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 Zeitreihe? |
| 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 von. |
| Warum? Werfen wir einen Blick auf eine Handlung ... |
| 00 | 43.433 |
| 27 |
| immer größer. Und diese Serie |
| kann von der nicht gehandhabt werden |
| 00 | 01.666 |
| 31 |
| im zweiten Bild. Also die |
| Variation ändert sich nicht |
| mit den verschiedenen Zeitreihen ??? |
| 00 | 20.266 |
| 36 |
| So werden es die Leute in der Literatur auch tun |
| Sagen Sie, nun, wir werden uns verwandeln |
| 00 | 33.800 |
| 38.700 |
| 41 |
| 42 |
| 43 |
| der Transformationsskala, in diesem Fall |
| hier ist es die logarithmische Skala. |
| Senden Sie es in die Umkehrung |
| 00 | 04.366 |
| 49 |
| verwandeln. |
| In der Vergangenheit...in der Vergangenheit |
| 00 | 21.966 |
| 53 |
| den gesamten Prozess rationalisieren. |
| Was Sie tun müssen, ist zu setzen |
| 00 | 39.133 |
| 57 |
| Ich muss die Modelle machen, machen |
| Prognose, dann die Software, |
| 00 | 55.933 |
| 61 |
| wird Stammpassagiere in Y unterbringen, |
| aber jetzt müssen wir nicht. Wir |
| 00 | 15.033 |
| 66 |
| um den Box Cox zu betreten |
| Transformationsparameter Lambda. |
| Null, es bedeutet, dass es sich um ein Protokoll handelt |
| 00 | 28.333 |
| 31.166 |
| 37.433 |
| 73 |
| Klicken Sie auf das Menü mit dem roten Dreieck und klicken Sie auf |
| entweder ARIMA oder saisonales ARIMA. |
| 00 | 01.766 |
| 78 |
| 12 für den saisonalen Teil. |
| Ohne Abfangen. Klicken |
| 00 | 19.633 |
| 22.933 |
| 24.500 |
| 28.733 |
| 85 |
| 86 |
| Prognose kümmert sich um die |
| Rücktransformation. Der |
| 00 | 49.600 |
| 91 |
| wird sich darin zeigen. |
| Handlung und die Prognose hatten |
| 00 | 05.033 |
| 08.800 |
| 11.100 |
| 17.866 |
| 98 |
| models ist ein Arbeitstier im Laufe der Zeit |
| Serienprognoseplattform. |
| Sie können viel anpassen und vorhersagen |
| 00 | 35.733 |
| 39.633 |
| 104 |
| Leistung ist irgendwie vergleichbar |
| zur Prognose |
| 00 | 59.366 |
| 110 |
| 111 |
| Studieren Sie, warum es ... warum dieser Typ |
| Modell funktioniert und warum einige |
| 00 | 18.600 |
| 115 |
| 116 |
| Geben Sie das Modell in die Zeitreihe ein |
| Plattform, die darauf ausgelegt ist |
| 00 | 43.900 |
| 120 |
| eine Funktion des Unbekannten |
| Zustand, unbeobachteter Zustand. Hier, um |
| 00 | 01.000 |
| 124 |
| Variablen und den 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 Saisonzustände. Und |
| 00 | 59.733 |
| 03.133 |
| 140 |
| 141 |
| vorheriger Trendzustand wird |
| tremd zum nächsten. |
| Trendzustand und der Niveauzustand |
| 00 | 25.966 |
| 146 |
| auf einen anderen Zeitpunkt verweisen. Und |
| Es gibt mehr Pfeile ... als dort |
| Es gibt mehr Zustandsübergänge als es ist |
| 00 | 49.700 |
| 152 |
| Reihe in Y und klicken Sie auf OK. |
| Um dieser Art von Modell gerecht zu werden, haben wir |
| 00 | 12.300 |
| 16.766 |
| 160 |
| 161 |
| eingestellt, 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, die dazu passen |
| Art von...diesen 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 |
| die Prognose überlagern |
| 00 | 09.366 |
| 10.566 |
| 17.666 |
| 190 |
| 191 |
| 192 |
| 193 |
| aus der ursprünglichen Zeitreihe |
| schöner. |
| Also meiner Meinung nach würde ich es tun |
| 00 | 45.133 |
| 198 |
| Unterschied? Lass mich das öffnen |
| Erstes MAA...MAM. |
| Gehen wir nach unten. Das |
| 00 | 05.533 |
| 10.666 |
| 204 |
| Dieses hier | Komponentenzustände. |
| Dafür gibt es etwas Besonderes |
| 00 | 32.900 |
| 209 |
| der erste Buchstabe. |
| Und der Trend ist additiv |
| 00 | 50.233 |
| 213 |
| Zweiter Teil dieses Berichts sind |
| die...sind die Zustandskomponente |
| 00 | 06.100 |
| 217 |
| Teil ist die Vorhersage von |
| diesen speziellen Zustand. |
| Der Zeitraum der Zeitreihe |
| 00 | 27.500 |
| 222 |
| 223 |
| hat ein zunehmendes Muster in |
| die Vergangenheit. Es nimmt immer weiter zu |
| 00 | 48.266 |
| 227 |
| Serie und das Muster geht weiter |
| in Richtung Zukunft, und das |
| 00 | 03.466 |
| 231 |
| beobachtet, aber die Prognose ist |
| Wohnung. Das hat mich gestört. |
| Schauen wir uns nun die Sekunde an |
| 00 | 17.333 |
| 20.366 |
| 23.566 |
| 27.933 |
| 239 |
| 240 |
| Zustandskomponentendiagramm. Niveau 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 |
| bei der Interpretation der Prognosen |
| von diesem Modell... dieser Art von |
