المرجحة التنبؤ الحركة من المتوسط

المتوسط ​​المتحرك ونماذج التجانس الأسي كخطوة أولى في التحرك خارج النماذج المتوسطة، ونماذج المشي العشوائي، ونماذج الاتجاه الخطي، يمكن استقراء الأنماط والاتجاهات غير التقليدية باستخدام نموذج متحرك أو متوسط. 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.) 3 فهم مستويات وأساليب التنبؤ يمكنك إنشاء توقعات كل من التفاصيل (عنصر واحد) والتنبؤات (خط الإنتاج) التي تعكس أنماط طلب المنتج. ويقوم النظام بتحليل المبيعات السابقة لحساب التوقعات باستخدام 12 طريقة للتنبؤ. وتشمل التوقعات معلومات تفصيلية على مستوى البند ومعلومات أعلى مستوى عن فرع أو الشركة ككل. 3.1 معايير تقييم أداء التوقعات اعتمادا على اختيار خيارات المعالجة وعلى الاتجاهات والأنماط في بيانات المبيعات، فإن بعض أساليب التنبؤ تؤدي أداء أفضل من غيرها بالنسبة لمجموعة بيانات تاريخية معينة. قد لا تكون طريقة التنبؤ المناسبة لمنتج واحد مناسبة لمنتج آخر. قد تجد أن طريقة التنبؤ التي توفر نتائج جيدة في مرحلة واحدة من دورة حياة المنتج لا تزال مناسبة طوال دورة الحياة بأكملها. يمكنك الاختيار بين طريقتين لتقييم الأداء الحالي لطرق التنبؤ: النسبة المئوية للدقة (بوا). متوسط ​​الانحراف المطلق (درهم). تتطلب كل من طرق تقييم الأداء هذه بيانات مبيعات سابقة لفترة تحددها. وتسمى هذه الفترة فترة الانتظار أو فترة من أفضل ملاءمة. وتستخدم البيانات في هذه الفترة كأساس للتوصية باستخدام طريقة التنبؤ في وضع توقعات التوقعات التالية. هذه التوصية خاصة بكل منتج ويمكن أن تتغير من جيل واحد إلى آخر. 3.1.1 أفضل ملاءمة يوصى النظام بأفضل توقعات مناسبة من خلال تطبيق أساليب التنبؤ المختارة على تاريخ طلب المبيعات السابق ومقارنة محاكاة التنبؤ بالتاريخ الفعلي. عندما تقوم بتوليد توقعات أفضل مناسبة، يقارن النظام تواريخ أوامر المبيعات الفعلية للتنبؤات لفترة زمنية محددة ويحسب مدى دقة كل طريقة تنبؤ مختلفة توقعت المبيعات. ثم يوصي النظام التنبؤ الأكثر دقة كما الأنسب. ويوضح هذا الرسم البياني أفضل التنبؤات: الشكل 3-1 أفضل التنبؤات المناسبة يستخدم النظام هذا التسلسل من الخطوات لتحديد أفضل ملاءمة: استخدم كل طريقة محددة لمحاكاة توقعات لفترة الاستبقاء. قارن المبيعات الفعلية بالتنبؤات المحاكية لفترة الاستبعاد. احسب بوا أو ماد لتحديد طريقة التنبؤ التي تتطابق بشكل وثيق مع المبيعات الفعلية السابقة. يستخدم النظام إما بوا أو درهم، استنادا إلى خيارات المعالجة التي تحددها. التوصية بتوقعات أفضل من قبل بوا التي هي الأقرب إلى 100 في المئة (أكثر أو أقل) أو درهم الذي هو الأقرب إلى الصفر. 3.2 طرق التنبؤ جد إدواردز إنتربريسون إدارة التنبؤات تستخدم 12 طريقة للتنبؤ الكمي وتشير إلى الطريقة التي توفر أفضل ملاءمة لحالة التنبؤ. يناقش هذا القسم: الطريقة 1: النسبة المئوية عن العام الماضي. الطريقة الثانية: النسبة المئوية المحسوبة خلال العام الماضي. الطريقة الثالثة: السنة الماضية لهذا العام. الطريقة الرابعة: المتوسط ​​المتحرك. الطريقة 5: التقريب الخطي. الطريقة 6: أقل المربعات الانحدار. الطريقة 7: الدرجة الثانية التقريب. الطريقة الثامنة: الطريقة المرنة. الطريقة التاسعة: المتوسط ​​المتحرك المرجح. طريقة 10: خطي تجانس. طريقة 11: الأسي تمهيد. طريقة 12: الأسي تمهيد مع الاتجاه والموسمية. حدد الطريقة التي تريد استخدامها في خيارات المعالجة لبرنامج توليد التوقعات (R34650). معظم هذه الطرق توفر رقابة محدودة. على سبيل المثال، يمكن تحديد الوزن الذي تم وضعه على البيانات التاريخية الحديثة أو النطاق الزمني للبيانات التاريخية المستخدمة في الحسابات من قبلك. وتشير الأمثلة الواردة في الدليل إلى طريقة الحساب لكل طريقة من طرق التنبؤ المتاحة، بالنظر إلى مجموعة متطابقة من البيانات التاريخية. تستخدم أمثلة الطريقة في الدليل جزءا أو كل مجموعات البيانات هذه، وهي بيانات تاريخية من العامين الماضيين. وتذهب التوقعات المتوقعة إلى العام المقبل. هذه البيانات تاريخ المبيعات مستقرة مع الزيادات الموسمية الصغيرة في شهري يوليو وديسمبر. هذا النمط هو سمة من المنتجات الناضجة التي قد تقترب من التقادم. 3.2.1 الطريقة 1: النسبة المئوية في السنة الماضية تستخدم هذه الطريقة صيغة النسبة المئوية خلال السنة الماضية لمضاعفة كل فترة توقع بنسبة الزيادة أو النقصان المحددة المئوية. للتنبؤ الطلب، وهذا الأسلوب يتطلب عدد من فترات لأفضل صالح بالإضافة إلى سنة واحدة من تاريخ المبيعات. هذه الطريقة مفيدة للتنبؤ بالطلب على الأصناف الموسمية مع النمو أو الانخفاض. 3.2.1.1 مثال: الطريقة الأولى: النسبة المئوية خلال السنة الماضية تضاعف صيغة النسبة المئوية من صيغة العام الماضي بيانات المبيعات عن العام السابق بعامل تحدده ثم المشاريع التي ينتج عنها العام التالي. قد تكون هذه الطريقة مفيدة في وضع الميزانيات لمحاكاة تأثير معدل نمو محدد أو عندما يكون تاريخ المبيعات مكونا موسميا هاما. مواصفات التنبؤ: عامل الضرب. على سبيل المثال، حدد 110 في خيار المعالجة لزيادة بيانات سجل مبيعات السنوات السابقة بنسبة 10٪. سجل المبيعات المطلوب: سنة واحدة لحساب التوقعات، بالإضافة إلى عدد الفترات الزمنية المطلوبة لتقييم أداء التنبؤ (فترات أفضل ملاءمة) التي تحددها. هذا الجدول هو التاريخ المستخدم في حساب التنبؤات: توقعات فبراير تساوي 117 مرة 1.1 128.7 مقربة إلى 129. توقعات مارس تساوي 115 مرة 1.1 126.5 مقربة إلى 127. 