التنبؤ الحركة من المتوسط - موسمية

الموسمية في التنبؤ تشير موسمية إلى التغيرات في الطلب التي تحدث على مدار السنة في دورة سنوية منتظمة. وهي ناجمة عن عوامل مختلفة قد تشمل أنماط الطقس العادية، والأحداث الدينية، وأنماط السلوك التقليدية والعطلات المدرسية. وعندما تكون هناك موسمية ملحوظة أو متطرفة في نمط الطلب، فإن الفعالية في التعامل معها سيكون لها أكبر الأثر على دقة التنبؤ. الجانب الآخر من المعادلة هو أنه من المهم عدم بناء الموسمية في التنبؤ إذا لم يكن موجودا بالفعل، لأن ذلك من شأنه أن يؤثر سلبا على دقة التنبؤ. لذلك في البيانات التي يكون فيها وجود الموسمية غامضا، من المهم اتخاذ أفضل قرار ممكن بشأن ما إذا كان سيتم استخدام الموسمية في عملية التنبؤ أم لا. يمكن أن تساعد الاختبارات الإحصائية المختلفة في هذا. طرق حساب الموسمية ربما أبسط طريقة لاتخاذ الموسمية في الاعتبار هو جعل التوقعات على نفس العام الماضي. هذا ليس عادة وسيلة جيدة للمضي قدما لأن مبيعات العام الماضي قد تكون غير طبيعية لعدد من الأسباب المحتملة. وتشمل النهج الشعبية نهج النسبة المئوية للسنة أو خلق عوامل موسمية إضافية أو مؤشرات موسمية مضاعفة. من حيث حساب المؤشرات الموسمية المضاعفة هناك عدد من الطرق المختلفة. وتشمل النهج البسيطة المتوسط ​​الموسمي ونسبة المتوسط ​​المتحرك إلى المتوسط. وتشمل الأساليب الأخرى تحليل فورييه، حيث يتم الجمع بين موجات جيبية وجيبية مختلفة من أجل تمثيل النمط الموسمي. أسلوب متوسط ​​الموسمية هذه طريقة بسيطة حقا. أولا، يتم حساب متوسط ​​المبيعات لكل موسم على سبيل المثال. شهر. ويعطي هذا متوسطا لشهر يناير، ومتوسط ​​شهر فبراير، وما إلى ذلك. ويتم حساب المتوسط ​​في المتوسط ​​كمتوسط ​​للمتوسطات الموسمية. وأخيرا، يتم إنشاء المؤشرات الموسمية بقسمة كل متوسط ​​موسمي على المتوسط ​​الكبير. وستبلغ المؤشرات 1.00. وهذه الطريقة السهلة جيدة عندما يكون تاريخ المبيعات مستقرا بشكل معقول، أي أنه لا يخضع لتغييرات كبيرة في المستوى الأساسي للطلب على مر الزمن. بالنسبة للبيانات الأقل استقرارا، قد تكون النسبة إلى طريقة المتوسط ​​المتحرك المرتكزة، الموضحة أدناه، أفضل. النسبة إلى طريقة المتوسط ​​المتحرك المرآزي النسبة إلى طريقة المتوسط ​​المتحرك المرآزة لحساب الأرقام الموسمية المضاعفة هي عملية حساب بسيطة يمكن وضعها بسهولة في برنامج إكسيل أو برامج أخرى. المثال التالي للبيانات الشهرية: إنشاء سلسلة للمتوسط ​​المتحرك السنوي المتمركز (سما) على سبيل المثال. بدءا من وضع المتوسط ​​الشهري لعام 2009 مقابل يونيو 2009، الخ. حساب سلسلة أخرى كنسبة المبيعات في شهر معين ل سما في ذلك الشهر أي نسبة المبيعات سما. احسب المؤشرات الموسمية كمتوسط ​​النسب لكل شهر موسمي. فإن المؤشر الموسمي لشهر مارس هو متوسط ​​نسب مار-09 و مار-10 و مار-11 و مار-12 و مار-13 و مار-14. ضبط المؤشرات إذا لزم الأمر لجعل المؤشرات الموسمية إضافة إلى 12.00 لأن مركز التقويم 12 شهرا ليس يونيو أو يوليو، ولكن في منتصف اثنين، الطريقة التقليدية للخطوة 1. تنطوي على إنشاء سلسلتين ل سما. حتى في سلسلة واحدة وضع المتوسط ​​السنوي ضد يونيو، في المقابل ضد يوليو. ثم تم حساب متوسط ​​مجموعتي سما من أجل خلق شيء يمكن أن يقال أن تتمركز حقا. في الممارسة العملية هذا لا يحدث فرقا كبيرا مع معظم البيانات التجارية. الجانب