Основываясь на результатах поиска, вот краткое изложение того, как исторические средние значения сравниваются с другими методами прогнозирования, такими как Arima и экспоненциальное сглаживание:
Сравнение методов прогнозирования
1. Исторические средние значения:
- Исторические средние значения являются простым и надежным методом краткосрочного прогнозирования.
- Они эффективны для сглаживания шума и захвата недавних тенденций.
-Однако исторические средние значения не отражают долгосрочные тенденции или изменения в базовых моделях, что делает их менее эффективными для долгосрочного прогнозирования.
2. Арима (авторегрессивный интегрированный скользящий средний):
- Арима - это более сложная статистическая модель, которая может захватывать сложные закономерности в данных временных рядов.
-Арима эффективна как для краткосрочного, так и для долгосрочного прогнозирования, поскольку она может моделировать тенденции, сезонность и другие нестационарные характеристики.
- Арима превосходит исторические средние значения во многих случаях, особенно для долгосрочных прогнозов, когда меняются основные модели.
3. Экспоненциальное сглаживание:
- Экспоненциальное сглаживание - еще один традиционный метод прогнозирования временных рядов, который назначает экспоненциально снижение веса для прошлых наблюдений.
- Экспоненциальное сглаживание может отражать тенденции и сезонность, что делает его более эффективным, чем исторические средние значения для среднего и долгосрочного прогнозирования.
- Экспоненциальное сглаживание часто сравнивается с ARIMA, и эти два метода могут иногда давать сходные результаты, в зависимости от характеристик временного ряда.
Сравнение результатов поиска
Результаты поиска дают некоторые дополнительные идеи:
- Первый результат [1] сравнивает ARIMA и экспоненциальное сглаживание, показывая, что производительность двух методов может варьироваться в зависимости от конкретных данных временных рядов.
- Второй результат [2] сравнивает ARIMA и LSTM (тип модели глубокого обучения) и обнаруживает, что LSTM немного превосходит ARIMA в задачах прогнозирования временных рядов.
- Третий и четвертый результаты [3, 4] также сравнивают ARIMA и LSTM и, как правило, обнаруживают, что LSTM может превзойти ARIMA, особенно для сложных нелинейных временных рядов.
Заключение
Таким образом, исторические средние значения являются простым и эффективным методом для краткосрочного прогнозирования, но они, как правило, превосходят более сложные методы, такие как ARIMA и экспоненциальное сглаживание, особенно для долгосрочных прогнозов. Арима и экспоненциальное сглаживание могут запечатлеть более сложные закономерности в данных, что делает их более подходящими для более широкого спектра задач прогнозирования. Кроме того, более новые методы глубокого обучения, такие как LSTM, показали многообещающие результаты в превосходстве традиционных статистических моделей в определенных сценариях прогнозирования временных рядов.
Цитаты:[1] https://www.researchgate.net/publication/258740343_arima_model_and_exponential_smoothing_method_a_comparison
[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/