3.2.2 الطريقة الثانية: النسبة المئوية المحسوبة خلال السنة الماضية تستخدم هذه الطريقة النسبة المحسوبة صيغة العام الماضي لمقارنة المبيعات السابقة لفترات محددة للمبيعات من نفس الفترات من العام السابق. ويحدد النظام نسبة مئوية من الزيادة أو النقصان، ثم يضاعف كل فترة حسب النسبة المئوية لتحديد التوقعات. للتنبؤ الطلب، وهذا الأسلوب يتطلب عدد من فترات من تاريخ النظام المبيعات بالإضافة إلى سنة واحدة من تاريخ المبيعات. وهذه الطريقة مفيدة للتنبؤ بالطلب على المدى القصير على الأصناف الموسمية مع النمو أو الانخفاض. 3.2.2.1 مثال: الطريقة الثانية: النسبة المئوية المحسوبة خلال السنة الماضية النسبة المئوية المحسوبة خلال صيغة السنة الماضية تضاعف بيانات المبيعات عن السنة السابقة بعامل يحسبه النظام، ثم تقوم بتطوير تلك النتيجة للعام التالي. قد يكون هذا الأسلوب مفيدا في إسقاط تأثير توسيع معدل النمو الأخير للمنتج في العام المقبل مع الحفاظ على نمط موسمي موجود في تاريخ المبيعات. مواصفات التوقعات: مجموعة من تاريخ المبيعات لاستخدامها في حساب معدل النمو. على سبيل المثال، حدد n يساوي 4 في خيار المعالجة لمقارنة سجل المبيعات للفترات الأربع الأخيرة بتلك الفترات الأربع نفسها من العام السابق. استخدام نسبة المحسوبة لجعل الإسقاط للعام المقبل. تاريخ المبيعات المطلوب: سنة واحدة لحساب التوقعات بالإضافة إلى عدد الفترات الزمنية المطلوبة لتقييم أداء التنبؤات (فترات أفضل ملاءمة). هذا الجدول هو التاريخ المستخدم في حساب التوقعات، نظرا ن 4: توقعات فبراير يساوي 117 مرة 0.9766 114.26 مقربة إلى 114. توقعات مارس يساوي 115 مرة 0.9766 112.31 مقربة إلى 112. 3.2.3 الطريقة 3: السنة الماضية لهذا العام يستخدم هذا الأسلوب مبيعات العام الماضي للسنوات المقبلة المتوقع. للتنبؤ الطلب، وهذا الأسلوب يتطلب عدد من فترات أفضل تناسب بالإضافة إلى سنة واحدة من تاريخ النظام المبيعات. هذه الطريقة مفيدة للتنبؤ بالطلب على المنتجات الناضجة مع الطلب على مستوى أو الطلب الموسمي دون اتجاه. 3.2.3.1 مثال: الطريقة الثالثة: السنة الماضية إلى السنة الحالية تقوم صيغة السنة الماضية لهذا العام بنسخ بيانات المبيعات من السنة السابقة إلى السنة التالية. قد تكون هذه الطريقة مفيدة في إعداد الميزانية لمحاكاة المبيعات على المستوى الحالي. المنتج ناضج وليس له أي اتجاه على المدى الطويل، ولكن قد يكون هناك نمط الطلب الموسمي كبير. مواصفات التوقعات: لا شيء. تاريخ المبيعات المطلوب: سنة واحدة لحساب التوقعات بالإضافة إلى عدد الفترات الزمنية المطلوبة لتقييم أداء التنبؤات (فترات أفضل ملاءمة). هذا الجدول هو التاريخ المستخدم في حساب التوقعات: توقعات يناير تساوي يناير من العام الماضي مع قيمة توقعات 128. توقعات فبراير تساوي فبراير من العام الماضي مع قيمة التوقعات 117. توقعات مارس تساوي مارس من العام الماضي مع قيمة التنبؤ 115-4-2-4 الطريقة 4: المتوسط ​​المتحرك تستخدم هذه الطريقة صيغة المتوسط ​​المتحرك لمتوسط ​​العدد المحدد للفترات لعرض الفترة التالية. يجب عليك إعادة حسابها في كثير من الأحيان (شهريا أو على الأقل ربع سنوي) لتعكس تغيير مستوى الطلب. للتنبؤ الطلب، وهذا الأسلوب يتطلب عدد من فترات أفضل تناسب بالإضافة إلى عدد من فترات من تاريخ النظام المبيعات. هذه الطريقة مفيدة للتنبؤ الطلب على المنتجات الناضجة دون الاتجاه. 3.2.4.1 مثال: الطريقة 4: متوسط ​​متوسط ​​الحركة المتحرك (ما) هو طريقة شعبية لتحديد متوسط ​​تاريخ المبيعات الأخير لتحديد إسقاط على المدى القصير. طريقة التنبؤ ما تتخلف عن الاتجاهات. يحدث التحيز التنبؤي والأخطاء المنهجية عندما يظهر تاريخ مبيعات المنتجات اتجاها قويا أو أنماطا موسمية. هذا الأسلوب يعمل بشكل أفضل للتنبؤات قصيرة المدى من المنتجات الناضجة من المنتجات التي هي في مراحل النمو أو التقادم من دورة الحياة. مواصفات التنبؤ: n يساوي عدد الفترات من تاريخ المبيعات لاستخدامها في حساب التوقعات. على سبيل المثال، حدد n 4 في خيار المعالجة لاستخدام أحدث أربع فترات كأساس للتوقعات في الفترة الزمنية التالية. قيمة كبيرة ل n (مثل 12) يتطلب المزيد من المبيعات التاريخ. فإنه يؤدي إلى توقعات مستقرة، ولكن بطيئة في الاعتراف التحولات في مستوى المبيعات. على العكس من ذلك، فإن قيمة صغيرة ل n (مثل 3) هي أسرع للرد على التحولات في مستوى المبيعات، ولكن التوقعات قد تتقلب على نطاق واسع بحيث أن الإنتاج لا يمكن أن تستجيب لهذه الاختلافات. سجل المبيعات المطلوب: n بالإضافة إلى عدد الفترات الزمنية المطلوبة لتقييم أداء التوقعات (فترات تناسب أفضل). هذا الجدول هو التاريخ المستخدم في حساب التوقعات: توقعات فبراير تساوي (114 119 137 125) 4 123.75 مقربة إلى 124. توقعات مارس تساوي (119 137 125 124) 4 126.25 مقربة إلى 126. 