Lautsprecher | Transkript |
| Dieser Vortrag soll einige hervorheben |
| 00 | 11.600 |
| 3 |
| Zeitreihenplattformen. Drei sind |
| von Zeitreihenplattformen und |
| 00 | 34.700 |
| 38.400 |
| 10 |
| 11 |
| 12 |
| brauchen wir Box Cox? |
| transformierte Zeitreihen? |
| Werfen wir einen Blick auf die Daten |
| 00 | 00.933 |
| 06.200 |
| 18 |
| auch als Fluggesellschaft bekannt |
| Passagierdatensatz. |
| Die Originalserie ist |
| 00 | 23.900 |
| 23 |
| Modell aus. |
| Warum? Werfen wir einen Blick auf eine Handlung ... |
| 00 | 43.433 |
| 27 |
| größer werden. Und diese Serie |
| kann nicht von der behandelt werden |
| 00 | 01.666 |
| 31 |
| im zweiten Bild. Also die |
| Variation ändert sich nicht |
| mit den verschiedenen Zeitreihen ??? |
| 00 | 20.266 |
| 36 |
| Also in der Literatur werden die Leute |
| Sagen wir, wir werden uns verwandeln |
| 00 | 33.800 |
| 38.700 |
| 41 |
| 42 |
| 43 |
| der Transformationsskala in diesem Fall |
| Hier ist es die Protokollskala. |
| Senden Sie es inverse |
| 00 | 04.366 |
| 49 |
| verwandeln. |
| In der Vergangenheit ... in der Vergangenheit |
| 00 | 21.966 |
| 53 |
| rationalisieren Sie den gesamten Prozess. |
| Was Sie tun müssen, ist zu setzen |
| 00 | 39.133 |
| 57 |
| müssen die Modelle machen, machen |
| Prognose, dann die Software, |
| 00 | 55.933 |
| 61 |
| wird log Passagiere in Y setzen, |
| aber jetzt müssen wir nicht. Wir |
| 00 | 15.033 |
| 66 |
| um die Box Cox zu betreten |
| Transformationsparameter Lambda. |
| Null, es bedeutet, dass es ein Protokoll ist |
| 00 | 28.333 |
| 31.166 |
| 37.433 |
| 73 |
| das rote Dreieck Menü und klicken |
| entweder ARIMA oder saisonale ARIMA. |
| 00 | 01.766 |
| 78 |
| 12 für den saisonalen Teil. |
| Ohne abzufangen. Klicken |
| 00 | 19.633 |
| 22.933 |
| 24.500 |
| 28.733 |
| 85 |
| 86 |
| Prognose kümmert sich um die |
| inverse Transformation. Das |
| 00 | 49.600 |
| 91 |
| wird in diesem zeigen. |
| Handlung und die Prognose hatte |
| 00 | 05.033 |
| 08.800 |
| 11.100 |
| 17.866 |
| 98 |
| Modelle ist ein Arbeitstier in der Zeit |
| Serienprognoseplattform. |
| Sie können viel passen und vorhersagen |
| 00 | 35.733 |
| 39.633 |
| 104 |
| Leistung ist irgendwie vergleichbar |
| zur Prognose |
| 00 | 59,366 |
| 110 |
| 111 |
| studiere warum es ... warum dieser Typ |
| von Modellarbeiten und warum einige einige |
| 00 | 18.600 |
| 115 |
| 116 |
| Geben Sie das Modell in die Zeitreihe ein |
| Plattform, die ausgelegt ist |
| 00 | 43.900 |
| 120 |
| eine Funktion des Unbekannten |
| Zustand, unbeobachteter Zustand. Hier, um |
| 00 | 01.000 |
| 124 |
| Variablen und der Fehlerterm |
| durch entweder additive Operationen |
| 00 | 16.266 |
| 19.200 |
| 129 |
| 130 |
| state ist die Level-State-Zeit |
| Serie. Trendzustand bildet a |
| 00 | 40.733 |
| 134 |
| 135 |
| Staat, und auch einer der |
| frühere saisonale Zustände. Und |
| 00 | 59.733 |
| 03.133 |
| 140 |
| 141 |
| vorheriger Trendzustand wird |
| tremd zum nächsten. |
| Trendzustand und Levelzustand |
| 00 | 25.966 |
| 146 |
| auf einen anderen Zeitpunkt zeigen. Und |
| Es gibt mehr Pfeile ... als dort |
| sind mehr Zustandsübergänge als es ist |
| 00 | 49.700 |
| 152 |
| Reihe in Y und klicken Sie auf OK. |
| Um diese Art von Modell zu passen, haben wir |
| 00 | 12.300 |
| 16.766 |
| 160 |
| 161 |
| Ich werde 12 eingeben |
| für den Zeitraum. |
| Und ich werde auf Auswählen klicken |
| Empfohlene Schaltfläche. |
| Aus den additiven Fehlermodellen und |
| 00 | 47,666 |
| 169 |
| Dieses spezielle Set gehe ich |
| um auf Einschränkungsparameter zu klicken |
| 00 | 05.966 |
