| 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? Werfen wir einen Blick auf eine Handlung ... |
| 00 |
43.433 |
| |
27 |
| |
größer. Und diese Serie |
| |
kann nicht bearbeitet werden durch |
| 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 |
| |
Rationalisieren Sie den gesamten Prozess. |
| |
Was Sie tun müssen, ist |
| 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 das nicht mehr. Wir |
| 00 |
15.033 |
| |
66 |
| |
um die Box Cox zu betreten |
| |
Transformationsparameter Lambda. |
| |
Null, es bedeutet, es ist ein Protokoll |
| 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 kümmert sich um die |
| |
inverse Transformation. Die |
| 00 |
49.600 |
| |
91 |
| |
wird sich darin 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 zeigen. Und |
| |
es gibt mehr Pfeile...dass es |
| |
gibt es mehr Zustandsübergänge als |
| 00 |
49.700 |
| |
152 |
| |
Serie in Y und klicken Sie auf OK. |
| |
Um diesem Modelltyp gerecht zu werden, |
| 00 |
12.300 |
| |
16.766 |
| |
160 |
| |
161 |
| |
setze ich 12 ein |
| |
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, die dazu passen |
| |
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. |
| |
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 dieses |
| 00 |
32.900 |
| |
209 |
| |
der erste Buchstabe. |
| |
Und der Trend ist additiv durch |
| 00 |
50.233 |
| |
213 |
| |
zweiten Teil dieses Berichts sind |
| |
die...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 auf |
| |
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 ... diese 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 |
| |
gegen 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 der Anwendung der |
| 00 |
34.033 |
| |
302 |
| |
die multiplikative Saisonalität auf |
| |
die Spitze unserer zunehmenden |
| 00 |
48.966 |
| |
306 |
| |
dieser Typ ... andere Art 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 Prognose. |
| |
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 normalerweise flach aussehen, |
| |
wir werden eine Erhöhung bekommen |
| |
Muster im Levelzustand. |
| |
Wenn es linear ist und |
| |
wenn es gekrümmt ist. |
| |
Es hängt alles davon ab, wie das |
| 00 |
52.233 |
| |
57.666 |
| |
339 |
| |
zunehmend oder abnehmend in der |
| |
Ebene exponentiell. Das ist also |
| 00 |
13.466 |
| |
343 |
| |
ist schlank und denken Sie daran als |
| |
Zinseszinssatz, wenn |
| |
wenn der Pegelzustand steigt |
| 00 |
32.466 |
| |
348 |
| |
Sie machen Prognosen, sie versuchen ... |
| |
versuche nicht zu weit zu gehen |
| |
oder unterschreiten die Prognose, dass |
| 00 |
59.833 |
| |
355 |
| |
wie man interpretiert |
| |
die Prognose vom Staat |
| 00 |
20.133 |
| |
359 |
| |
zweitens, 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 passt |
| 00 |
31.933 |
| |
378 |
| |
Vergleichen Sie über die Art der |
| |
Modell, seien Sie 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 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, weil es |
| |
ein Random-Walk-Modell und die |
| 00 |
13.466 |
| |
16.466 |
| |
18.733 |
| |
22.333 |
| |
408 |
| |
Funktion in dieser Präsentation |
| |
Prognose zurückgehalten. |
| |
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 angeben |
| |
die Länge der Zurückhaltung |
| 00 |
35.200 |
| |
38.466 |
| |
430 |
| |
431 |
| |
432 |
| |
Klicken Sie auf „Empfohlene auswählen“. |
| |
und überprüfen Sie die Einschränkung |
| 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 |
| |
dazu kam 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 die Holdback |
| |
Daten. Aber diese Kriterien sind |
| 00 |
41.366 |
| |
463 |
| |
Prozess. Wir sehen die eher |
| |
anders als die Art und Weise, wie wir |
| 00 |
57.700 |
| |
467 |
| |
Teil der Modellanpassung |
| |
Prozess, also ist das 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 |
| |
Fassen Sie den Datensatz zusammen, entweder |
| |
Zeit oder Zeitreihe, durch |
| 00 |
09.533 |
| |
12.066 |
| |
16.600 |
| |
488 |
| |
489 |
| |
Spezifikation oder ändern Sie die |
| |
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 Prognose. Aber Sie können |
| |
wählen Sie eine beliebige... ändern Sie zu einer beliebigen |
| 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 der Fit-Zustand |
| 00 |
27.666 |
| |
521 |
| |
522 |
| |
und es als |
| |
Und Modellauswahlmethode. |
| |
Vielen Dank. |