3.2.5 الطريقة 5: تقريب خطي هذه الطريقة يستخدم صيغة التقريب الخطي لحساب اتجاه من عدد الفترات من تاريخ أمر المبيعات ولعرض هذا الاتجاه إلى التوقعات. يجب عليك إعادة حساب الاتجاه الشهري للكشف عن التغيرات في الاتجاهات. يتطلب هذا الأسلوب عدد الفترات من أفضل تناسب بالإضافة إلى عدد من فترات محددة من تاريخ أمر المبيعات. وهذه الطريقة مفيدة للتنبؤ بالطلب على منتجات جديدة أو منتجات ذات اتجاهات إيجابية أو سلبية متسقة لا ترجع إلى التقلبات الموسمية. 3.2.5.1 مثال: الطريقة 5: تقريب خطي يحسب التقريب الخطي اتجاه يستند إلى نقطتي بيانات تاريخ المبيعات. وتحدد هاتان النقطتان خط اتجاه مستقيمي متوقع في المستقبل. استخدم هذه الطريقة بحذر لأن التوقعات طويلة المدى تستفيد من التغييرات الصغيرة في نقطتي بيانات فقط. مواصفات التنبؤ: n يساوي نقطة البيانات في تاريخ المبيعات الذي يقارن إلى أحدث نقطة البيانات لتحديد الاتجاه. على سبيل المثال، حدد n 4 لاستخدام الفرق بين ديسمبر (أحدث البيانات) وأغسطس (أربع فترات قبل ديسمبر) كأساس لحساب الاتجاه. الحد الأدنى المطلوب لسجل المبيعات: n زائد 1 بالإضافة إلى عدد الفترات الزمنية المطلوبة لتقييم أداء التنبؤات (الفترات الأكثر ملائمة). هذا الجدول هو التاريخ المستخدم في حساب التوقعات: توقعات كانون الثاني / يناير من العام الماضي 1 (الاتجاه) التي تساوي 137 (1 مرة 2) 139. توقعات شباط / فبراير من العام الماضي 1 (الاتجاه) التي تساوي 137 (2 مرة 2) 141. توقعات آذار / مارس من العام الماضي 1 (الاتجاه) تساوي 137 (3 مرات 2) 143. 3.2.6 الطريقة 6: انحدار المربعات الصغرى تستمد طريقة انحدار المربعات الصغرى (لسر) معادلة تصف علاقة خط مستقيم بين بيانات المبيعات التاريخية و مرور الوقت. لسر يناسب خط إلى مجموعة مختارة من البيانات بحيث يتم تقليل مجموع مربعات الاختلافات بين نقاط بيانات المبيعات الفعلية وخط الانحدار. التوقعات هي توقعات هذا الخط المستقيم في المستقبل. تتطلب هذه الطريقة تاريخ بيانات المبيعات للفترة التي يمثلها عدد الفترات الأكثر ملاءمة بالإضافة إلى العدد المحدد لفترات البيانات التاريخية. الحد الأدنى المطلوب هو نقطتي بيانات تاريخيتين. هذه الطريقة مفيدة للتنبؤ بالطلب عند وجود اتجاه خطي في البيانات. 3.2.6.1 مثال: الطريقة 6: انحدار المربعات الصغرى الانحدار الخطي، أو انحدار المربعات الصغرى (لسر)، هي الطريقة الأكثر شعبية لتحديد اتجاه خطي في بيانات المبيعات التاريخية. وتحسب الطريقة القيمتين a و b المطلوب استخدامها في الصيغة: تصف هذه المعادلة خطا مستقيما، حيث تمثل Y المبيعات وتمثل X الوقت. الانحدار الخطي بطيء في التعرف على نقاط التحول والتحولات وظيفة خطوة في الطلب. الانحدار الخطي يناسب خط مستقيم على البيانات، حتى عندما تكون البيانات موسمية أو أفضل وصفها منحنى. عندما تتبع بيانات تاريخ المبيعات منحنى أو لديها نمط موسمي قوي، يحدث التحيز المتوقع والأخطاء المنهجية. مواصفات التوقعات: n تساوي فترات تاريخ المبيعات التي سيتم استخدامها في حساب قيم a و b. على سبيل المثال، حدد n 4 لاستخدام السجل من سبتمبر إلى ديسمبر كأساس للحسابات. وعندما تكون البيانات متاحة، عادة ما تستخدم أكبر n (مثل n 24). يحدد لسر خطا لعدد قليل من نقطتي بيانات. على سبيل المثال، تم اختيار قيمة صغيرة ل n (n 4) لتقليل الحسابات اليدوية المطلوبة للتحقق من النتائج. الحد الأدنى المطلوب من تاريخ المبيعات: عدد الفترات الزمنية بالإضافة إلى عدد الفترات الزمنية المطلوبة لتقييم أداء التوقعات (الفترات الأكثر ملائمة). هذا الجدول هو التاريخ المستخدم في حساب التنبؤات: توقعات مارس تساوي 119.5 (7 مرات 2.3) 135.6 مقربة إلى 136. 3.2.7 الطريقة 7: الدرجة الثانية التقريب لعرض التوقعات، يستخدم هذا الأسلوب صيغة تقريب الدرجة الثانية لرسم منحنى التي تقوم على عدد من فترات من تاريخ المبيعات. يتطلب هذا الأسلوب عدد من فترات أفضل تناسب بالإضافة إلى عدد من فترات من أجل ترتيب المبيعات مرات ثلاثة. هذه الطريقة ليست مفيدة للتنبؤ بالطلب على المدى الطويل. 3.2.7.1 مثال: الطريقة 7: الدرجة الثانية التقريب يحدد الانحدار الخطي القيم a و b في صيغة التنبؤ Y a b X بهدف تركيب خط مستقيم على بيانات تاريخ المبيعات. الدرجة الثانية تقريب، ولكن هذه الطريقة تحدد القيم ل a و b و c في صيغة التنبؤ هذه: Y a b x c X 2 الهدف من هذا الأسلوب هو ملاءمة منحنى لبيانات تاريخ المبيعات. هذه الطريقة مفيدة عندما يكون المنتج في مرحلة الانتقال بين مراحل دورة الحياة. على سبيل المثال، عندما يتحرك منتج جديد من مرحلة مقدمة إلى مراحل النمو، قد يتسارع اتجاه المبيعات. بسبب مصطلح الترتيب الثاني، يمكن التنبؤ بسرعة الاقتراب اللانهاية أو انخفاض إلى الصفر (اعتمادا على ما إذا كان معامل ج إيجابي أو سلبي). هذه الطريقة مفيدة فقط على المدى القصير. مواصفات التنبؤ: الصيغة تجد a، b، و c لتناسب منحنى إلى بالضبط ثلاث نقاط. يمكنك تحديد n، وعدد الفترات الزمنية للبيانات لتتراكم في كل من النقاط الثلاث. في هذا المثال، n 3. يتم دمج بيانات المبيعات الفعلية للفترة من أبريل إلى يونيو في النقطة الأولى، Q1. يوليو إلى سبتمبر تضاف معا لخلق Q2، وأكتوبر خلال ديسمبر المبلغ إلى Q3. تم تركيب المنحنى على القيم الثلاثة Q1 