Home Arrow Icon Knowledge base Arrow Icon Global Arrow Icon Πώς συγκρίνονται οι ιστορικοί μέσοι όροι με άλλες μεθόδους πρόβλεψης όπως η ARIMA ή η εκθετική εξομάλυνση


Πώς συγκρίνονται οι ιστορικοί μέσοι όροι με άλλες μεθόδους πρόβλεψης όπως η ARIMA ή η εκθετική εξομάλυνση


Με βάση τα αποτελέσματα αναζήτησης, εδώ είναι μια περίληψη του τρόπου με τον οποίο οι ιστορικοί μέσοι όροι συγκρίνονται με άλλες μεθόδους πρόβλεψης όπως η ARIMA και η εκθετική εξομάλυνση:

Σύγκριση των μεθόδων πρόβλεψης

1. Ιστορικοί μέσοι όροι:
- Οι ιστορικοί μέσοι όροι είναι μια απλή και ισχυρή μέθοδος για βραχυπρόθεσμη πρόβλεψη.
- Είναι αποτελεσματικά στην εξομάλυνση του θορύβου και στην καταγραφή πρόσφατων τάσεων.
-Ωστόσο, οι ιστορικοί μέσοι όροι δεν καταγράφουν μακροπρόθεσμες τάσεις ή αλλαγές στα υποκείμενα πρότυπα, καθιστώντας τα λιγότερο αποτελεσματικά για μακροχρόνια πρόβλεψη.

2. ARIMA (αυτορυθμιζόμενος ολοκληρωμένος κινητός μέσος όρος):
- Το Arima είναι ένα πιο εξελιγμένο στατιστικό μοντέλο που μπορεί να συλλάβει σύνθετα πρότυπα σε δεδομένα χρονοσειρών.
-Η ARIMA είναι αποτελεσματική τόσο για βραχυπρόθεσμες όσο και για μακροπρόθεσμη πρόβλεψη, καθώς μπορεί να μοντελοποιήσει τις τάσεις, την εποχικότητα και άλλα μη στατικά χαρακτηριστικά.
- Η Arima ξεπερνά τους ιστορικούς μέσους όρους σε πολλές περιπτώσεις, ειδικά για μακροπρόθεσμες προβλέψεις όπου αλλάζουν τα υποκείμενα πρότυπα.

3. Εκθετική εξομάλυνση:
- Η εκθετική εξομάλυνση είναι μια άλλη παραδοσιακή μέθοδος πρόβλεψης χρονοσειρών που αποδίδει εκθετικά μειώνοντας τα βάρη σε προηγούμενες παρατηρήσεις.
- Η εκθετική εξομάλυνση μπορεί να συλλάβει τις τάσεις και την εποχικότητα, καθιστώντας την πιο αποτελεσματική από τους ιστορικούς μέσους όρους για μεσοπρόθεσμες και μακροπρόθεσμες προβλέψεις.
- Η εκθετική εξομάλυνση συχνά συγκρίνεται με την ARIMA και οι δύο μέθοδοι μπορούν μερικές φορές να παράγουν παρόμοια αποτελέσματα, ανάλογα με τα χαρακτηριστικά των χρονοσειρών.

σύγκριση από τα αποτελέσματα αναζήτησης

Τα αποτελέσματα αναζήτησης παρέχουν μερικές πρόσθετες γνώσεις:

- Το πρώτο αποτέλεσμα [1] συγκρίνει την ARIMA και την εκθετική εξομάλυνση, δείχνοντας ότι η απόδοση των δύο μεθόδων μπορεί να ποικίλει ανάλογα με τα συγκεκριμένα δεδομένα χρονοσειρών.
- Το δεύτερο αποτέλεσμα [2] συγκρίνει τα ARIMA και LSTM (ένας τύπος μοντέλου βαθιάς μάθησης) και διαπιστώνει ότι το LSTM ξεπερνά τα καθήκοντα πρόβλεψης των χρονοσειρών.
- Το τρίτο και το τέταρτο αποτέλεσμα [3, 4] συγκρίνουν επίσης τα ARIMA και LSTM και γενικά διαπιστώνουν ότι το LSTM μπορεί να ξεπεράσει την Arima, ειδικά για σύνθετες, μη γραμμικές χρονοσειρές.

Συμπέρασμα

Συνοπτικά, οι ιστορικοί μέσοι όροι αποτελούν μια απλή και αποτελεσματική μέθοδο για βραχυπρόθεσμες προβλέψεις, αλλά γενικά υπερβαίνουν τις πιο εξελιγμένες μεθόδους όπως η ARIMA και η εκθετική εξομάλυνση, ειδικά για μακροπρόθεσμες προβλέψεις. Η ARIMA και η εκθετική εξομάλυνση μπορούν να συλλάβουν πιο σύνθετα πρότυπα στα δεδομένα, καθιστώντας τα πιο κατάλληλα για ένα ευρύτερο φάσμα εργασιών πρόβλεψης. Επιπλέον, οι νεότερες μεθόδους με βάση τη βαθιά μάθηση, όπως το LSTM, έχουν δείξει πολλά υποσχόμενα αποτελέσματα στην υπεραπόδοση των παραδοσιακών στατιστικών μοντέλων σε ορισμένα σενάρια πρόβλεψης χρονοσειρών.

Αναφορές:
[1] https://www.researchgate.net/publication/258740343_arima_model_and_exponential_smoothing_method_a_comparisonis
[2] https://iopscience.iop.org/article/10.1088/1742-6596/1631/1/012141/meta
[3] https://par.nsf.gov/servlets/purl/10186768
[4] https://ieeexplore.ieee.org/document/8614252/
[5] https://developer.ibm.com/tutorials/awb-arima-models-in-r/