| Conférencier |
Transcription |
| |
Cette conférence vise à mettre en lumière certains |
| 00 |
11.600 |
| |
3 |
| |
plateformes de séries chronologiques. Trois d'entre elles sont |
| |
à partir de plates-formes de séries chronologiques et |
| 00 |
34.700 |
| |
38.400 |
| |
10 |
| |
11 |
| |
12 |
| |
Avons-nous besoin de Box Cox ? |
| |
séries chronologiques transformées ? |
| |
Jetons un œil aux données |
| 00 |
00.933 |
| |
06.200 |
| |
18 |
| |
également connu sous le nom de compagnie aérienne |
| |
ensemble de données sur les passagers. |
| |
La série originale est |
| 00 |
23.900 |
| |
23 |
| |
modèle de. |
| |
Pourquoi ? Regardons l'intrigue… |
| 00 |
43.433 |
| |
27 |
| |
s'agrandit. Et cette série |
| |
ne peut pas être géré par le |
| 00 |
01.666 |
| |
31 |
| |
sur la deuxième photo. Donc le |
| |
la variation ne change pas |
| |
avec les différentes séries temporelles ??? |
| 00 |
20.266 |
| |
36 |
| |
Donc dans la littérature les gens vont |
| |
disons, eh bien, nous allons transformer |
| 00 |
33.800 |
| |
38.700 |
| |
41 |
| |
42 |
| |
43 |
| |
de l'échelle de transformation, dans ce cas |
| |
ici, c'est l'échelle logarithmique. |
| |
L'envoyer à l'inverse |
| 00 |
04.366 |
| |
49 |
| |
transformer. |
| |
Dans le passé...dans le passé |
| 00 |
21.966 |
| |
53 |
| |
rationaliser l’ensemble du processus. |
| |
Ce que vous devez faire, c'est mettre |
| 00 |
39.133 |
| |
57 |
| |
il faut faire les modèles, faire |
| |
prévisions, puis le logiciel, |
| 00 |
55.933 |
| |
61 |
| |
mettra les passagers du journal dans Y, |
| |
mais maintenant, nous n'avons plus à le faire. Nous |
| 00 |
15.033 |
| |
66 |
| |
pour entrer dans la Box Cox |
| |
paramètre de transformation Lambda. |
| |
Zéro, ça veut dire que c'est un log |
| 00 |
28.333 |
| |
31.166 |
| |
37.433 |
| |
73 |
| |
le menu triangle rouge et cliquez |
| |
soit ARIMA soit ARIMA saisonnier. |
| 00 |
01.766 |
| |
78 |
| |
12 pour la partie saisonnière. |
| |
Sans interception. Cliquez |
| 00 |
19.633 |
| |
22.933 |
| |
24.500 |
| |
28.733 |
| |
85 |
| |
86 |
| |
prévisions prenant soin de la |
| |
transformation inverse. La |
| 00 |
49.600 |
| |
91 |
| |
cela se verra dans ceci. |
| |
l'intrigue et les prévisions avaient |
| 00 |
05.033 |
| |
08.800 |
| |
11.100 |
| |
17.866 |
| |
98 |
| |
les modèles sont un cheval de bataille dans le temps |
| |
plateforme de prévision des séries. |
| |
Ils peuvent s'adapter et prévoir beaucoup de choses |
| 00 |
35.733 |
| |
39.633 |
| |
104 |
| |
les performances sont en quelque sorte comparables |
| |
à la prévision |
| 00 |
59.366 |
| |
110 |
| |
111 |
| |
étudier pourquoi c'est...pourquoi ce type |
| |
des travaux modèles et pourquoi certains |
| 00 |
18.600 |
| |
115 |
| |
116 |
| |
modèle de type dans la série chronologique |
| |
plate-forme conçue pour |
| 00 |
43.900 |
| |
120 |
| |
une fonction de l'inconnu |
| |
état, état non observé. Ici à |
| 00 |
01.000 |
| |
124 |
| |
variables et le terme d'erreur |
| |
soit par des opérations additives |
