단순 이동 평균 예측 모델

이동 평균 예측. 소개 당신이 추측 할 수 있듯이 우리는 예측에 대한 가장 원시적 인 접근법 중 일부를보고 있습니다. 그러나 이것은 적어도 스프레드 시트에서 예측을 구현하는 것과 관련된 일부 컴퓨팅 문제에 대한 가치있는 소개 일 것입니다. 이 경우 우리는 처음부터 시작하여 이동 평균 예측으로 작업을 시작하십시오. 이동 평균 예측 모든 사람들은 그들이 믿는 지 여부에 관계없이 이동 평균 예측에 익숙합니다. 모든 대학생들이 항상 그 일을합니다. 진행할 코스에서 시험 점수를 생각해보십시오. 4 학기 동안 시험을 치러야합니다. 첫 번째 시험에서 85 점이라고 가정합시다. 두 번째 시험 점수를 어떻게 예측할 것입니까? 당신의 선생님이 다음 시험 성적에 대해 어떻게 예측할 것이라고 생각하십니까. 친구들이 예측할 수 있다고 생각합니까? 다음 시험 성적을 위해. 부모님이 다음 시험 성적에 대해 어떻게 예측 하시는지 생각해보십시오. 귀하가 귀하의 fr에 할 수있는 모든 모방에 상관없이 부모님들과 부모님들, 선생님과 선생님은 당신이 방금 얻은 85의 영역에서 뭔가를 얻을 것을 기대할 가능성이 큽니다. 이제, 당신의 친구들에게 당신의 자기 승진에도 불구하고, 당신 자신을 과대 평가한다고 가정합시다. 두 번째 테스트에서 더 적은 수를 공부하면 73 점을 얻을 수 있습니다. 이제 걱정 스럽거나 걱정하지 않는 것이 무엇인지 예상하여 세 번째 테스트를 시작하게 될 것입니다. 그들이 너와 나눌 지 말지. 그들은 스스로에게 말할지도 모른다. 이 남자는 항상 그의 영리에 대해 연기를 불고있다. 그가 운이 좋다면 73 세를 더 가질 것이다. 어쩌면 부모가 더지지하고 말하기를 시도 할 것이다. 음. 지금까지 85와 73을 얻었습니다. 85 73 2 79 알지 못합니다. 만약 파티가 덜하고 집집마다 족제비를 흔들지 않았다면 더 많이 공부하면 더 높은 점수를 얻을 수 있습니다. 이 두 견적은 모두 실제입니다. 이동 평균 예측. 첫 번째는 가장 최근의 점수 만 사용하여 미래의 실적을 예측합니다. 이것은 한 기간의 데이터를 사용하는 이동 평균 예측이라고합니다. 두 번째는 이동 평균 예측이지만 두 기간의 데이터를 사용합니다. 당신의 위대한 마음에 파문을 가진이 사람들은 모두 당신을 화나게하고 당신은 당신의 동맹국 앞에서 높은 점수를두기 위해 세 번째 시험에서 잘하기로 결정합니다. 시험을 치고 점수는 실제로 89 자신을 포함한 모든 사람들이 감명받습니다. 그래서 이제 학기말 테스트가 끝납니다. 평소처럼 모든 사람들이 마지막 테스트에서 어떻게 할 것인가에 대한 예측을 할 필요가 있다고 느낍니다. 패턴입니다. 자, 이제 패턴을 볼 수 있습니다. 가장 정확하다고 믿습니다. 우리가 일하는 동안 지금 우리는 일하는 동안 호각이라고 불리는 이분의 여동생이 시작한 새로운 청소 회사로 돌아갑니다. 과거 판매 데이터가 있습니다. 스프레드 시트에서 다음 섹션으로 표시됩니다. 우리는 먼저 3 기간 이동 평균 예측에 대한 데이터를 제시합니다. 셀 C6에 대한 항목이 있어야합니다. 이제이 셀 수식을 다른 셀 C7에서 C11까지 복사 할 수 있습니다. 평균 이동 방식을 알려줍니다. 가장 최근의 과거 데이터를 사용하지만 각 예측에 사용할 수있는 가장 최근의 세 기간을 정확하게 사용합니다. 가장 최근의 예측을 개발하기 위해 과거 기간에 대한 예측을 실제로 수행 할 필요가 없음을 알아야합니다. 지수 평활화 모델 저는 예측 결과를 다음 웹 페이지에서 사용하여 예측 유효성을 측정하기 때문에 과거 예측을 포함 시켰습니다. 이제는 2 기간 이동 평균 예측에 대한 유사한 결과를 제시하고자합니다. 셀 C5에 대한 항목이 있어야합니다. 