Метод взвешенного подвижного
(скользящего) среднего
и т.д.
Где wk-i вес, с которым используется показатель xk-i при
Метод экспоненциального
сглаживания
Предполагается, что наблюдения некоторой величины X, проводятся через равные промежутки времени. Результат наблюдения обозначим xk, где – k номер наблюдения. Прогноз fk+1 для следующего момента времени рассчитывается по формуле:
fk+1 = fk + a*(xk – fk) |
(1) или |
fk+1 = (1-а) fk + аxk
где a – константа сглаживания, выбирается обычно от 0,2 до 0,3. Большие значения константы сглаживания ускоряют отклик прогноза на скачок наблюдаемого процесса, но могут привести к непредсказуемым выбросам.
Первый раз после начала наблюдений, располагая лишь одним результатом наблюдений x1, когда прогноза f1 нет и формулой (1) воспользоваться еще невозможно, в качестве прогноза f2 следует взять x1.
Пусть прогноз продаж на понедельник равен 8, тогда:
Метод проецирования тренда
Основной идеей метода проецирования (линейного) тренда является построение прямой, которая «в среднем» наименее уклоняется от массива точек (ti , xi ) I = 1, 2,3,…n,
заданного временным рядом. (ПРИБЛИЖЕНИЕ МЕТОД НАИМЕНЬШИХ КВАДРАТОВ)
Каузальные методы прогнозирования
В случае значительных требований к точности прогноза и при наличии большого массива данных используются каузальные, или причинно- следственные, модели прогнозов, в которых прогнозируемая величина является функцией большого числа переменных.
Объемы продаж товара могут зависеть от цены продукта, затрат на рекламу, действий конкурентов, уровня доходов и других переменных.
Если связи между этими переменными удается описать математически корректно, то точность
каузального прогноза может оказаться довольно высокой. Но это требует значительно больших интеллектуальных и временных затрат, чем анализ временных рядов.
Классификация каузальных методов прогнозирования
Прогнозирование показателей
деятельности отрасли на основе регрессионной модели
Простейшее представление о регресионных моделях дает описанный выше метод проецирования тренда, в котором регресионная зависимость устанавливается между прогнозируемым параметром и одной переменной – временем. Многомерные модели – естественное обобщение одномерных моделей.
Понятие о корреляционном и регресионном анализе
Корреляционный анализ позволяет сделать вывод о силе взаимосвязи между парами данных х и у, а регрессионный анализ используется для прогнозирования одной переменной
(у) на основании другой (х).