| 00 |
16.266 |
| |
19.200 |
| |
129 |
| |
130 |
| |
l'état est le niveau de l'état et le temps |
| |
série. L'état de tendance forme un |
| 00 |
40.733 |
| |
134 |
| |
135 |
| |
État, et aussi l'un des |
| |
états saisonniers précédents. Et |
| 00 |
59.733 |
| |
03.133 |
| |
140 |
| |
141 |
| |
l'état de tendance précédent sera |
| |
passer au suivant. |
| |
état de tendance et état de niveau |
| 00 |
25.966 |
| |
146 |
| |
pointer vers un autre point dans le temps. Et |
| |
il y a plus de flèches... qu'il y en a |
| |
il y a plus de transitions d'états qu'il n'y en a |
| 00 |
49.700 |
| |
152 |
| |
série en Y et cliquez sur OK. |
| |
Pour adapter ce type de modèle, nous |
| 00 |
12.300 |
| |
16.766 |
| |
160 |
| |
161 |
| |
ensemble, je vais entrer 12 |
| |
pour la période. |
| |
Et je vais cliquer sur Sélectionner |
| |
Bouton recommandé. |
| |
À partir des modèles d’erreur additifs et |
| 00 |
47.666 |
| |
169 |
| |
cet ensemble particulier, je vais |
| |
pour cliquer sur les paramètres de contrainte |
| 00 |
05.966 |
| |
173 |
| |
modèles recommandés pour s'adapter à ces |
| |
type de...ces séries chronologiques et |
| 00 |
23.666 |
| |
27.966 |
| |
179 |
| |
180 |
| |
modèle avec AIC plus petit et |
| |
mes yeux sont sur les deux premiers |
| 00 |
52.300 |
| |
184 |
| |
modèles. Et laissez-moi |
| |
superposer les prévisions |
| 00 |
09.366 |
| |
10.566 |
| |
17.666 |
| |
190 |
| |
191 |
| |
192 |
| |
193 |
| |
de la série chronologique originale |
| |
plus joliment. |
| |
Donc, dans ma préférence, je préférerais |
| 00 |
45.133 |
| |
198 |
| |
différence ? Laissez-moi ouvrir le |
| |
le premier MAA...MAM. |
| |
Descendons en bas. Ceci |
| 00 |
05.533 |
| |
10.666 |
| |
204 |
| celui-ci |
états des composants. |
| |
C'est un spécial pour ça |
| 00 |
32.900 |
| |
209 |
| |
la première lettre. |
| |
Et la tendance est additive par |
| 00 |
50.233 |
| |
213 |
| |
deuxième partie de ce rapport sont |
| |
les...sont la composante de l'État |
| 00 |
06.100 |
| |
217 |
| |
une partie est la prédiction de |
| |
cet état spécifique. |
| |
La période de la série chronologique |
| 00 |
27.500 |
| |
222 |
| |
223 |
| |
présente une tendance croissante dans |
| |
le passé. Il continue d'augmenter |
| 00 |
48.266 |
| |
227 |
| |
série et le modèle continue |
| |
vers l'avenir, et cela |
| 00 |
03.466 |
| |
231 |
| |
observé, mais les prévisions sont |
| |
plat. Cela m'a dérangé. |
| |
Regardons maintenant la deuxième |
| 00 |
17.333 |
| |
20.366 |
| |
23.566 |
| |
27.933 |
| |
239 |
| |
240 |
| |
graphe des composants d'état. Le niveau est |
| |
l'augmentation dans le passé avait |
| 00 |
44.366 |
| |
48.466 |
| |
245 |
| |
246 |
| |
247 |
| |
248 |
| |
futur. C'est plus raisonnable |
| |
intrigue que je peux accepter. Alors, est-ce |
| 00 |
14.866 |
| |
252 |
| |
Passons à la deuxième diapositive. |
| |
Cette diapositive et ensuite la suivante |
| 00 |
45.100 |
| |
259 |
| |
sur l'interprétation des prévisions |
| |
de ce modèle...ce type de |
| |
modèles. Ici, je voudrais |