و Q2 و Q3. تاريخ المبيعات المطلوب: 3 مرات n فترات لحساب التوقعات بالإضافة إلى عدد الفترات الزمنية المطلوبة لتقييم أداء التنبؤ (فترات من أفضل تناسب). هذا الجدول هو التاريخ المستخدم في حساب التوقعات: Q0 (يناير) (فبراير) (مارس) Q1 (أبريل) (مايو) (يونيو) الذي يساوي 125 122 137 384 Q2 (يوليو) (أغسطس) (سبتمبر) الذي يساوي 140 129 131 400 Q3 (أكتوبر) (نوفمبر) (ديسمبر) الذي يساوي 114 119 137 370 تتضمن الخطوة التالية حساب المعاملات الثلاثة a و b و c لاستخدامها في صيغة التنبؤ Y أب x c X 2. يتم عرض Q1 و Q2 و Q3 على الرسم البياني، حيث يتم رسم الوقت على المحور الأفقي. Q1 يمثل إجمالي المبيعات التاريخية لشهر أبريل ومايو ويونيو ويتم رسمها في X 1 Q2 يتوافق مع يوليو حتى سبتمبر Q3 يتوافق من أكتوبر حتى ديسمبر و Q4 يمثل يناير حتى مارس. ويوضح هذا الرسم تخطيطات Q1 و Q2 و Q3 و Q4 للحصول على تقريب من الدرجة الثانية: الشكل 3-2 التآمر Q1 و Q2 و Q3 و Q4 للحصول على تقريب من الدرجة الثانية ثلاث معادلات تصف النقاط الثلاث على الرسم البياني: (1) Q1 بكس سك 2 حيث X 1 (Q1 أبك) (2) Q2 a بكس سك 2 حيث X 2 (Q2 a 2b 4c) (3) Q3 a بكس سك 2 حيث X 3 (Q3 a 3b 9c) حل المعادلات الثلاث في وقت واحد (1) من المعادلة 2 (2) وحل b: (2) نداش (1) Q2 نداش Q1 b 3c b (Q2 نداش Q1) ندش 3c استبدال هذه المعادلة ل (3) Q3 3 (Q2 نداش Q1) نداش 3C 9C Q3 نداش 3 (Q2 نداش Q1) وأخيرا، استبدل هذه المعادلات ب و b في المعادلة (1): (1) Q3 نداش (Q2 نداش Q1) (Q2 نداش Q1) نداش 3c ج Q1 ج (Q3 نداش Q2) (Q1 نداش Q2) 2 طريقة التقريب من الدرجة الثانية تحسب a و b و c على النحو التالي: Q3 نداش 3 (Q2 نداش Q1 ) 370 ندش 3 (400 ندش 384) 370 ندش 3 (16) 322 ب (Q2 نداش Q1) ndash3c (400 ندا ش 384) نداش (3 مرات ndash23) 16 69 85 ج (Q3 نداش Q2) (Q1 نداش Q2) 2 (370 نداش 400) (384 نداش 400) 2 ndash23 هذا هو حساب من الدرجة الثانية تقدير تقريبي: Y بكس سك 2 322 85X (ndash23) (X 2) عندما يكون X 4، Q4 322 340 ندش 368 294. تبلغ التوقعات 294 3 98 لكل فترة. عندما يكون X 5، Q5 322 425 نداش 575 172. وتقدر التوقعات 172 3 58.33 مقربة إلى 57 لكل فترة. عندما X 6، Q6 322 510 نداش 828 4. توقعات يساوي 4 3 1.33 تقريب إلى 1 في الفترة. هذا هو التوقعات للعام المقبل، السنة الماضية إلى هذا العام: 3.2.8 الطريقة 8: طريقة مرنة تمكنك هذه الطريقة لتحديد أفضل عدد مناسب من فترات من تاريخ النظام المبيعات التي تبدأ قبل أشهر من تاريخ بدء التنبؤ، وإلى تطبيق عامل زيادة أو نقصان في النسبة المئوية لتعديل التوقعات. هذه الطريقة مشابهة الأسلوب 1، النسبة المئوية خلال العام الماضي، إلا أنه يمكنك تحديد عدد الفترات التي تستخدمها كقاعدة. اعتمادا على ما تحدده n، تتطلب هذه الطريقة فترات تناسب أفضل بالإضافة إلى عدد فترات بيانات المبيعات المشار إليها. وهذه الطريقة مفيدة للتنبؤ بالطلب على الاتجاه المخطط. 3.2.8.1 مثال: الطريقة 8: الطريقة المرنة الأسلوب المرن (النسبة المئوية خلال الأشهر السابقة) يشبه الأسلوب 1، النسبة المئوية خلال العام الماضي. كلتا الطريقتين تضاعف بيانات المبيعات من فترة زمنية سابقة بعامل محدد من قبلك، ومن ثم عرض هذه النتيجة في المستقبل. في طريقة النسبة المئوية خلال العام الماضي، يستند الإسقاط إلى بيانات من نفس الفترة الزمنية في العام السابق. يمكنك أيضا استخدام طريقة مرنة لتحديد فترة زمنية، بخلاف نفس الفترة من العام الماضي، لاستخدامها كأساس للحسابات. عامل الضرب. على سبيل المثال، حدد 110 في خيار المعالجة لزيادة بيانات سجل المبيعات السابقة بنسبة 10٪. فترة الأساس. علی سبیل المثال، یسبب الرقم 4 التنبؤ الأول علی أساس بیانات المبیعات في شھر سبتمبر من العام الماضي. الحد الأدنى المطلوب من تاريخ المبيعات: عدد الفترات التي تعود إلى فترة الأساس بالإضافة إلى عدد الفترات الزمنية المطلوبة لتقييم أداء التوقعات (فترات أفضل ملاءمة). هذا الجدول هو التاريخ المستخدم في حساب التوقعات: 3.2.9 الطريقة 9: المتوسط ​​المتحرك المتوسط ​​يشبه متوسط ​​المتوسط ​​المتحرك المتوسط ​​الصيغة 4، صيغة المتوسط ​​المتحرك، لأنه متوسط ​​سجل مبيعات الأشهر السابقة لعرض تاريخ مبيعات الأشهر التالية. ومع ذلك، مع هذه الصيغة يمكنك تعيين الأوزان لكل من الفترات السابقة. تتطلب هذه الطريقة عدد الفترات المرجحة المختارة بالإضافة إلى عدد الفترات التي تناسب البيانات. على غرار المتوسط ​​المتحرك، هذه الطريقة متخلفة عن اتجاهات الطلب، لذلك لا يوصى باستخدام هذه الطريقة للمنتجات ذات الاتجاهات القوية أو الموسمية. هذا الأسلوب هو مفيد للتنبؤ الطلب على المنتجات الناضجة مع الطلب الذي هو مستوى نسبيا. 