستخدام في الممارسة العملية. إن قيود العوائق مماثلة لقيود المحطات. للحصول على نموذج ما (1): -1lttheta1lt1. للحصول على نموذج ما (2): -1lttheta2lt1، theta2theta1 غ-1، theta1 - theta2 لوت 1. ظروف أكثر تعقيدا عقد ل qge3. مرة أخرى، سوف R تأخذ الرعاية من هذه القيود عند تقدير النماذج. A مقدمة لطيف لطريقة بوكس ​​جينكينز للتنبؤ سلسلة الوقت نموذج الانحدار المتكامل الانحدار الانحداري، أو أريما لفترة قصيرة هو نموذج إحصائي قياسي لتسلسل السلاسل الزمنية وتحليلها. جنبا إلى جنب مع تطورها، وصندوق المؤلفين وجينكينز تشير أيضا إلى عملية لتحديد وتقدير وفحص نماذج لسلسلة زمنية محددة مجموعة البيانات. ويشار إلى هذه العملية الآن باسم طريقة بوكس-جينكينز. في هذا المنصب، سوف تكتشف طريقة بوكس ​​جينكينز ونصائح لاستخدامها على مشكلة التنبؤ سلسلة الوقت الخاص بك. على وجه التحديد، سوف تتعلم: حول عملية أريما وكيف 3 خطوات من طريقة بوكس ​​جنكينز. أفضل الممارسات الاستدلالية لاختيار q، d، و p نموذج نموذج لنموذج أريما. تقييم النماذج من خلال البحث عن الإفراط في التحميل والأخطاء المتبقية كعملية تشخيصية. Let8217s تبدأ. مقدمة لطيف على طريقة بوكس-جينكينز للتنبؤ بسلسلة زمنية تصوير إريش فرديناند. بعض الحقوق محفوظة. الانحدار الذاتي المتكامل المتوسط ​​المتحرك النموذجي نموذج أريما هو نموذج من النماذج الإحصائية لتحليل وتنبؤ بيانات السلاسل الزمنية. أريما هو اختصار الذي يقف على أوتو R هارجريفيف I نتيغراتد M أوفينغ A أفيراج. وهو تعميم للمتوسط ​​المتحرك البسيط التحرك ويضيف فكرة التكامل. هذا الاختصار هو وصفي، والتقاط الجوانب الرئيسية للنموذج نفسه. باختصار، فهي: أر. أوتوريجريسيون. نموذج يستخدم العلاقة التابعة بين الملاحظة وعدد من الملاحظات المتأخرة. أنا . متكامل . استخدام الاختلاف في الملاحظات الخام (أي طرح ملاحظة من الملاحظة في الخطوة الزمنية السابقة) من أجل جعل السلاسل الزمنية ثابتة. ما. المتوسط ​​المتحرك. نموذج يستخدم التبعية بين الملاحظة والأخطاء المتبقية من نموذج المتوسط ​​المتحرك المطبق على الملاحظات المتأخرة. يتم تحديد كل من هذه المكونات بشكل واضح في النموذج كمعلمة. ويستخدم معيار معياري ل أريما (p، d، q) حيث تستبدل المعلمات بقيم صحيحة للإشارة بسرعة إلى نموذج أريما المحدد المستخدم. وتعرف معلمات نموذج أريما على النحو التالي: p. عدد الملاحظات تأخر المدرجة في النموذج، وتسمى أيضا تأخر النظام. د . عدد المرات التي تختلف فيها الملاحظات الخام، وتسمى أيضا درجة الاختلاف. س. حجم إطار المتوسط ​​المتحرك، ويسمى أيضا ترتيب المتوسط ​​المتحرك. طريقة بوكس-جينكينز تم اقتراح طريقة بوكس-جينكينز من قبل جورج بوكس ​​وجويليم جنكينز في كتابهما الأساسي لعام 1970: تحليل السلاسل الزمنية: التنبؤ والتحكم. يبدأ النهج بافتراض أن العملية التي ولدت