Lautsprecher | Transkript |
| In diesem Vortrag werden einige |
| 00 | 11.600 |
| 3 |
| Zeitreihenplattformen. Drei davon 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 bekannt als Fluggesellschaft |
| Passagierdatensatz. |
| Die Originalserie ist |
| 00 | 23.900 |
| 23 |
| Modell von. |
| Warum? Schauen wir uns eine Handlung an ... |
| 00 | 43.433 |
| 27 |
| immer größer. Und diese Serie |
| kann nicht bewältigt werden durch die |
| 00 | 01.666 |
| 31 |
| im zweiten Bild. Also die |
| Variation ändert sich nicht |
| mit den verschiedenen Zeitreihen ??? |
| 00 | 20.266 |
| 36 |
| In der Literatur werden die Leute also |
| sagen, gut, wir werden verwandeln |
| 00 | 33.800 |
| 38.700 |
| 41 |
| 42 |
| 43 |
| der Transformationsskala, in diesem Fall |
| hier ist es die logarithmische Skala. |
| Senden an inverse |
| 00 | 04.366 |
| 49 |
| verwandeln. |
| In der Vergangenheit ... in der Vergangenheit |
| 00 | 21.966 |
| 53 |
| Optimieren Sie den gesamten Prozess. |
| Was Sie tun müssen, ist |
| 00 | 39.133 |
| 57 |
| müssen die Modelle machen, |
| Prognose, dann die Software, |
| 00 | 55.933 |
| 61 |
| wird log Passagiere in Y setzen, |
| aber jetzt müssen wir das nicht mehr. Wir |
| 00 | 15.033 |
| 66 |
| um die Box Cox zu betreten |
| Transformationsparameter Lambda. |
| Null bedeutet, dass es sich um ein Protokoll handelt |
| 00 | 28.333 |
| 31.166 |
| 37.433 |
| 73 |
| das rote Dreieckmenü und klicken Sie auf |
| entweder ARIMA oder saisonales ARIMA. |
| 00 | 01.766 |
| 78 |
| 12 für den Saisonteil. |
| Ohne Abfangen. Klicken |
| 00 | 19.633 |
| 22.933 |
| 24.500 |
| 28.733 |
| 85 |
| 86 |
| Prognose für die |
| inverse Transformation. Die |
| 00 | 49.600 |
| 91 |
| wird sich hier zeigen. |
| Handlung und die Prognose hatten |
| 00 | 05.033 |
| 08.800 |
| 11.100 |
| 17.866 |
| 98 |
| Modelle ist ein Arbeitspferd in 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 |
| untersuchen, warum es...warum dieser Typ |
| von Modellarbeiten und warum einige einige |
| 00 | 18.600 |
| 115 |
| 116 |
| Typmodell in die Zeitreihe |
| Plattform, die dazu bestimmt ist, |
| 00 | 43.900 |
| 120 |
| eine Funktion des Unbekannten |
| Zustand, unbeobachteter Zustand. Hier bei |
| 00 | 01.000 |
| 124 |
| Variablen und der Fehlerterm |
| durch entweder additive Operationen |
| 00 | 16.266 |
| 19.200 |
| 129 |
| 130 |
| state ist die Pegelzustandszeit |
| Serie. Trendzustand bildet eine |
| 00 | 40.733 |
| 134 |
| 135 |
| Staat, und auch einer der |
| vorherige saisonale Zustände. Und |
| 00 | 59.733 |
| 03.133 |
| 140 |
| 141 |
| Der bisherige Trendzustand wird |
| Tremd zum nächsten. |
| Trendzustand und Niveauzustand |
| 00 | 25.966 |
| 146 |
| auf einen anderen Zeitpunkt verweisen. Und |
| es gibt mehr Pfeile...das gibt |
| gibt es mehr Zustandsübergänge als |
| 00 | 49.700 |
| 152 |
| Serie in Y und klicken Sie auf OK. |
| Um diesen Modelltyp anzupassen, |
| 00 | 12.300 |