| 173 |
| empfohlene Modelle für diese |
| Art ... dieser Zeitreihen und |
| 00 | 23.666 |
| 27.966 |
| 179 |
| 180 |
| Modell mit kleinerem AIC und |
| Meine Augen sind auf die ersten beiden gerichtet |
| 00 | 52.300 |
| 184 |
| Modelle. Und lass mich |
| Überlagern Sie die Prognose |
| 00 | 09.366 |
| 10.566 |
| 17.666 |
| 190 |
| 191 |
| 192 |
| 193 |
| aus der ursprünglichen Zeitreihe |
| schöner. |
| Also würde ich es in meiner Präferenz tun |
| 00 | 45.133 |
| 198 |
| Unterschied? Lass mich das öffnen |
| erste MAA ... MAM. |
| Lass uns unten runter gehen. Dies |
| 00 | 05.533 |
| 10.666 |
| 204 |
| Dieses hier | Komponentenzustände. |
| Dies ist ein besonderes dafür |
| 00 | 32.900 |
| 209 |
| der erste Buchstabe. |
| Und der Trend ist additiv von |
| 00 | 50,233 |
| 213 |
| zweiter Teil dieses Berichts sind |
| die ... sind die Zustandskomponente |
| 00 | 06.100 |
| 217 |
| Teil ist die Vorhersage von |
| dieser spezifische Zustand. |
| Der Zeitraum der Zeitreihe |
| 00 | 27.500 |
| 222 |
| 223 |
| hat ein zunehmendes Muster in |
| die Vergangenheit. Es nimmt weiter zu |
| 00 | 48,266 |
| 227 |
| Serie und das Muster geht weiter |
| in die Zukunft, und das |
| 00 | 03.466 |
| 231 |
| beobachtet, aber die Prognose ist |
| eben. Das hat mich gestört. |
| Schauen wir uns jetzt den zweiten an |
| 00 | 17.333 |
| 20.366 |
| 23.566 |
| 27.933 |
| 239 |
| 240 |
| Zustandskomponentendiagramm. Level ist |
| in der Vergangenheit zugenommen hatte |
| 00 | 44.366 |
| 48,466 |
| 245 |
| 246 |
| 247 |
| 248 |
| Zukunft. Das ist vernünftiger |
| Handlung, die ich akzeptieren kann. So ist es |
| 00 | 14.866 |
| 252 |
| weiter zur zweiten Folie. |
| Diese Folie und dann die nächste |
| 00 | 45.100 |
| 259 |
| zur Interpretation der Prognosen |
| von diesem Modell ... diese Art von |
| Modelle. Hier möchte ich |
| 00 | 01.933 |
| 07.233 |
| 265 |
| oben. Ich habe die Hälfte davon hier aufgelistet. |
| Oh, fast die Hälfte. Konzentrieren wir uns also |
| 00 | 27.033 |
| 30.800 |
| 271 |
| Einige erhöhen den Trend und werden |
| gegen Ende verjüngen. |
| Und andererseits können wir |
| 00 | 54,233 |
| 277 |
| siehe aus der Prognose mit diesem |
| Typ Modell. Wenn Saisonalität |
| ist nicht beteiligt. Wenn ich |
| 00 | 11.066 |
| 14.200 |
| 19.566 |
| 284 |
| 285 |
| 286 |
| das erste ist das |
| eine flache Prognose, wenn die Saisonalität |
| 00 | 46.833 |
| 51,266 |
| 291 |
| einen linearen Anstieg haben |
| patern und so weiter so weiter |
| ähnlich wie die anderen. Jetzt |
| 00 | 06.800 |
| 12.566 |
| 297 |
| es nimmt nur zu. |
| Nach dem Auftragen der |
| 00 | 34.033 |
| 302 |
| die multiplikative Saisonalität auf |
| die Spitze unserer Zunahme |
| 00 | 48.966 |
| 306 |
| dieser Typ ... andere Art von |
| Formen | eben |
| 00 | 05.666 |
| 10.733 |
| 311 |
| 312 |
| wir bekommen diese anders ... anders |
| Formen. Also bin ich wieder da ??? |
| 00 | 33.466 |
| 40.433 |
| 318 |
| was wir schließlich in sehen |
| die Vorhersage. |
| Sie haben die flachen Muster oder |
| 00 | 00.733 |
| 323 |
| Parameter. Also habe ich mich getrennt |
| diese Teile und auch ich |
| 00 | 14.866 |
| 20.400 |
| 328 |
| 329 |
| 330 |
| Trend wird in der Regel flach aussehen, |
| wir werden eine Erhöhung bekommen |
| Muster im Level-Zustand. |
| Wenn es linear ist und |
| wenn es gebogen ist. |
| Es hängt alles davon ab, wie das geht |
| 00 | 52,233 |
| 57,666 |
| 339 |
| Zunahme oder Abnahme in der |
| Niveau exponentiell. Das ist es also |
| 00 | 13.466 |
| 343 |
| ist schlank und denke daran |
| Zinseszins wenn |
| wenn sich der Levelzustand erhöht |