السلبي الوحيد لهذه الطريقة هو أنه يحتاج إلى بيانات تاريخية إلى حد ما أكثر من طريقة المتوسط ​​الموسمية. ولا بد من ثلاث سنوات على الأقل. تطهير البيانات وتقلب البيانات يؤثر تطهير البيانات على حساب الموسمية بمعنى أنه ينبغي استبعاد البيانات غير الطبيعية من الحساب الموسمي. من الواضح أن الموسمية الطبيعية لا ينبغي أن يساء تفسيرها على أنها مبيعات غير طبيعية، وبالتالي فإن النقطة هي أن تطهير البيانات والحساب الموسمية مترابطة بشكل وثيق. وينبغي إتاحة سنتين على الأقل من البيانات التاريخية لحساب الموسمية. وبالنظر إلى أنه قد يكون من الضروري استبعاد بعض البيانات إذا كان غير طبيعي، فمن المستحسن عادة أن تشمل ما لا يقل عن ثلاث أو أربع سنوات من المعلومات. المشكلة مع الكثير من التنبؤات التجارية هو أن هناك في كثير من الأحيان فترة قصيرة نسبيا من تاريخ ثابت. هذا غالبا ما يجعل التحليل الموسمية شيئا من الفن بدلا من العلم الدقيق. ويمكن استخدام أساليب مختلفة للحد من تأثير البيانات المتقلبة على حساب الموسمية للتنبؤ وبالتالي تحسين دقة التنبؤ. وتشمل هذه المؤشرات ما يلي: المؤشرات الموسمية للمجموعة (حساب المؤشرات على مستوى مجمع) التبسيط الموسمي (على سبيل المثال، استخدام المؤشرات الشهرية للبيانات الأسبوعية) الانكماش الموسمي (المعروف أيضا باسم التخميد الموسمية) التجانس الموسمي (على سبيل المثال، استخدام فترة مركزية 3 أو 5 متوسط ​​الفترة) موسمية في التنبؤات الأسبوعية واليومية تصبح المشاكل الناشئة عن كمية صغيرة من التاريخ والبيانات المتقلبة أكبر عند الانتقال من حساب الموسمية الشهرية لحساب الموسمية الأسبوعية. ويصبح احتمال حدوث الأحداث السنوية في نفس فترة التقويم أقل احتمالا، لذا قد يتطلب ذلك تطهير تلك الحالات من تاريخ المبيعات وإضافة حالات مستقبلية للتنبؤات على أنها أحداث مقررة. هناك في بعض الأحيان دورة إضافية من الأسبوع في غضون شهر للتعامل معها. مع الموسمية الأسبوعية، وكثيرا ما ينظر إلى الكثير من التقلبات المتبقية في المؤشرات الناتجة عن الحساب الموسمية لدرجة أن المؤشرات الخام لا يمكن الوثوق بها. لذلك هناك حاجة أكبر لتعديل المؤشرات باستخدام المؤشرات الموسمية للمجموعة، التبسيط الموسمية أو التنعيم الموسمية. إذا كان هناك حاجة لتوقعات يومية فمن الأفضل عادة لحساب الموسمية أولا باستخدام البيانات الأسبوعية، ثم الاقتراب من ما تبقى من المهمة باستخدام ملفات تعريف يوم من أيام الأسبوع إلى تقسيم أسابيع إلى أيام. سبريدشيت تنفيذ التعديل الموسمي والتجانس الأسي فمن مباشرة لإجراء التعديل الموسمية وتناسب نماذج التمهيد الأسي باستخدام إكسيل. يتم أخذ صور الشاشة والرسوم البيانية أدناه من جدول بيانات تم إعداده لتوضيح التعديل الموسمي الموسمي والتجانس الأسي الخطي على بيانات المبيعات الفصلية التالية من أوتبوارد مارين: للحصول على نسخة من ملف جدول البيانات نفسه، انقر هنا. نسخة من التجانس الأسي الخطي التي سيتم استخدامها هنا لأغراض مظاهرة هو Brown8217s الإصدار، لمجرد أنه يمكن تنفيذها مع عمود واحد من الصيغ وهناك واحد فقط ثابت تمهيد لتحسين. عادة فمن الأفضل استخدام الإصدار Holt8217s التي لديها ثوابت تمهيد منفصلة للمستوى والاتجاه. وتنتقل عملية التنبؤ على النحو التالي: '1' أولا تعدل البيانات موسميا '2'، ثم تنشأ التنبؤات للبيانات المعدلة موسميا عن طريق