3.2.9.1 مثال: الطريقة 9: المتوسط ​​المتحرك المتوسط ​​يشبه أسلوب المتوسط ​​المتحرك المتوسط ​​(ويم) الطريقة 4، المتوسط ​​المتحرك (ما). ومع ذلك، يمكنك تعيين أوزان غير متكافئة للبيانات التاريخية عند استخدام وما. وتحسب الطريقة المتوسط ​​المرجح لتاريخ المبيعات الأخير للوصول إلى إسقاط على المدى القصير. عادة ما يتم تعيين بيانات أكثر حداثة وزنا أكبر من البيانات القديمة، لذلك وما هو أكثر استجابة للتحولات في مستوى المبيعات. ومع ذلك، يحدث التحيز التنبؤي والأخطاء المنهجية عندما يظهر تاريخ مبيعات المنتجات اتجاهات قوية أو أنماط موسمية. هذا الأسلوب يعمل بشكل أفضل للتنبؤات قصيرة المدى من المنتجات الناضجة من المنتجات في مراحل النمو أو التقادم من دورة الحياة. عدد الفترات من تاريخ المبيعات (ن) لاستخدامها في حساب التوقعات. على سبيل المثال، حدد n 4 في خيار المعالجة لاستخدام أحدث أربع فترات كأساس للتوقعات في الفترة الزمنية التالية. قيمة كبيرة ل n (مثل 12) يتطلب المزيد من المبيعات التاريخ. هذه القيمة تؤدي إلى توقعات مستقرة، ولكن بطيئة الاعتراف التحولات في مستوى المبيعات. وعلى العكس من ذلك، فإن قيمة صغيرة ل n (مثل 3) تستجيب بسرعة أكبر للتحولات في مستوى المبيعات، ولكن التوقعات قد تتقلب على نطاق واسع بحيث لا يمكن للإنتاج أن يستجيب للتغيرات. يجب ألا يتجاوز العدد الإجمالي للفترات لخيار المعالجة rdquo14 - الفترات المرسلة إلى إينلوديدردو 12 شهرا. الوزن الذي تم تعيينه لكل من فترات البيانات التاريخية. يجب أن تكون الأوزان المخصصة 1.00. على سبيل المثال، عندما ن 4، تعيين أوزان 0.50، 0.25، 0.15، 0.10 مع أحدث البيانات التي تتلقى أكبر قدر من الوزن. الحد الأدنى المطلوب لسجل المبيعات: n بالإضافة إلى عدد الفترات الزمنية المطلوبة لتقييم أداء التوقعات (فترات أفضل ملاءمة). هذا الجدول هو التاريخ المستخدم في حساب التنبؤات: توقعات يناير تساوي (131 مرة 0.10) (114 مرة 0.15) (119 مرة 0.25) (137 مرة 0.50) (0.10 0.15 0.25 0.50) 128.45 مقربة إلى 128. توقعات فبراير تساوي (114 مرة 0.12) (119 مرة 0.15) (137 مرة 0.25) (128 مرة 0.50) 1 127.5 مقربة إلى 128. توقعات مارس تساوي (119 مرة 0.10) (137 مرة 0.15) (128 مرة 0.25) (128 مرة 0.50) 1 128.45 128. 10-2-10 الطريقة 10: التجانس الخطي تحسب هذه الطريقة المتوسط ​​المرجح لبيانات المبيعات السابقة. في الحساب، يستخدم هذا الأسلوب عدد فترات تاريخ طلب المبيعات (من 1 إلى 12) المشار إليه في خيار المعالجة. يستخدم النظام تطور رياضي ل وزن البيانات في نطاق من الأول (أقل الوزن) إلى النهائي (معظم الوزن). ثم يقوم النظام بتطوير هذه المعلومات لكل فترة في التوقعات. تتطلب هذه الطريقة أشهر مناسبة بالإضافة إلى سجل أوامر المبيعات لعدد الفترات المحددة في خيار المعالجة. 3.2.10.1 مثال: الطريقة 10: تمهيد خطي تشبه هذه الطريقة الطريقة 9، وما. ومع ذلك، بدلا من تعيين تعسفي للأوزان للبيانات التاريخية، يتم استخدام صيغة لتعيين الأوزان التي تنخفض خطيا ويجمع إلى 1.00. ثم تحسب الطريقة المتوسط ​​المرجح لتاريخ المبيعات الأخير للتوصل إلى إسقاط على المدى القصير. ومثل جميع تقنيات التنبؤ المتوسط ​​المتحرك الخطي، فإن التحيز المتوقع والأخطاء المنهجية تحدث عندما يظهر تاريخ مبيعات المنتجات اتجاها قويا أو أنماطا موسمية. هذا الأسلوب يعمل بشكل أفضل للتنبؤات قصيرة المدى من المنتجات الناضجة من المنتجات في مراحل النمو أو التقادم من دورة الحياة. n يساوي عدد فترات تاريخ المبيعات لاستخدامها في حساب التوقعات. على سبيل المثال، حدد n يساوي 4 في خيار المعالجة لاستخدام أحدث أربع فترات كأساس للتوقعات في الفترة الزمنية التالية. يقوم النظام تلقائيا بتعيين أوزان البيانات التاريخية التي تنخفض خطيا وتجمع إلى 1.00. على سبيل المثال، عندما يساوي n 4، يعين النظام أوزان 0،4 و 0،3 و 0،2 و 0،1، مع تلقي أحدث البيانات أكبر وزن. الحد الأدنى المطلوب لسجل المبيعات: n بالإضافة إلى عدد الفترات الزمنية المطلوبة لتقييم أداء التوقعات (فترات أفضل ملاءمة). هذا الجدول هو التاريخ المستخدم في حساب التوقعات: 3.2.11 الطريقة 11: التماسك الأسي تحسب هذه الطريقة متوسطا سلسا، والذي يصبح تقديرا يمثل المستوى العام للمبيعات خلال فترات البيانات التاريخية المختارة. تتطلب هذه الطريقة تاريخ بيانات المبيعات للفترة الزمنية التي يمثلها عدد الفترات التي تناسبها بشكل أفضل بالإضافة إلى عدد فترات البيانات التاريخية المحددة. والشرط الأدنى هو فترتان للبيانات التاريخية. هذه الطريقة مفيدة للتنبؤ بالطلب عند عدم وجود اتجاه خطي في البيانات. 3.2.11.1 مثال: الطريقة 11: تمهيد الأسي يشبه هذا الأسلوب الطريقة 10، التمهيد الخطي. في التنعيم الخطي، يعين النظام الأوزان التي تنخفض خطيا إلى البيانات التاريخية. في التماسك الأسي، يعين النظام الأوزان التي تسوس بشكل كبير. معادلة التنبؤ الأسي المستمر: التنبؤ ألفا (المبيعات الفعلية السابقة) (1 ندشالفا) (التوقعات السابقة) التوقعات هي المتوسط ​​المرجح للمبيعات الفعلية من الفترة السابقة والتوقعات من الفترة السابقة. ألفا هو الوزن الذي يتم تطبيقه على المبيعات الفعلية للفترة السابقة. (1 ندش ألفا) هو الوزن الذي يتم تطبيقه على التوقعات للفترة السابقة. تتراوح قيم ألفا من 0 إلى 1 وتتراوح عادة بين 0.1 و 0.4. مجموع الأوزان هو 1.00 (ألفا (1 نداش ألفا) 1). يجب تعيين قيمة ثابت ثابت، ألفا. إذا لم تقم بتعيين قيمة ثابت التمهيد، يقوم النظام بحساب قيمة مفترضة تستند إلى عدد فترات سجل المبيعات المحددة في خيار المعالجة. ألفا يساوي ثابت التجانس الذي يستخدم لحساب المتوسط ​​المنعم