이 셀 수식을 다른 셀 C6에서 C11까지 복사 할 수 있습니다. 이제는 가장 최근의 두 가지 기록 데이터 만 각 예측에 사용됩니다. 다시 말하지만 예측을 검증하기 위해 나중에 사용하기 위해 과거 예측을 사용합니다. 주목해야 할 다른 중요한 사항입니다. m - 기간 이동 평균 예측의 경우 가장 최근의 데이터 값만이 예측을 수행하는 데 사용됩니다. . m - 기간 이동 평균 예측에 대해 과거 예측을 할 때 첫 번째 예측이 m1 기간에 발생 함을 주목하십시오. 우리가 코드를 개발할 때이 두 문제 모두 매우 중요합니다. 이동 평균 기능 개발 이제는 보다 유연하게 사용할 수있는 이동 평균 예측을위한 코드 코드는 다음과 같습니다. 예측은 예측에서 사용하려는 기간 수와 기록 값 배열에 대한 것입니다. 원하는 통합 문서에 저장할 수 있습니다. 기능 MovingAverage Historical, NumberOfPeriods 단일 변수로 선언 및 초기화 함 Dim 항목으로 Variant Dim 카운터를 정수로 희석 Accumulation으로 Single Dim HistoricalSize Integer로. 변수 초기화 중 카운터 1 누계 0. 기록 배열 크기 HistoricalSize. For 카운터 1 For NumberOfPeriods. 가장 최근에 이전에 관측 된 값 중 적절한 수를 누적합니다. 누적 누적 기록 이력 - 크기 누적 횟수 카운터. 이동중 누적 누적 누적 횟수입니다. 코드가 클래스로 설명됩니다. 계산 결과가 필요한 위치에 표시되도록 스프레드 시트에 함수를 배치하려고합니다. SIMPLE MOVING AVERAGE. 간단한 이동 평균을 예측 도구로 사용하는 문제. 이동 평균은 실제 데이터를 추적하지만 항상 뒤쳐져 있습니다. 이동 평균은 실제 데이터의 최고점 또는 최저점에 결코 도달하지 않습니다 데이터를 부드럽게합니다. 미래에 대해 많이 말하지 않아도됩니다. 그러나 이것은 이동 평균을 쓸모 없게 만들지는 않습니다. 문제를 알고 있어야합니다. 요약 설명. 오디오 변환. 간단히 말하면 요약하면 평균 또는 단일 이동 평균, 우리는 예측 도구로 간단한 이동 평균을 사용하여 몇 가지 문제를 보았다 이동 평균은 tra 실제 데이터를 cking하지만 그것보다 항상 뒤떨어져 있습니다. 이동 평균은 실제 데이터의 최고점 또는 최저점에 도달하지 않으며 데이터를 부드럽게합니다. 단순히 미래를 예측하지 않기 때문에 실제로 미래에 대해 알려주지 않습니다. 예측은 미래 기간 동안 가장 좋은 가치를 나타내는 것으로 가정합니다. 그러나 그 이상으로 많이 알려주지는 않습니다. 단순 이동 평균을 볼 수없는 단순 이동 평균을 쓸모 없게 만듭니다. 클래스 MovingAverageModel. A 이동 평균 예측 모델은 인위적으로 구성된 시계열을 기반으로합니다. 주어진 시간주기의 값이 해당 값의 평균 및 이전 및 이후의 특정 기간 수에 대한 값으로 대체됩니다. 설명에서이 모델은 시계열 데이터, 즉 시간이 지남에 따라 변하는 데이터에 가장 적합합니다. 예를 들어, 주식 시장의 개별 주식 차트에서는 추세를 보여주는 방법으로 20, 50, 100 또는 200 일 이동 평균을 표시합니다. 특정 기간에 대한 예측 값은 이전 기간의 평균이므로 예측은 항상 관찰 된 종속 값의 증가 또는 감소보다 지연되는 것처럼 보입니다. 예를 들어 데이터 시리즈가 눈에 able만한 상승 경향을 갖는 경우 이동 평균 예측은 일반적으로 종속 변수의 가치를 과소 평가합니다. 이동 평균법은 최고점과 최고점을 부드럽게한다는 점에서 다른 예측 모델에 비해 이점이 있습니다 거칠기 또는 계곡을 관찰 세트에서 계산할 수 있지만 몇 가지 단점이 있습니다. 특히이 모델은 실제 방정식을 생성하지 않습니다. 