| 16.766 |
| 160 |
| 161 |
| gesetzt, ich werde 12 eingeben |
| für den Zeitraum. |
| Und ich klicke auf Auswählen |
| Empfohlene Schaltfläche. |
| Aus den additiven Fehlermodellen und |
| 00 | 47.666 |
| 169 |
| dieses spezielle Set, ich werde |
| , 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 |
| 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. |
| Ich würde also am liebsten |
| 00 | 45.133 |
| 198 |
| Unterschied? Lassen Sie mich die |
| das erste MAA ... MAM. |
| Gehen wir nach unten. Das |
| 00 | 05.533 |
| 10.666 |
| 204 |
| Dieses hier | Komponentenzustände. |
| Dies ist ein Special für diese |
| 00 | 32.900 |
| 209 |
| der erste Buchstabe. |
| Und der Trend ist additiv durch |
| 00 | 50.233 |
| 213 |
| Der zweite Teil dieses Berichts sind |
| das...sind die staatliche Komponente |
| 00 | 06.100 |
| 217 |
| Teil ist die Vorhersage von |
| dieser spezielle Zustand. |
| Der Zeitraum der Zeitreihe |
| 00 | 27.500 |
| 222 |
| 223 |
| weist ein zunehmendes Muster in |
| der Vergangenheit. Es nimmt immer weiter zu |
| 00 | 48.266 |
| 227 |
| Serie und das Muster setzt sich fort |
| in die Zukunft, und das |
| 00 | 03.466 |
| 231 |
| beobachtet, aber die Prognose ist |
| flach. Das hat mich gestört. |
| Schauen wir uns nun die zweite |
| 00 | 17.333 |
| 20.366 |
| 23.566 |
| 27.933 |
| 239 |
| 240 |
| Zustandskomponentendiagramm. Ebene 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 ... dieser Art von |
| Modelle. Hier möchte ich |
| 00 | 01.933 |
| 07.233 |
| 265 |
| oben. Die Hälfte davon habe ich hier aufgelistet. |
| Oh, fast die Hälfte. Konzentrieren wir uns also |
| 00 | 27.033 |
| 30.800 |
| 271 |
| einige steigende Tendenz und werden |
| zum Ende hin abnehmend. |
| Und andererseits können wir |
| 00 | 54.233 |
| 277 |
| sehen Sie von der Prognose mit diesem |
| 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, wenn die Saisonalität |
| 00 | 46.833 |
| 51.266 |
| 291 |
| haben einen linearen Anstieg |
| Muster und so weiter und so fort |
| 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 unterschiedlichen ... unterschiedlichen |
| Formen. Also trete ich wieder ein??? |
| 00 | 33.466 |
| 40.433 |
| 318 |
| was wir schließlich sehen in |
| die Vorhersage. |
| Sie haben die flachen Muster oder |
| 00 | 00.733 |
| 323 |
| Parameter. Also habe ich getrennt |
| diese Teile und auch ich |
| 00 | 14.866 |
| 20.400 |
| 328 |
| 329 |
| 330 |
| Der Trend wird in der Regel flach aussehen, |
| wir bekommen eine Erhöhung |
| Muster im Levelzustand. |
| Wenn es linear ist und |
| wenn es gebogen ist. |
| Es hängt alles davon ab, wie diese |
| 00 | 52.233 |
| 57.666 |
| 339 |
| zunehmende oder abnehmende |
| Ebene exponentiell. Das ist also |
| 00 | 13.466 |
| 343 |
| ist schlank und betrachten Sie es als |
| Zinseszins, wenn |
| wenn der Pegelstand ansteigt |
| 00 | 32.466 |
| 348 |
| Sie machen Prognosen, sie versuchen … |
| Versuchen Sie, nicht zu weit zu schießen |
