- Главная
- Разное
- Дизайн
- Бизнес и предпринимательство
- Аналитика
- Образование
- Развлечения
- Красота и здоровье
- Финансы
- Государство
- Путешествия
- Спорт
- Недвижимость
- Армия
- Графика
- Культурология
- Еда и кулинария
- Лингвистика
- Английский язык
- Астрономия
- Алгебра
- Биология
- География
- Детские презентации
- Информатика
- История
- Литература
- Маркетинг
- Математика
- Медицина
- Менеджмент
- Музыка
- МХК
- Немецкий язык
- ОБЖ
- Обществознание
- Окружающий мир
- Педагогика
- Русский язык
- Технология
- Физика
- Философия
- Химия
- Шаблоны, картинки для презентаций
- Экология
- Экономика
- Юриспруденция
Экспоненциальные методы для анализа временных рядов презентация
Содержание
- 1. Экспоненциальные методы для анализа временных рядов
- 2. Какие задачи могут решаться экспоненциальными методами? сглаживание
- 3. Популярные экспоненциальные методы Одинарный (учитывает предыдущие
- 4. Одинарное экспоненциальное сглаживание (smoothing)
- 5. Пример. Одинарное экспоненциальное сглаживание (α =0.1)
- 6. Пример. Одинарное экспоненциальное сглаживание (α =0.01)
- 7. Разметка трендов с помощью одинарного экспоненциального сглаживания
- 8. Пример. Разметка трендов (α = 0.05)
- 9. Как формально определить тренды?
- 10. Прогнозирование на один шаг вперед с помощью одинарного сглаживания (Single Smoothing Forecast)
- 11. Прогнозирование на несколько шагов вперед (Bootstrap Forecast)
- 12. Пример. Сглаживание на несколько шагов вперед
- 13. Сравнение прогнозирования на один шаг и на несколько шагов
- 14. Одинарное экспоненциальное сглаживание и тренды
- 15. Пример одинарного экспоненциального сглаживания
- 16. Двойное экспоненциальное сглаживание (Double Exponential Smoothing)
- 17. Начальные значения для трендовой компоненты
- 18. Как подобрать подходящие параметры? Оптимальные значения для
- 19. Прогнозирование с двойным экспоненциальным сглаживанием
- 20. Пример
- 21. Результаты сглаживания (и прогнозирования на один шаг)
- 22. Сравнение результатов прогнозирования двойным и одинарным экспоненциальными методами
- 23. Сравнение результатов прогнозирования двойным и одинарным экспоненциальными методами
- 24. Тройное экспоненциальное сглаживание и прогнозирование
- 25. Периодичность L – длина периода (должна быть
- 26. Параметры Все параметры (α, β, ϒ) –
- 27. Начальное значение для трендового компонента
- 28. Начальные значения для индексов сезонности Самая существенная
- 29. Начальные значения для индексов сезонности Самая существенная
- 30. Пример. Возможный вариант расчета индексов сезонности
- 33. Пример (исходные данные)
- 34. Пример (тройное экспоненциальное прогнозирование)
- 35. Пример (три вида экспоненциального прогнозирования)
- 36. Методы экспоненциального сглаживания и прогнозирования доказали
- 37. А что же на эту тему есть
- 38. Задание 2 Создать приложение, позволяющее: Делать
Какие задачи могут решаться экспоненциальными методами? сглаживание временных рядов (smoothing); разметка временных рядов (labeling); краткосрочное и долгосрочное прогнозирование (forecasting); И др.
Слайд 2Какие задачи могут решаться экспоненциальными методами?
сглаживание временных рядов (smoothing);
разметка временных рядов
(labeling);
краткосрочное и долгосрочное прогнозирование (forecasting);
И др.
краткосрочное и долгосрочное прогнозирование (forecasting);
И др.
Слайд 3Популярные экспоненциальные методы
Одинарный (учитывает предыдущие значения с коэффициентами);
Двойной (добавляется учет
трендов);
Тройной (добавляется учет циклов).
Тройной (добавляется учет циклов).
Слайд 10Прогнозирование на один шаг вперед с помощью одинарного сглаживания (Single Smoothing
Forecast)
Слайд 18Как подобрать подходящие параметры?
Оптимальные значения для α и γ могут быть
получены с помощью нелинейной оптимизационной технологии известной под названием Marquardt Algorithm (или Алгоритм Левенберга — Марквардта) либо с использованием самого примитивного перебора c равномерным шагом по сетке в диапазоне [0-1,0-1].
Слайд 25Периодичность
L – длина периода (должна быть определена заранее). Исходные данные должны
содержать как минимум – два периода.
Слайд 26Параметры
Все параметры (α, β, ϒ) – это значения в интервале (0,1).
Подбор параметров можно осуществлять все тем же методом Левенберга — Марквардта
либо перебором по сетке куба [0-1,0-1,0-1].
либо перебором по сетке куба [0-1,0-1,0-1].
Слайд 28Начальные значения для индексов сезонности
Самая существенная деталь – среднее значение всех
сезонных индексов должно быть равно 1. Этот параметр отражает влияние наблюдений внутри периода. Простейший способ расчета начальных значений для сезонных индексов:
Слайд 29Начальные значения для индексов сезонности
Самая существенная деталь – среднее значение всех
сезонных индексов должно быть равно 1. Этот параметр отражает влияние наблюдений внутри периода. Простейший способ расчета начальных значений для сезонных индексов:
Слайд 36
Методы экспоненциального сглаживания и прогнозирования доказали на протяжении многих лет, что
являются очень полезным во многих приложениях, связанных с прогнозированием. Метод впервые был предложен C.Holt в 1957 году и использовался для не сезонных и не трендовых рядов. Позднее (в 1958) C.Holt предложил модификацию с учетом трендов. А затем Winter (1965) обобщил идею с учетом сезонности. Так и появилось название метода Хольта-Винтера…
Слайд 37А что же на эту тему есть в аналитических пакетах СУБД?
Как
ни странно, в аналитических пакетах на сегодняшний день экспоненциальные методы отсутствуют. Они есть только в статистических или data mining – библиотеках.
Слайд 38Задание 2
Создать приложение, позволяющее:
Делать ежедневные прогнозы потребления творога на основе
метода Holt-Winter в разрезе всей сети ресторанов;
Подобрать оптимальные параметры для метода;
для выбранного интервала определять точность прогноза;
Выводить результаты прогнозирования в виде графика и таблицы.
Ссылку на приложение, логин и пароль для входа отправлять по адресу: N.Grafeeva@spbu.ru
Тема - Data_Mining_2016_job2
Подобрать оптимальные параметры для метода;
для выбранного интервала определять точность прогноза;
Выводить результаты прогнозирования в виде графика и таблицы.
Ссылку на приложение, логин и пароль для входа отправлять по адресу: N.Grafeeva@spbu.ru
Тема - Data_Mining_2016_job2