| 00 |
01.933 |
| |
07.233 |
| |
265 |
| |
en haut. J'en ai listé la moitié ici. |
| |
Oh, presque la moitié. Alors concentrons-nous |
| 00 |
27.033 |
| |
30.800 |
| |
271 |
| |
une certaine tendance à la hausse et |
| |
diminue progressivement vers la fin. |
| |
Et d’un autre côté, nous pouvons |
| 00 |
54.233 |
| |
277 |
| |
voir à partir des prévisions en utilisant ceci |
| |
modèle de type. Si la saisonnalité |
| |
n'est pas impliqué. Quand je |
| 00 |
11.066 |
| |
14.200 |
| |
19.566 |
| |
284 |
| |
285 |
| |
286 |
| |
le premier, c'est |
| |
une prévision plate si la saisonnalité |
| 00 |
46.833 |
| |
51.266 |
| |
291 |
| |
avoir une augmentation linéaire |
| |
modèle et ainsi de suite |
| |
semblable aux autres. Maintenant |
| 00 |
06.800 |
| |
12.566 |
| |
297 |
| |
ça ne fait qu'augmenter. |
| |
Après avoir appliqué le |
| 00 |
34.033 |
| |
302 |
| |
la saisonnalité multiplicative sur |
| |
le sommet de notre croissance |
| 00 |
48.966 |
| |
306 |
| |
ce type...différent type de |
| formes |
plat |
| 00 |
05.666 |
| |
10.733 |
| |
311 |
| |
312 |
| |
nous obtenons ces différents...différents |
| |
formes. Alors je rentre ??? |
| 00 |
33.466 |
| |
40.433 |
| |
318 |
| |
ce que nous voyons finalement dans |
| |
les prévisions. |
| |
Vous avez les patrons plats ou |
| 00 |
00.733 |
| |
323 |
| |
paramètres. J'ai donc séparé |
| |
ces pièces et aussi moi |
| 00 |
14.866 |
| |
20.400 |
| |
328 |
| |
329 |
| |
330 |
| |
la tendance semblera généralement plate, |
| |
nous aurons une augmentation |
| |
modèle dans l'état de niveau. |
| |
Quand c'est linéaire et |
| |
quand c'est courbé. |
| |
Tout dépend de la façon dont cela se passe. |
| 00 |
52.233 |
| |
57.666 |
| |
339 |
| |
augmentant ou diminuant dans le |
| |
niveau exponentiellement. Donc c'est |
| 00 |
13.466 |
| |
343 |
| |
est maigre et pensez-y comme |
| |
taux d'intérêt composé si |
| |
si le niveau de l'état augmente |
| 00 |
32.466 |
| |
348 |
| |
ils font des prévisions, ils essaient de... |
| |
essayez de ne pas dépasser les bornes |
| |
ou sous-estimer les prévisions selon lesquelles |
| 00 |
59.833 |
| |
355 |
| |
comment interpréter |
| |
les prévisions de l'État |
| 00 |
20.133 |
| |
359 |
| |
deuxième, aucun de ceux-là |
| |
Les modèles sont stationnaires. Ils sont |
| 00 |
37.466 |
| |
364 |
| |
Donc si vous envisagez ces |
| |
séries chronologiques. Choses |
| 00 |
55.566 |
| |
59.600 |
| |
369 |
| |
troisième, si tu vois juste |
| |
cette série chronologique non |
| 00 |
12 000 |
| |
373 |
| |
374 |
| |
un résultat dans un...dans |
| |
la diapositive suivante qui conviendra |
| 00 |
31.933 |
| |
378 |
| |
comparer entre les types de |
| |
modèle sois prudent. |
| |
Cette diapositive montre comment... |
| 00 |
51.800 |
| |
383 |
| |
c'est la prévision. |
| |
Et de la même manière, je trace mon |
| 00 |
07.400 |
| |
387 |
| |
appliquer ce type d'espace d'état |
| |
lissage des modèles à l'état stationnaire |
| |
séries chronologiques ? Ici, je simule une |
| 00 |
