Remiantis paieškos rezultatais, čia yra santrauka, kaip istoriniai vidurkiai lyginami su kitais prognozavimo metodais, tokiais kaip Arima ir eksponentinis išlyginimas:
prognozavimo metodų palyginimas
1. Istoriniai vidurkiai:
- Istoriniai vidurkiai yra paprastas ir patikimas metodas trumpalaikiam prognozavimui.
- Jie veiksmingai išlygina triukšmą ir užfiksuoja naujausias tendencijas.
-Tačiau istoriniai vidurkiai neužfiksuoja ilgalaikių tendencijų ar pagrindinių modelių pokyčių, todėl jie yra mažiau veiksmingi ilgalaikiam prognozavimui.
2. Arima (autoregresyvus integruotas slenkamasis vidurkis):
- „Arima“ yra sudėtingesnis statistinis modelis, galintis užfiksuoti sudėtingus laiko eilučių duomenų modelius.
-„Arima“ yra veiksminga tiek trumpalaikiam, tiek ilgalaikiam prognozavimui, nes tai gali modeliuoti tendencijas, sezoniškumą ir kitas nestacionarias savybes.
- Arima daugeliu atvejų pralenkia istorinius vidurkius, ypač ilgalaikėms prognozėms, kai keičiasi pagrindiniai modeliai.
3. Eksponentinis išlyginimas:
- Eksponentinis išlyginimas yra dar vienas tradicinis laiko eilučių prognozavimo metodas, priskiriantis eksponentiškai mažinti svorį ankstesniams stebėjimams.
- Eksponentinis išlyginimas gali užfiksuoti tendencijas ir sezoniškumą, todėl jis yra efektyvesnis nei vidutinio ir ilgalaikio prognozavimo istorinių vidurkiai.
- Eksponentinis išlyginimas dažnai lyginamas su arima, ir abu metodai kartais gali duoti panašių rezultatų, atsižvelgiant į laiko eilučių charakteristikas.
palyginimas iš paieškos rezultatų
Paieškos rezultatai pateikia keletą papildomų įžvalgų:
- Pirmasis rezultatas [1] lygina arima ir eksponentinį išlyginimą, parodant, kad dviejų metodų veikimas gali skirtis priklausomai nuo konkrečių laiko eilučių duomenų.
- Antrasis rezultatas [2] lygina ARIMA ir LSTM (giluminio mokymosi modelio tipą) ir nustato, kad LSTM šiek tiek pralenkia ARIMA laiko eilučių prognozavimo užduotims.
- Trečiasis ir ketvirtasis rezultatai [3, 4] taip pat palygina ARIMA ir LSTM ir paprastai nustato, kad LSTM gali aplenkti ARIMA, ypač sudėtingose, netiesinėse laiko eilutėse.
Išvada
Apibendrinant galima pasakyti, kad istoriniai vidurkiai yra paprastas ir efektyvus trumpalaikio prognozavimo metodas, tačiau jie paprastai pralenkia sudėtingesnius metodus, tokius kaip arima ir eksponentinis išlyginimas, ypač ilgalaikėms prognozėms. „Arima“ ir eksponentinis išlyginimas gali užfiksuoti sudėtingesnius duomenų modelius, todėl jie yra tinkamesni platesniam prognozavimo užduotims. Be to, naujesni giluminio mokymosi metodai, tokie kaip LSTM, parodė perspektyvius rezultatus pralenkdami tradicinius statistinius modelius tam tikruose laiko eilučių prognozavimo scenarijuose.
Citatos:[1] https://www.researchgate.net/publication/258740343_arima_model_and_exponential_smoothing_method_a_comparion
[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-r/