للمستوى العام أو حجم المبيعات. قيم نطاق ألفا من 0 إلى 1. n تساوي نطاق بيانات سجل المبيعات لتضمينها في الحسابات. عموما، سنة واحدة من بيانات تاريخ المبيعات كافية لتقدير المستوى العام للمبيعات. على سبيل المثال، تم اختيار قيمة صغيرة ل n (n 4) لتقليل الحسابات اليدوية المطلوبة للتحقق من النتائج. ويمكن أن يؤدي التمهيد الأسي إلى توليد توقعات تستند إلى نقطة بيانات تاريخية واحدة فقط. الحد الأدنى المطلوب لسجل المبيعات: n بالإضافة إلى عدد الفترات الزمنية المطلوبة لتقييم أداء التوقعات (فترات أفضل ملاءمة). هذا الجدول هو التاريخ المستخدم في حساب التوقعات: 3.2.12 الطريقة 12: التماسك الأسي مع الاتجاه والموسمية تحسب هذه الطريقة اتجاه، ومؤشر موسمية، ومتوسط ​​ممتع أضعافا مضاعفة من تاريخ أمر المبيعات. ويطبق النظام بعد ذلك إسقاطا للاتجاه نحو التنبؤات ويعدل للمؤشر الموسمي. وتتطلب هذه الطريقة عدد الفترات التي تناسب على نحو أفضل بالإضافة إلى بيانات مبيعات لمدة سنتين، وهي مفيدة للبنود التي لها اتجاه وموسمية في التنبؤات. يمكنك إدخال عامل ألفا وبيتا، أو لديك نظام حساب لهم. عاملا ألفا وبيتا هما ثابت التجانس الذي يستخدمه النظام لحساب المتوسط ​​المنعم للمستوى العام أو حجم المبيعات (ألفا) وعنصر الاتجاه للتنبؤ (بيتا). 3.2.12.1 مثال: الطريقة 12: تمهيد الأسي مع الاتجاه والموسمية هذا الأسلوب مشابه لطريقة 11، الأسي تمهيد، في أن يتم حساب متوسط ​​سلسة. ومع ذلك، تتضمن الطريقة 12 أيضا مصطلحا في معادلة التنبؤ لحساب اتجاه سلس. وتتكون التوقعات من متوسط ​​سلس يتم تعديله لاتجاه خطي. عندما يتم تحديده في خيار المعالجة، يتم تعديل التوقعات أيضا للموسمية. يساوي ألفا ثابت التجانس الذي يستخدم في حساب المتوسط ​​الملمس للمستوى العام أو حجم المبيعات. قيم نطاق ألفا من 0 إلى 1. يساوي بيتا ثابت التجانس المستخدم في حساب المتوسط ​​الميسر لعنصر الاتجاه للتنبؤ. قيم نطاق بيتا من 0 إلى 1. ما إذا كان يتم تطبيق مؤشر موسمية على التوقعات. ألفا وبيتا مستقلة عن بعضها البعض. ليس لديهم ما يصل إلى 1.0. الحد الأدنى المطلوب من تاريخ المبيعات: سنة واحدة بالإضافة إلى عدد الفترات الزمنية المطلوبة لتقييم أداء التوقعات (فترات أفضل ملاءمة). وعندما يتوفر عامان أو أكثر من البيانات التاريخية، يستخدم النظام سنتين من البيانات في الحسابات. تستخدم الطريقة 12 معادلتين أسيتين سموثينغ ومتوسط ​​بسيط واحد لحساب المتوسط ​​السلس، واتجاه سلس، ومؤشر موسمية متوسط ​​بسيط. متوسط ​​متوسط ​​موحد بسيط: مؤشر متوسط ​​بسيط للموسم: الشكل 3-3 مؤشر متوسط ​​موحد بسيط يتم حساب التوقعات باستخدام نتائج المعادلات الثلاث: L هو طول الموسمية (L يساوي 12 شهرا أو 52 أسبوعا). t هي الفترة الزمنية الحالية. م هو عدد الفترات الزمنية في مستقبل التوقعات. S هو عامل التعديل الموسمية المضاعف الذي يتم فهرسته إلى الفترة الزمنية المناسبة. يسرد هذا الجدول التاريخ المستخدم في حساب التوقعات: يقدم هذا القسم لمحة عامة عن تقييمات التوقعات ويناقش: يمكنك اختيار أساليب التنبؤ لتوليد ما يصل إلى 12 توقعات لكل منتج. وقد تخلق كل طريقة للتنبؤ إسقاطا مختلفا قليلا. عندما يتم التنبؤ بآلاف المنتجات، يكون القرار الشخصي غير عملي فيما يتعلق بالتنبؤ باستخدامه في الخطط لكل منتج. يقوم النظام تلقائيا بتقييم الأداء لكل طريقة تنبؤ تحددها ولكل منتج تتوقعه. يمكنك الاختيار بين معيارين للأداء: ماد و بوا. ماد هو مقياس لخطأ التنبؤ. بوا هو مقياس للتحيز المتوقع. يتطلب كل من تقنيات تقييم الأداء هذه بيانات تاريخ المبيعات الفعلية لفترة تحددها أنت. وتسمى فترة التاريخ الحديث المستخدمة للتقييم فترة الانتظار أو فترة من أفضل ملاءمة. لقياس أداء طريقة التنبؤ، النظام: يستخدم الصيغ المتوقعة لمحاكاة توقعات لفترة الاستحقاق التاريخية. إجراء مقارنة بين بيانات المبيعات الفعلية والتوقعات المحاكية لفترة الاستبعاد. عند تحديد أساليب متعددة للتنبؤ، تحدث هذه العملية نفسها لكل طريقة. يتم احتساب توقعات متعددة لفترة الاستحواذ ومقارنة مع تاريخ المبيعات المعروفة عن نفس الفترة. ويوصى باستخدام طريقة التنبؤ التي تنتج أفضل مطابقة (أفضل ملاءمة) بين التوقعات والمبيعات الفعلية خلال فترة الاستبعاد لاستخدامها في الخطط. هذه التوصية خاصة بكل منتج وقد تتغير في كل مرة تنشئ فيها توقعات. 3.3.1 متوسط ​​الانحراف المطلق يعني الانحراف المطلق (ماد) متوسط ​​(أو متوسط) القيم المطلقة (أو حجمها) للانحرافات (أو الأخطاء) بين البيانات الفعلية والمتوقعة. ماد هو مقياس لمتوسط ​​حجم الأخطاء المتوقع، نظرا لطريقة التنبؤ وتاريخ البيانات. ولأن القيم المطلقة تستخدم في الحساب، فإن الأخطاء الإيجابية لا تلغي الأخطاء السلبية. عند مقارنة عدة طرق التنبؤ، واحد مع أصغر درهم هو الأكثر موثوقية لهذا المنتج لفترة الاستيلاء عليها. وعندما تكون التوقعات غير متحيزة وتوزع الأخطاء عادة، توجد علاقة رياضية بسيطة بين تدبيرين عاديين آخرين من التوزيع المداري، وهما الانحرافان المعياريان وخطأ متوسط ​​التربيع. على سبيل المثال: درهم (سيغما (أكتوال) نداش (توقعات)) n الانحراف المعياري، (سيغما) كونج 1.25 درهم متوسط ​​تربيع خطأ ndashsigma2 يشير هذا المثال إلى حساب ماد لطريقتين للتنبؤ. يفترض هذا المثال أنك حددت في خيار المعالجة أن طول فترة الإيقاف (فترات أفضل ملاءمة) يساوي خمس فترات. 