Модель Хольта-Уинтерса

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск
м (x &)
(→Ссылки)
 
Строка 43: Строка 43:
[[Модель Тейла-Вейджа]] — учитываются аддитивный тренд и сезонность.
[[Модель Тейла-Вейджа]] — учитываются аддитивный тренд и сезонность.
-
[[Скользящий контрольный сигнал| Анализ адекватности адаптивных моделей]]
+
[[Следящий контрольный сигнал| Анализ адекватности адаптивных моделей]]
[[Категория:Прогнозирование временных рядов]]
[[Категория:Прогнозирование временных рядов]]
[[Категория:Прикладная статистика]]
[[Категория:Прикладная статистика]]
[[Категория:Энциклопедия анализа данных]]
[[Категория:Энциклопедия анализа данных]]

Текущая версия

Содержание

Многие продукты имеют тенденцию роста или падения продаж, особенно когда они производятся впервые или когда появляются конкурирующие товары. Для некоторых продуктов существенны сезонные изменения уровня продаж, поэтому для прогноза продаж товара целесообразно учитывать конкретный характер тенденции и сезонных колебаний. На основе модели Хольта Уинтерс (Винтерс, Winters) создал свою прогностическую модель, которая учитывает экспоненциальный тренд и аддитивную сезонность.

Определение

Пусть задан временной ряд: y_i, \ldots, y_t,\; y_i \in R.

Необходимо решить задачу прогнозирования временного ряда.

\begin{align*} \hat{y}_{t+d} &= a_t (r_t)^d \Theta_{t + (d \text{ mod } s) - s}, \\ a_t &= \alpha_1 \cdot \frac{y_t}{\Theta_{t-s}} + \left(1-\alpha_1 \right)a_{t-1} r_{t-1}, \\ r_t &= \alpha_3 \cdot \frac{a_t}{a_{t-1}} + \left(1-\alpha_3 \right)r_{t-1}, \\ \Theta_t &= \alpha_2 \cdot \frac{y_t}{a_t} + \left(1-\alpha_2 \right) \Theta_{t-s}, \end{align}

где s — период сезонности,\Theta_i, \; i \in 0, \ldots, s-1 — сезонный профиль, r_t — параметр тренда, a_t — параметр прогноза, очищенный от влияния тренда и сезонности.

Оптимальные параметры \alpha_1,\; \alpha_2, \; \alpha_3 \in \left( 0,1 \right) предлагается находить экспериментальным путем. Один набор весов можно использовать для широкого класса продуктов, например, Уинтерс использовал данные (за 5—7 лет): о продажах кухонной утвари, о продажах краски, о котлованах для изготовленных заводским способом сооружений и т.п. Первая часть данных (2—3 года) использовалась для построения модели, а на основе остальных данных проверялась точность прогнозирования.

Пример

Красным отмечен прогноз, синим - исходные данные.
Красным отмечен прогноз, синим - исходные данные.

Прогноз арендной ставки на 1 год. Оптимальные параметры \alpha_1,\; \alpha_2, \; \alpha_3 подбирались путем минимизации среднеквадратичной ошибки прогноза \eps_t^2=(y_t-\hat{y}_t)^2.

Литература

Лукашин Ю. П. Адаптивные методы краткосрочного прогнозирования временных рядов. — М.: Финансы и статистика, 2003.

Winters P.R. Forecasting sales by exponentially weighted moving averages //Management Science. - 1960. - Vol. 6. - №3.

Погодин С. К. Методы оценки портфелей инвестиций, диссертация на соискание степени кандидата экономических наук (ВШЭ), Москва, 2006.

Ссылки

Модель Брауна — экспоненциальное сглаживание.

Модель Хольта — учитываются линейный тренд без сезонности.

Модель Тейла-Вейджа — учитываются аддитивный тренд и сезонность.

Анализ адекватности адаптивных моделей

Источник — «http://machinelearning.ru/wiki/index.php?title=%D0%9C%D0%BE%D0%B4%D0%B5%D0%BB%D1%8C_%D0%A5%D0%BE%D0%BB%D1%8C%D1%82%D0%B0-%D0%A3%D0%B8%D0%BD%D1%82%D0%B5%D1%80%D1%81%D0%B0»
Личные инструменты