| 00 | 32.466 |
| 348 |
| sie machen Prognosen, sie versuchen ... |
| versuche nicht zu überschießen |
| oder unterschätzen Sie die Prognose, dass |
| 00 | 59.833 |
| 355 |
| wie man interpretiert |
| die Prognose vom Staat |
| 00 | 20.133 |
| 359 |
| zweite, keine davon |
| Modelle sind stationär. Sie sind |
| 00 | 37,466 |
| 364 |
| Also, wenn Sie diese in Betracht ziehen |
| Zeitfolgen. Dinge |
| 00 | 55,566 |
| 59.600 |
| 369 |
| dritte, wenn Sie nur sehen |
| diese Zeitreihe nicht |
| 00 | 12.000 |
| 373 |
| 374 |
| ein Ergebnis in einem ... in |
| die nächste Folie, die passt |
| 00 | 31.933 |
| 378 |
| Vergleichen Sie über die Art von |
| Modell vorsichtig sein. |
| Diese Folie soll zeigen, wie ... |
| 00 | 51.800 |
| 383 |
| ist die Prognose. |
| Und ähnlich zeichne ich meine |
| 00 | 07.400 |
| 387 |
| Wenden Sie diese Art von Zustandsraum an |
| Modelle auf stationär glätten |
| Zeitfolgen? Hier simuliere ich a |
| 00 | 32.633 |
| 393 |
| 394 |
| 395 |
| Modelle zu dieser Zeitreihe, die |
| bestes Modell stellt sich heraus, in einem |
| 00 | 54,266 |
| 399 |
| 400 |
| ziemlich anders, weil es ist |
| ein Random-Walk-Modell und die |
| 00 | 13.466 |
| 16.466 |
| 18.733 |
| 22.333 |
| 408 |
| Feature in dieser Präsentation |
| Prognose für Holdback. |
| Diese Funktion ermöglicht es Ihnen |
| 00 | 37,966 |
| 40.500 |
| 45,833 |
| 415 |
| 416 |
| 417 |
| 418 |
| einer ist von einem anderen Modell. |
| Und dann können Sie diese vergleichen |
| 00 | 11.833 |
| 423 |
| 424 |
| um diese Funktion zu aktivieren. Dann ich |
| müssen angeben |
| die Länge des Holdbacks |
| 00 | 35.200 |
| 38,466 |
| 430 |
| 431 |
| 432 |
| Klicken Sie auf Empfohlen auswählen. |
| und überprüfen Sie die Einschränkung |
| 00 | 06.433 |
| 438 |
| 439 |
| Teil der Serie, |
| Wir haben den Holdback aufgelistet |
| 00 | 26.000 |
| 443 |
| 444 |
| Standardmäßig, aber Sie können |
| Ändern Sie immer die Metriken, die Sie |
| 00 | 39.900 |
| 44,866 |
| 449 |
| Berichte sind ähnlich wie |
| dazu kam aus der analyse |
| Ergebnisse, ohne dies zu aktivieren |
| 00 | 05.433 |
| 454 |
| 455 |
| Lassen Sie mich zusammenfassen |
| woraus wir gelernt haben |
| 00 | 25.566 |
| 459 |
| Leistung über den Holdback |
| Daten. Aber diese Kriterien sind |
| 00 | 41.366 |
| 463 |
| Prozess. Wir sehen das eher |
| anders als wir verwenden |
| 00 | 57.700 |
| 467 |
| Teil der Modellanpassung |
| Prozess, also das ist etwas |
| 00 | 17.000 |
| 471 |
| Holdback zu bewerten |
| verschiedene Modelle basierend auf ihren |
| Prognoseleistung. Also wir |
| 00 | 32.033 |
| 35,366 |
| 478 |
| Spalte ist diese Zeitreihe |
| Indikator. Y ist eine Zeitreihe |
| 00 | 55,666 |
| 482 |
| Fassen Sie auch den Datensatz zusammen |
| Zeit oder Zeitreihen, von |
| 00 | 09.533 |
| 12.066 |
| 16.600 |
| 488 |
| 489 |
| Spezifikation oder ändern Sie die |
| Modellauswahlstrategie, wir |
| 00 | 39.200 |
| 494 |
| check ... Auswahl in der ändern |
| erstes Kombinationsfeld zur Prognose |
| Performance. Dann können wir wählen |
| Prognoseleistung |
| 00 | 04.633 |
| 500 |
| Wir wollen eine Prognose. Doch kannst du |
| Wählen Sie eine beliebige ... ändern Sie eine beliebige |
| 00 | 17.833 |
| 25.466 |
| 30.866 |
| 506 |
| 507 |
| mit dem Training |
| Zeitreihen, wählen Sie die besten |
| 00 | 49.800 |
| 52.333 |
| 54.766 |
| 57.900 |
| 00.966 |
| 515 |
| Serienplattform. Zuerst analysieren |
| Box Cox Transformierte Zeitreihen. |
| Der zweite ist fit Zustand |
| 00 | 27.666 |
| 521 |
| 522 |
| auch und verwenden es als |
| Und Modellauswahlmethode. |
| Vielen Dank. |