3.3.1.1 الطريقة األولى: السنة األخيرة إلى السنة الحالية هذا الجدول هو التاريخ المستخدم في حساب الدرهم، نظرا لفترات أفضل صالح 5: متوسط ​​االنحراف المطلق يساوي) 2 1 20 10 14 (5 9.4. واستنادا إلى هذين الخيارين، يوصى باستخدام المتوسط ​​المتحرك، n 4 لأنه يحتوي على أصغر درهم، 9.4، لفترة الاستراحة المعطاة. 3.3.2 النسبة المئوية لنسبة دقة الدقة (بوا) هي مقياس للتحيز المتوقع. وعندما تكون التوقعات مرتفعة جدا، تتراكم المخزونات وتزداد تكاليف الحصر. When forecasts are consistently too low, inventories are consumed and customer service declines. A forecast that is 10 units too low, then 8 units too high, then 2 units too high is an unbiased forecast. The positive error of 10 is canceled by negative errors of 8 and 2. (Error) (Actual) ndash (Forecast) When a product can be stored in inventory, and when the forecast is unbiased, a small amount of safety stock can be used to buffer the errors. In this situation, eliminating forecast errors is not as important as generating unbiased forecasts. However, in service industries, the previous situation is viewed as three errors. The service is understaffed in the first period, and then overstaffed for the next two periods. وفي الخدمات، يكون حجم أخطاء التنبؤ عادة أكثر أهمية مما هو متوقع. POA (SigmaForecast sales during holdout period) (SigmaActual sales during holdout period) times 100 percent The summation over the holdout period enables positive errors to cancel negative errors. When the total of forecast sales exceeds the total of actual sales, the ratio is greater than 100 percent. Of course, the forecast cannot be more than 100 percent accurate. When a forecast is unbiased, the POA ratio is 100 percent. A 95 percent accuracy rate is more desirable than a 110 percent accurate rate. The POA criterion selects the forecasting method that has a POA ratio that is closest to 100 percent. This example indicates the calculation of POA for two forecasting methods. This example assumes that you have specified in the processing option that the holdout period length (periods of best fit) is equal to five periods. 3.3.2.1 Method 1: Last Year to This Year This table is history used in the calculation of MAD, given Periods of Best Fit 5: 3.4.2 Forecast Accuracy These statistical laws govern forecast accuracy: A long term forecast is less accurate than a short term forecast because the further into the future you project the forecast, the more variables can affect the forecast. A forecast for a product family tends to be more accurate than a forecast for individual members of the product family. Some errors cancel each other as the forecasts for individual items summarize into the group, thus creating a more accurate forecast. 3.4.3 Forecast Considerations You should not rely exclusively on past data to forecast future demands. These circumstances might affect the business, and require you to review and modify the forecast: New products that have no past data. Plans for future sales promotion. Changes in national and international politics. New laws and government regulations. Weather changes and natural disasters. Innovations from competition. You can use long term trend analysis to influence the design of the forecasts: Leading economic indicators. 3.4.4 Forecasting Process You use the Refresh Actuals program (R3465) to copy data from the Sales Order History File table (F42119), the Sales Order Detail File table (F4211), or both, into either the Forecast File table (F3460) or the Forecast Summary File table (F3400), depending on the kind of forecast that you plan to generate. Scripting on this page enhances content navigation, but does not change the content in any way. Definition In the weighted moving average model (forecast strategy 14), every historical value is weighted with a factor from the weighting group in the univariate forecast profile. صيغة المتوسط ​​المتحرك المرجح يتيح لك نموذج المتوسط ​​المتحرك المرجح وزن البيانات التاريخية الحديثة بشكل أكبر من البيانات القديمة عند تحديد المتوسط. يمكنك القيام بذلك إذا كانت البيانات الأحدث حجما أكثر تمثيلا لما سيكون عليه الطلب في المستقبل من البيانات القديمة. ولذلك، فإن النظام قادر على الاستجابة بسرعة أكبر للتغيير في المستوى. تعتمد دقة هذا النموذج بشكل كبير على