السلاسل الزمنية يمكن تقريبها باستخدام نموذج أرما إذا كانت ثابتة أو نموذج أريما إذا كان غير ثابت. تشير الطبعة الخامسة من الكتاب المدرسي لعام 2016 (الجزء الثاني، صفحة 177) إلى العملية باعتبارها نموذجا نموذجيا عشوائيا، وهي نهج تكراري يتكون من الخطوات الثلاث التالية: تحديد الهوية. استخدم البيانات وجميع المعلومات ذات الصلة للمساعدة في تحديد فئة فرعية من النموذج الذي قد يلخص البيانات بشكل أفضل. تقدير. استخدم البيانات لتدريب معلمات النموذج (أي المعاملات). الفحص التشخيصي. تقييم النموذج المجهز في سياق البيانات المتاحة والتحقق من المناطق التي يمكن فيها تحسين النموذج. وهي عملية تكرارية، بحيث يتم اكتساب معلومات جديدة أثناء التشخيص، يمكنك الرجوع إلى الخطوة 1 ودمج ذلك في فئات نموذج جديد. Let8217s نلقي نظرة على هذه الخطوات بمزيد من التفصيل. 1. تحديد يتم تقسيم خطوة تحديد إلى مزيد من إلى: تقييم ما إذا كانت سلسلة زمنية ثابتة، وإذا لم يكن كذلك، كم من الفروق المطلوبة لجعلها ثابتة. تحديد معلمات نموذج أرما للبيانات. 1.1 الاختلاف وفيما يلي بعض النصائح أثناء تحديد الهوية. وحدة اختبارات الجذر. استخدام الاختبارات الجذر وحدة وحدة على السلاسل الزمنية لتحديد ما إذا كان أو لا هو ثابت. كرر بعد كل جولة من الاختلاف. تجنب الاختلاف. ويمكن أن يؤدي اختلاف التسلسل الزمني أكثر مما هو مطلوب إلى إضافة ارتباط متسلسل إضافي وتعقيد إضافي. 1.2 تكوين أر و ما يمكن استخدام اثنين من المؤامرات التشخيصية للمساعدة في اختيار المعلمات p و q من أرما أو أريما. وهي: وظيفة الارتباط الذاتي (أسف). وتلخص المؤامرة ارتباط الملاحظة مع قيم التأخر. ويبين المحور السيني الفارق الزمني ويظهر المحور الصادي معامل الارتباط بين -1 و 1 للارتباط السلبي والإيجابي. وظيفة الترابط الذاتي الجزئي (باسف). وتلخص المؤامرة الارتباطات المتعلقة بملاحظة ذات قيم تأخر لا تحسبها ملاحظات سابقة متأخرة. يتم رسم كل من المؤامرات ومخططات بيانية تبين فترات الثقة 95 و 99 كخطوط أفقية. ولذلك فإن الحانات التي تعبر فترات الثقة هذه أكثر أهمية وتجدر الإشارة إليها. بعض الأنماط المفيدة التي قد تراها على هذه المؤامرات هي: النموذج هو أر إذا كان أسف يتدفق بعد تأخر ولديه قطع الثابت في باسف بعد تأخر. يؤخذ هذا التأخر كقيمة p. النموذج هو ما إذا كان باسف يمر قبالة بعد تأخر ولها قطع الثابت في أسف بعد الفارق الزمني. تؤخذ قيمة التأخير هذه كقيمة q. النموذج هو مزيج من أر و ما إذا كان كل من أسف و باسف درب قبالة. 