Home Arrow Icon Knowledge base Arrow Icon Global Arrow Icon Kuidas on ajaloolised keskmised võrrelda teiste prognoosimismeetoditega, näiteks Arima või eksponentsiaalne silumine


Kuidas on ajaloolised keskmised võrrelda teiste prognoosimismeetoditega, näiteks Arima või eksponentsiaalne silumine


Otsingutulemuste põhjal on siin kokkuvõte sellest, kuidas ajaloolised keskmised võrreldakse teiste prognoosimismeetoditega nagu Arima ja eksponentsiaalne silumine:

Prognoosimismeetodite võrdlus

1. ajaloolised keskmised:
- Ajaloolised keskmised on lihtne ja vastupidav meetod lühiajaliseks prognoosimiseks.
- Need on tõhusad müra silumiseks ja hiljutiste suundumuste hõivamiseks.
-Ajaloolised keskmised ei kajasta aga pikaajalisi suundumusi ega muutusi alusharjumustes, muutes need pikaajalise prognoosimise jaoks vähem tõhusaks.

2. Arima (autoregressiivne integreeritud liikuv keskmine):
- Arima on keerukam statistiline mudel, mis suudab aegridade andmetes keerulisi mustreid hõivata.
-Arima on efektiivne nii lühiajalise kui ka pikaajalise prognoosimise jaoks, kuna see võib modelleerida suundumusi, hooajalisust ja muid mittestatsionaarseid omadusi.
- Arima edestab paljudel juhtudel ajaloolisi keskmisi, eriti pikaajaliste prognooside puhul, kus aluseks olevad mustrid muutuvad.

3. eksponentsiaalne silumine:
- Eksponentsiaalne silumine on veel üks traditsiooniline aegridade prognoosimismeetod, mis määrab varasematele vaatlustele hüppeliselt väheneva kaalu.
- Eksponentsiaalne silumine võib haarata suundumusi ja hooajalisust, muutes selle keskmise ja pikaajalise prognoosimise ajalooliste keskmiste tõhusamaks.
- Eksponentsiaalset silumist võrreldakse sageli Arimaga ja need kaks meetodit võivad mõnikord anda sarnaseid tulemusi, sõltuvalt aegridade omadustest.

Võrdlus otsingutulemustest

Otsingutulemused annavad täiendavaid teadmisi:

- Esimeses tulemuses [1] võrreldakse Arima ja eksponentsiaalset silumist, näidates, et kahe meetodi jõudlus võib sõltuvalt konkreetsetest aegridade andmetest varieeruda.
- Teises tulemuses [2] võrreldakse Arima ja LSTM -i (teatud tüüpi süvaõppe mudelit) ning leiab, et LSTM edestab Arimat aegridade prognoosimisülesannetes pisut.
- Kolmas ja neljas tulemus [3, 4] võrdlevad ka Arima ja LSTM-i ning leiavad üldiselt, et LSTM võib Arimat edestada, eriti keerukate, mittelineaarsete aegridade puhul.

Järeldus

Kokkuvõtlikult võib öelda, et ajaloolised keskmised on lihtne ja tõhus meetod lühiajaliseks prognoosimiseks, kuid neid edestavad üldiselt keerukamad meetodid nagu Arima ja eksponentsiaalne silumine, eriti pikaajaliste prognooside jaoks. Arima ja eksponentsiaalne silumine võivad andmetes haarata keerukamaid mustreid, muutes need sobivamaks laiemaks prognoosimisülesanneteks. Lisaks on uuemad süvaõppepõhised meetodid nagu LSTM näidanud paljulubavaid tulemusi traditsiooniliste statistiliste mudelite edestamisel teatud aegridade prognoosimisstsenaariumide korral.

Tsitaadid:
]
[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-imama-models-in-r/