اختيارك لعوامل الترجيح. إذا تغير نمط السلاسل الزمنية، يجب عليك أيضا تكييف عوامل الترجيح. عند إنشاء مجموعة ترجيح، يمكنك إدخال عوامل الترجيح كنسب مئوية. The sum of the weighting factors does not have to be 100. No ex-post forecast is calculated with this forecast strategy. Forecasting by Smoothing Techniques This site is a part of the JavaScript E-labs learning objects for decision making. يتم تصنيف جافا سكريبت أخرى في هذه السلسلة ضمن مجالات مختلفة من التطبيقات في قسم مينو في هذه الصفحة. سلسلة زمنية هي سلسلة من الملاحظات التي يتم ترتيبها في الوقت المناسب. ومن العوامل المتأصلة في جمع البيانات المأخوذة على مر الزمن شكل من أشكال الاختلاف العشوائي. هناك طرق للحد من إلغاء التأثير بسبب الاختلاف العشوائي. التقنيات المستخدمة على نطاق واسع هي تمهيد. وتكشف هذه التقنيات، عندما تطبق بشكل صحيح، عن الاتجاهات الكامنة بشكل أوضح. أدخل السلاسل الزمنية بالصفوف في التسلسل، بدءا من الزاوية العلوية اليسرى، والمعلمة (المعلمات)، ثم انقر على الزر حساب للحصول على التنبؤ قبل فترة واحدة. لا يتم تضمين صناديق فارغة في الحسابات ولكن الأصفار هي. في إدخال البيانات الخاصة بك للانتقال من خلية إلى خلية في مصفوفة البيانات استخدام مفتاح تاب لا السهم أو إدخال مفاتيح. ملامح السلاسل الزمنية، والتي يمكن كشفها من خلال فحص الرسم البياني. مع القيم المتوقعة، والسلوك المتبقي، والنمذجة حالة التنبؤ. المتوسطات المتحركة: تعد المتوسطات المتحركة من بين أكثر التقنيات شعبية في المعالجة المسبقة للمسلسلات الزمنية. وهي تستخدم لتصفية الضوضاء البيضاء العشوائية من البيانات، لجعل السلاسل الزمنية أكثر سلاسة أو حتى للتأكيد على بعض العناصر الإعلامية الواردة في السلاسل الزمنية. الأسي تجانس: هذا هو مخطط شعبية جدا لإنتاج سلسة سلسلة الوقت. في حين أن المتوسطات المتحركة يتم ترجيح الملاحظات السابقة بالتساوي، فإن التسييل الأسي يعين الأوزان المتناقصة بشكل كبير مع تقدم الملاحظة. وبعبارة أخرى، تعطي الملاحظات الأخيرة وزنا أكبر نسبيا في التنبؤ من الملاحظات القديمة. ضعف الأسي تجانس أفضل في التعامل مع الاتجاهات. الثلاثي الأسي تجانس أفضل في التعامل مع اتجاهات القطع المكافئ. متوسط ​​متحرك مرجح أسي مع ثابت التمهيد a. يقابل تقريبا متوسط ​​متحرك بسيط للطول (أي الفترة) n، حيث تكون a و n مرتبطة بما يلي: 2 (n1) أو n (2 - a) a. وهكذا، على سبيل المثال، فإن المتوسط ​​المتحرك المرجح ألسيا مع ثابت التمهيد يساوي 0.1 من شأنه أن يتوافق تقريبا إلى 19 المتوسط ​​المتحرك اليوم. والمتوسط ​​المتحرك البسيط لمدة 40 يوما من شأنه أن يتوافق تقريبا مع متوسط ​​متحرك مرجح أسي مع ثابت ثابت يساوي 0.04878. هولتس الخطي الأسي تمهيد: لنفترض أن السلسلة الزمنية غير الموسمية ولكن لا عرض الاتجاه. طريقة هولتس تقدر كل من المستوى الحالي والاتجاه الحالي. لاحظ أن المتوسط ​​المتحرك البسيط هو حالة خاصة للتلطيف الأسي عن طريق تحديد فترة المتوسط ​​المتحرك إلى الجزء الصحيح من ألفا (ألفا) ألفا. بالنسبة لمعظم بيانات الأعمال تكون معلمة ألفا أصغر من 0.40 فعالة في كثير من الأحيان. ومع ذلك، يمكن للمرء إجراء بحث شبكة من مساحة المعلمة، مع 0.1 إلى 0.9، مع زيادات من 0.1. ثم أفضل ألفا لديه أصغر خطأ المطلق يعني (خطأ ما). كيفية مقارنة عدة طرق للتجانس: على الرغم من وجود مؤشرات رقمية لتقييم دقة تقنية التنبؤ، فإن النهج الأكثر انتشارا هو استخدام مقارنة مرئية لعدة تنبؤات لتقييم دقتها والاختيار من بين مختلف أساليب التنبؤ. في هذا النهج، يجب على المرء أن مؤامرة (باستخدام، على سبيل المثال إكسيل) على نفس الرسم البياني القيم الأصلية لمتغير سلسلة زمنية والقيم المتوقعة من عدة طرق التنبؤ المختلفة، مما يسهل المقارنة البصرية. قد ترغب في استخدام التوقعات السابقة من قبل تقنيات تجانس جافاسكريبت للحصول على القيم السابقة التنبؤ على أساس تقنيات تمهيد التي تستخدم معلمة واحدة فقط. هولت، وطرق الشتاء تستخدم اثنين وثلاثة معلمات، على التوالي، وبالتالي فإنه ليس من السهل مهمة لتحديد الأمثل، أو حتى بالقرب من القيم المثلى من قبل التجربة والأخطاء للمعلمات. ويؤكد التمهيد الأسي المفرد على المنظور القصير المدى الذي يحدد المستوى للمراقبة الأخيرة ويستند إلى شرط عدم وجود اتجاه. إن الانحدار الخطي، الذي يناسب خط المربعات الصغرى على البيانات التاريخية (أو البيانات التاريخية المحولة)، يمثل المدى الطويل، الذي يشترط الاتجاه الأساسي. هولتس الخطي الأسي تجانس يلتقط المعلومات حول الاتجاه الأخير. والمعلمات في نموذج هولتس هي معلمة المستويات التي ينبغي أن تنخفض عندما يكون مقدار تغير البيانات كبيرا، وينبغي زيادة معلمة الاتجاهات إذا كان اتجاه الاتجاه الأخير مدعوما بالعوامل المسببة لبعض العوامل. التنبؤ على المدى القصير: لاحظ أن كل جافاسكريبت في هذه الصفحة يوفر توقعات خطوة واحدة. للحصول على توقعات من خطوتين. ببساطة إضافة القيمة المتوقعة إلى نهاية لك البيانات سلسلة الوقت ثم انقر على نفس زر حساب. يمكنك تكرار هذه العملية لبضع مرات من أجل الحصول على التوقعات اللازمة على المدى القصير.