32.633 |
| |
393 |
| |
394 |
| |
395 |
| |
modèles de cette série chronologique, le |
| |
le meilleur modèle s'avère être dans un |
| 00 |
54.266 |
| |
399 |
| |
400 |
| |
plutôt différent parce que c'est |
| |
un modèle de marche aléatoire et le |
| 00 |
13.466 |
| |
16.466 |
| |
18.733 |
| |
22.333 |
| |
408 |
| |
fonctionnalité dans cette présentation |
| |
prévisions en suspens. |
| |
Cette fonctionnalité vous permet |
| 00 |
37.966 |
| |
40.500 |
| |
45.833 |
| |
415 |
| |
416 |
| |
417 |
| |
418 |
| |
l'un vient d'un autre modèle. |
| |
Et puis vous pouvez comparer ces |
| 00 |
11.833 |
| |
423 |
| |
424 |
| |
pour activer cette fonctionnalité. Ensuite, je |
| |
besoin de préciser |
| |
la longueur de la retenue |
| 00 |
35.200 |
| |
38.466 |
| |
430 |
| |
431 |
| |
432 |
| |
cliquez sur Sélectionner recommandé, |
| |
et vérifier la contrainte |
| 00 |
06.433 |
| |
438 |
| |
439 |
| |
partie de la série, |
| |
nous avons listé la retenue |
| 00 |
26 000 |
| |
443 |
| |
444 |
| |
par défaut, mais vous pouvez |
| |
changez toujours les métriques que vous |
| 00 |
39.900 |
| |
44.866 |
| |
449 |
| |
les rapports sont similaires à |
| |
à ce qui est ressorti de l'analyse |
| |
résultats sans activer cette option |
| 00 |
05.433 |
| |
454 |
| |
455 |
| |
laissons-moi résumer |
| |
ce que nous avons appris de |
| 00 |
25.566 |
| |
459 |
| |
performance au-dessus du plafond |
| |
données. Mais ces critères sont |
| 00 |
41.366 |
| |
463 |
| |
processus. Nous voyons plutôt |
| |
différent de la façon dont nous utilisons |
| 00 |
57.700 |
| |
467 |
| |
une partie de l'ajustement du modèle |
| |
processus, donc c'est quelque chose |
| 00 |
17 000 |
| |
471 |
| |
retenue pour évaluer |
| |
différents modèles en fonction de leur |
| |
prévision des performances. Nous |
| 00 |
32.033 |
| |
35.366 |
| |
478 |
| |
la colonne est cette série chronologique |
| |
indicateur. Y est une série chronologique |
| 00 |
55.666 |
| |
482 |
| |
résumer l'ensemble de données, soit |
| |
temps ou série chronologique, par |
| 00 |
09.533 |
| |
12.066 |
| |
16.600 |
| |
488 |
| |
489 |
| |
spécification ou modifier la |
| |
stratégie de sélection de modèle, nous |
| 00 |
39.200 |
| |
494 |
| |
vérifier...modifier la sélection dans le |
| |
première zone de liste déroulante pour les prévisions |
| |
performance. Ensuite, nous pouvons choisir |
| |
prévision des performances |
| 00 |
04.633 |
| |
500 |
| |
Nous voulons des prévisions. Mais vous pouvez |
| |
choisir n'importe quel...changer n'importe quel |
| 00 |
17.833 |
| |
25.466 |
| |
30.866 |
| |
506 |
| |
507 |
| |
en utilisant la formation |
| |
séries chronologiques, sélectionnez la meilleure |
| 00 |
49.800 |
| |
52.333 |
| |
54.766 |
| |
57.900 |
| |
00.966 |
| |
515 |
| |
plateforme série. Première analyse |
| |
Série temporelle transformée de Box Cox. |
| |
Le deuxième est l'état d'aptitude |
| 00 |
27.666 |
| |
521 |
| |
522 |
| |
ainsi que l'utiliser comme |
| |
Et méthode de sélection du modèle. |
| |
Merci beaucoup. |