따라서 중거리 예측 도구로 유용하지는 않습니다. 이동 평균 모델은보다 일반적인 가중 이동 평균의 특수한 경우입니다. 단순 이동 평균에서는 모든 가중치가 동일합니다. 0 3 작성자 Steven R Gould. class. MovingAverageModel에서 상속받은 필드 new moving average forecasting model. MovingAverageModel int period 지정된 period. getForecastType을 사용하여 새로운 이동 평균 예측 모델을 생성합니다. 이 유형의 예측 모델에 대해 하나 또는 두 개의 단어 이름을 반환합니다. init DataSet dataSet 이동 평균 model. toString을 초기화하는 데 사용됩니다. 가능한 경우 파생 된 매개 변수가 사용 된 경우를 포함하여 현재 예측 모델에 대한 텍스트 설명을 제공하기 위해 재정의됩니다. 상속 된 메소드 새로운 이동 평균 예측 모델을 구축합니다. 유효한 모델을 생성하려면 init을 호출하고 독립 변수를 식별하기 위해 time 변수가 초기화 된 일련의 데이터 요소를 포함하는 데이터 집합을 전달해야합니다. 새로운 이동 평균 예측을 구성합니다. 모델. 독립 변수로 지정된 이름을 사용합니다. 매개 변수 independentVariable - 이 모델에서 사용할 독립 변수의 이름입니다. 지정된 기간을 사용하여 새로운 이동 평균 예측 모델을 구성합니다. 유효한 모델을 생성하려면 init 독립 변수를 식별하기 위해 시간 변수가 초기화 된 일련의 데이터 요소를 포함하는 데이터 세트를 전달하십시오. 기간 값은 이동 평균을 계산하는 데 사용되는 관측 수를 결정하는 데 사용됩니다. 예를 들어, 50 일 데이터 포인트가 일별 관측치 인 이동 평균은 기간을 50으로 설정해야합니다. 이 기간은 미래 기간 t 모자를 효과적으로 예측할 수 있습니다. 50 일 이동 평균을 사용하면 데이터를 사용할 수있는 마지막 기간보다 50 일 이상 예측할 수있는 합리적 정확성이 없습니다. 이는 10 일의 기간보다 더 유용 할 수 있습니다. 여기서 우리는 마지막 기간 이후 10 일을 합리적으로 예측할 수있었습니다. 매개 변수 기간 - 이동 평균을 계산하는 데 사용되는 관측 수입니다. 주어진 이름을 독립 변수 및 지정된 기간으로 사용하여 새로운 이동 평균 예측 모델을 생성합니다. 변수 independentVariable - 이 모델에서 사용할 독립 변수의 이름 period - 이동 평균을 계산하는 데 사용되는 관측 수입니다. 이동 평균 모델을 초기화하는 데 사용됩니다. 이 메서드는 클래스의 다른 메서드보다 먼저 호출해야합니다. 이동 평균 모델은 예측을위한 방정식을 유도하지 않으며, 이 방법은 입력 데이터 세트를 사용하여 독립 ti의 모든 유효한 값에 대한 예측 값을 계산합니다 me 변수. 인터페이스 ForecastingModel의 init에 의해 지정 AbstractTimeBasedModel 클래스의 init를 오버라이드합니다. 매개 변수 dataSet - 예측 모델의 예측 매개 변수를 초기화하는 데 사용할 수있는 관측 데이터 세트입니다. 이 유형의 예측 모델 유형 중 하나 또는 두 개의 단어 이름을 반환합니다. 유지 이 Short 메소드는, toString 메소드로 구현할 필요가 있습니다. 가능한 경우, 사용 된 파생 파라미터를 포함한, 현재의 예측 모델의 텍스트 설명을 제공하기 위해서 (때문에) 오버라이드 (override) 할 필요가 있습니다. 인터페이스 ForecastingModel의 toString에 의해 지정된 WeightedMovingAverageModel의 toString를 오버라이드 (override)합니다. 현재 예측 모델의 문자열 표현 및 매개 변수