| oder unterschreiten die Prognose, dass |
| 00 | 59.833 |
| 355 |
| Wie interpretiert man |
| die Prognose des Staates |
| 00 | 20.133 |
| 359 |
| zweite, keines davon |
| Modelle sind stationär. Sie sind |
| 00 | 37.466 |
| 364 |
| Wenn Sie also diese |
| Zeitreihen. Dinge |
| 00 | 55.566 |
| 59.600 |
| 369 |
| drittens, wenn Sie nur sehen |
| dass Zeitreihen nicht |
| 00 | 12.000 |
| 373 |
| 374 |
| ein Ergebnis in einem ... in |
| die nächste Folie, die passen wird |
| 00 | 31.933 |
| 378 |
| Vergleichen Sie über die Art der |
| Modell, sei vorsichtig. |
| Diese Folie soll zeigen, wie... |
| 00 | 51.800 |
| 383 |
| lautet die Prognose. |
| Und ebenso plane ich meine |
| 00 | 07.400 |
| 387 |
| Anwendung dieser Art von Zustandsraum |
| Glättungsmodelle zu stationären |
| Zeitreihe? Hier simuliere ich eine |
| 00 | 32.633 |
| 393 |
| 394 |
| 395 |
| Modelle zu dieser Zeitreihe, die |
| Das beste Modell ist in einem |
| 00 | 54.266 |
| 399 |
| 400 |
| ziemlich anders, denn es ist |
| ein Random-Walk-Modell und die |
| 00 | 13.466 |
| 16.466 |
| 18.733 |
| 22.333 |
| 408 |
| Feature in 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 |
| müssen angegeben werden |
| die Länge der Zurückhaltung |
| 00 | 35.200 |
| 38.466 |
| 430 |
| 431 |
| 432 |
| Klicken Sie auf „Empfohlene Produkte auswählen“, |
| und überprüfen Sie Constraint |
| 00 | 06.433 |
| 438 |
| 439 |
| Teil der Serie, |
| wir haben die Zurückhaltung aufgelistet |
| 00 | 26.000 |
| 443 |
| 444 |
| standardmäßig, aber Sie können |
| ändern Sie immer die Metriken, die Sie |
| 00 | 39.900 |
| 44.866 |
| 449 |
| Berichte ähneln |
| zu dem, was aus der Analyse |
| Ergebnisse ohne Aktivierung dieser |
| 00 | 05.433 |
| 454 |
| 455 |
| Lassen Sie mich zusammenfassen |
| was wir gelernt haben aus |
| 00 | 25.566 |
| 459 |
| Leistung über dem Holdback |
| Daten. Aber diese Kriterien sind |
| 00 | 41.366 |
| 463 |
| Prozess. Wir sehen die eher |
| anders als wir verwenden |
| 00 | 57.700 |
| 467 |
| Teil der Modellanpassung |
| Prozess, also das ist etwas |
| 00 | 17.000 |
| 471 |
| Zurückhaltung bei der Bewertung |
| verschiedene Modelle basierend auf ihren |
| Prognoseleistung. Also wir |
| 00 | 32.033 |
| 35.366 |
| 478 |
| Spalte ist diese Zeitreihe |
| Indikator. Y ist Zeitreihe |
| 00 | 55.666 |
| 482 |
| den Datensatz zusammenfassen, entweder |
| Zeit oder Zeitreihe, durch |
| 00 | 09.533 |
| 12.066 |
| 16.600 |
| 488 |
| 489 |
| Spezifikation oder ändern Sie die |
| Strategie zur Modellauswahl, 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 Prognose. Aber Sie können |
| wählen Sie eine beliebige... ändern Sie zu einer beliebigen |
| 00 | 17.833 |
| 25.466 |
| 30.866 |
| 506 |
| 507 |
| mit Hilfe der Ausbildung |
| 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 der Fit-Zustand |
| 00 | 27.666 |
| 521 |
| 522 |
| und es als |
| Und Methode zur Modellauswahl. |
| Vielen Dank. |