| Modelle. Hier möchte ich |
| 00 | 01.933 |
| 07.233 |
| 265 |
| hoch. Die Hälfte davon habe ich hier aufgelistet. |
| Oh, fast die Hälfte. Konzentrieren wir uns also |
| 00 | 27.033 |
| 30.800 |
| 271 |
| einige erhöhen den Trend und den Willen |
| zum Ende hin verjüngen. |
| Und andererseits können wir es |
| 00 | 54.233 |
| 277 |
| Sehen Sie sich dies anhand der Prognose an |
| Typmodell. Wenn Saisonalität |
| ist nicht beteiligt. Wenn ich |
| 00 | 11.066 |
| 14.200 |
| 19.566 |
| 284 |
| 285 |
| 286 |
| das erste, das ist |
| eine flache Prognose aufgrund der Saisonalität |
| 00 | 46.833 |
| 51.266 |
| 291 |
| haben einen linearen Anstieg |
| Muster und so weiter |
| ähnlich wie die anderen. Jetzt |
| 00 | 06.800 |
| 12.566 |
| 297 |
| es nimmt lediglich zu. |
| Nach dem Auftragen der |
| 00 | 34.033 |
| 302 |
| die multiplikative Saisonalität auf |
| die Spitze unserer zunehmenden |
| 00 | 48.966 |
| 306 |
| dieser Typ...anderer Typ von |
| Formen | Wohnung |
| 00 | 05.666 |
| 10.733 |
| 311 |
| 312 |
| Wir bekommen diese anders...anders |
| Formen. Also trete ich wieder ein??? |
| 00 | 33.466 |
| 40.433 |
| 318 |
| was wir letztendlich darin 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 |
| Der Trend wird normalerweise 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 |
| zunehmend oder abnehmend in der |
| Niveau exponentiell. Das ist also so |
| 00 | 13.466 |
| 343 |
| ist schlank und betrachte es als |
| Zinseszins, wenn |
| wenn der Pegelzustand ansteigt |
| 00 | 32.466 |
| 348 |
| Sie machen Prognosen, sie versuchen... |
| Versuchen Sie, nicht zu weit zu schießen |
| oder die Prognose unterschreiten |
| 00 | 59.833 |
| 355 |
| wie man interpretiert |
| die Prognose vom Staat |
| 00 | 20.133 |
| 359 |
| Zweiter, nichts davon |
| Modelle sind stationär. Sie sind |
| 00 | 37.466 |
| 364 |
| Wenn Sie also darüber nachdenken |
| Zeitfolgen. Dinge |
| 00 | 55.566 |
| 59.600 |
| 369 |
| Drittes, wenn Sie es 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 alle Arten von |
| Modell sei vorsichtig. |
| Diese Folie soll zeigen, wie... |
| 00 | 51.800 |
| 383 |
| ist die Prognose. |
| Und ebenso plane ich meine |
| 00 | 07.400 |
| 387 |
| Wenden Sie diese Art von Zustandsraum an |
| Glättungsmodelle auf stationär |
| Zeitfolgen? Hier simuliere ich ein |
| 00 | 32.633 |
| 393 |
| 394 |
| 395 |
| Modelle zu dieser Zeitreihe, die |
| Es stellt sich heraus, dass das beste Modell in einem ist |
| 00 | 54.266 |
| 399 |
| 400 |
| ziemlich anders, weil es so ist |
| ein Random-Walk-Modell und das |
| 00 | 13.466 |
| 16.466 |
| 18.733 |
| 22.333 |
| 408 |
| Thema dieser Präsentation |
| Prognose zum Holdback. |
| Mit dieser Funktion können Sie |
| 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 |
| muss spezifiziert werden |
| 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 |
| 00 | 39.900 |
| 44.866 |
| 449 |
| Berichte ähneln |
| dazu kam die Analyse |
| Ergebnisse, ohne dies zu aktivieren |
| 00 | 05.433 |
| 454 |
| 455 |
| Lassen Sie uns zusammenfassen |
| was wir daraus gelernt haben |
| 00 | 25.566 |
| 459 |
| Leistung gegenüber dem Holdback |
| Daten. Aber diese Kriterien sind es |
| 00 | 41.366 |
| 463 |
| Verfahren. Wir sehen das eher |
| anders als wir es verwenden |
| 00 | 57.700 |
| 467 |
| Teil der Modellanpassung |
| Prozess, das ist also etwas |
| 00 | 17.000 |
| 471 |
| Zurückhaltung 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 den Datensatz auch zusammen |
| Zeit oder Zeitreihe, von |
| 00 | 09.533 |
| 12.066 |
| 16.600 |
| 488 |
| 489 |
| Spezifikation ändern oder ändern |
| Modellauswahlstrategie, wir |
| 00 | 39.200 |
| 494 |
| prüfen...Auswahl ändern im |
| erstes Kombinationsfeld zur Prognose |
| Leistung. Dann können wir wählen |
| Prognoseleistung |
| 00 | 04.633 |
| 500 |
| Wir wollen eine Prognose. Doch kannst du |
| Wählen Sie „Beliebig“ und wechseln Sie zu „Beliebig“. |
| 00 | 17.833 |
| 25.466 |
| 30.866 |
| 506 |
| 507 |
| die Schulung nutzen |
| Zeitreihe, wählen Sie die beste aus |
| 00 | 49.800 |
| 52.333 |
| 54.766 |
| 57.900 |
| 00.966 |
| 515 |
| Serienplattform. Analysieren Sie zunächst |
| Box-Cox-transformierte Zeitreihe. |
| Der zweite ist der Fit-Zustand |
| 00 | 27.666 |
| 521 |
| 522 |
| sowie und es als verwenden |
| Und Modellauswahlmethode. |
| Vielen Dank. |