2. تقدير التقدير ينطوي على استخدام الطرق العددية لتقليل الخسارة أو المدى الخطأ. لن نذهب إلى تفاصيل تقدير معلمات النموذج حيث يتم التعامل مع هذه التفاصيل من قبل المكتبة أو الأداة المختارة. أود أن أوصي بالإشارة إلى كتاب مدرسي لفهم أعمق لمشكلة الأمثل التي يتعين حلها بواسطة نماذج أرما و أريما وطرق التحسين مثل بفغس الذاكرة المحدودة المستخدمة في حلها. 3. الفحص التشخيصي إن فكرة الفحص التشخيصي هي البحث عن دليل على أن النموذج ليس مناسبا للبيانات. هناك مجالان مفيدان للتحقيق في التشخيص هما: 3.1 التحميل الزائد الفحص الأول هو التحقق مما إذا كان النموذج يفرط في جمع البيانات. وبوجه عام، فإن هذا يعني أن النموذج أكثر تعقيدا مما يحتاج إلى أن يلتقط ضوضاء عشوائية في بيانات التدريب. وھذه مشکلة للتنبؤ بالسلاسل الزمنیة لأنھا تؤثر سلبا علی قدرة النموذج علی التعمیم، مما یؤدي إلی ضعف أداء التنبؤ علی البیانات من العینة. ويجب إيلاء اهتمام دقيق للأداء داخل العينة وخارجها على حد سواء، وهذا يتطلب التصميم الدقيق لتسخير اختبار قوي لتقييم النماذج. 3.2 الأخطاء المتبقية توفر المخلفات المتوقعة فرصة كبيرة للتشخيص. ويمكن أن يساعد استعراض توزيع األخطاء على إثارة التحيز في النموذج. الأخطاء من نموذج مثالي تشبه الضوضاء البيضاء، وهذا هو التوزيع غاوس بمتوسط ​​صفر وتناظر متناظرة. لهذا، يمكنك استخدام الكثافة المؤامرات، الرسم البياني، و Q - Q المؤامرات التي تقارن توزيع الأخطاء على التوزيع المتوقع. وقد يوحي التوزيع غير الغوسي بفرصة للمعالجة المسبقة للبيانات. وقد يشير الانحراف في التوزيع أو غير الصفر إلى وجود تحيز في التنبؤات التي قد تكون صحيحة. وبالإضافة إلى ذلك، فإن النموذج المثالي لن يترك أي هيكل زمني في السلاسل الزمنية للمخلفات المتوقعة. ويمكن التحقق من هذه من خلال إنشاء مؤامرات أسف و باسف من سلسلة الوقت الخطأ المتبقية. وجود علاقة ترابطية في الأخطاء المتبقية يشير إلى مزيد من الفرص لاستخدام هذه المعلومات في النموذج. مزيد من القراءة المورد النهائي حول الموضوع هو تحليل السلاسل الزمنية: التنبؤ والتحكم. أود أن أوصي الطبعة الخامسة 2016، وتحديدا الجزء الثاني والفصول 6-10. وفيما يلي بعض القراءات الإضافية التي قد تساعد على فهم فهمك إذا كنت تبحث عن الذهاب أعمق: في هذا المنصب، كنت قد اكتشفت طريقة بوكس ​​جينكينز لتحليل سلسلة زمنية والتنبؤ. على وجه التحديد، تعلمت: حول نموذج أريما والخطوات 3 من طريقة بوكس-جينكينز العامة. كيفية استخدام مؤامرات أسف و باسف لاختيار المعلمات p و q لنموذج أريما. كيفية استخدام التجاوزات والأخطاء المتبقية لتشخيص نموذج أريما مناسبا. هل لديك أي أسئلة حول طريقة بوكس-جينكينز أو هذه الوظيفة طرح أسئلتكم في التعليقات أدناه وسوف أبذل قصارى جهدي للرد. حول جاسون براونلي جاسون هو رئيس تحرير في ماشينلارنينغماستيري. وهو زوج، والد فخور، باحث أكاديمي، مؤلف، مطور محترف وآلة تعلم ممارس. وقد حصل على درجة الماجستير والدكتوراه في الذكاء الاصطناعي، وقد نشر كتبا عن التعلم الآلي وقد كتب مدونة التشغيل التي تعمل في الإنتاج. أعرف أكثر. كيفية نموذج الأخطاء المتبقية لتصحيح توقعات سلسلة الوقت مع بيثون