التمهيد الأسي الخطي؛ '3' وأخيرا، فإن التنبؤات المعدلة موسميا هي عبارة عن تنبؤات متوقعة موسميا للحصول على تنبؤات للمسلسل الأصلي . يتم إجراء عملية التعديل الموسمية في الأعمدة من D إلى G. الخطوة الأولى في التعديل الموسمية هي حساب المتوسط ​​المتحرك المركزة (يتم القيام به هنا في العمود D). ويمكن القيام بذلك عن طريق الأخذ بمتوسط ​​متوسطين على مدى سنة واحدة تقابلهما فترة واحدة بالنسبة لبعضهما البعض. (وهناك حاجة إلى مزيج من متوسطين للمقاصة بدلا من متوسط ​​واحد للأغراض المركزية عندما يكون عدد المواسم). والخطوة التالية هي حساب النسبة إلى المتوسط ​​المتحرك - أي. البيانات الأصلية مقسومة على المتوسط ​​المتحرك في كل فترة - والتي يتم تنفيذها هنا في العمود هاء (ويسمى هذا أيضا مكون كوتريند-سيكليكوت للنمط، بقدر ما يمكن اعتبار التأثيرات ودورات الأعمال على أنها كلها لا يزال بعد متوسطه على مدى سنوات كاملة من البيانات، وبطبيعة الحال، من شهر إلى آخر التغييرات التي لا تعود إلى الموسمية يمكن تحديدها من قبل العديد من العوامل الأخرى، ولكن متوسط ​​12 شهرا ينعم عليهم إلى حد كبير.) ذي يتم حساب المؤشر الموسمية المقدر لكل موسم من خلال متوسط ​​متوسط ​​جميع النسب لهذا الموسم المحدد، والذي يتم في الخلايا G3-G6 باستخدام صيغة أفيراجيف. ثم يتم تعديل النسب المتوسطة بحيث تصل إلى 100 مرة بالضبط عدد الفترات في الموسم، أو 400 في هذه الحالة، والذي يتم في الخلايا H3-H6. أسفل العمود F، يتم استخدام صيغ فلوكوب لإدراج قيمة الفهرس الموسمية المناسبة في كل صف من جداول البيانات، وفقا لربع السنة الذي يمثله. وينتهي المتوسط ​​المتحرك المركب والبيانات المعدلة موسميا على النحو التالي: لاحظ أن المتوسط ​​المتحرك يشبه عادة نسخة أكثر سلاسة من السلسلة المعدلة موسميا، وهو أقصر على كلا الطرفين. وتظهر ورقة عمل أخرى في نفس ملف إكسيل تطبيق نموذج تمهيد الأسي الخطي على البيانات المعدلة موسميا، بدءا من العمود G. وتدخل قيمة ثابت التمهيد (ألفا) فوق عمود التنبؤ (هنا في الخلية H9) و من أجل الراحة يتم تعيين اسم النطاق كوتAlpha. quot (يتم تعيين الاسم باستخدام الأمر كوتينسنامكراتيكوت). يتم تهيئة نموذج ليس عن طريق تعيين أول اثنين من التوقعات مساوية للقيمة الفعلية الأولى للسلسلة المعدلة موسميا. الصيغة المستخدمة هنا لتوقعات ليس هي النموذج المعادلة وحيد المعادلة من طراز Brown8217s: يتم إدخال هذه الصيغة في الخلية المقابلة للفترة الثالثة (هنا، الخلية H15) ونسخها من هناك. لاحظ أن توقعات ليس للفترة الحالية تشير إلى الملاحظات السابقة واثنين من أخطاء التنبؤ السابقة، فضلا عن قيمة ألفا. وهكذا، فإن صيغة التنبؤ الواردة في الصف 15 تشير فقط إلى البيانات التي كانت متاحة في الصف 14 وما قبله. (بطبيعة الحال، إذا أردنا استخدام تمهيد أسي بسيط بدلا من خطي أسي، يمكننا استبدال صيغة سيس هنا بدلا من ذلك، ويمكننا أيضا استخدام نموذج هولت 8217s بدلا من براون 8217s ليس، والذي يتطلب عمودين إضافيين من الصيغ لحساب المستوى والاتجاه التي تستخدم في التنبؤ.) وتحسب الأخطاء في العمود التالي (هنا، العمود J) بطرح التوقعات من القيم الفعلية. ويحسب خطأ متوسط ​​الجذر التربيعي باعتباره الجذر التربيعي للتباين في الأخطاء بالإضافة إلى مربع الوسط. (ويأتي ذلك من الهوية الرياضية: مس فاريانس (أخطاء) (أفيراج (أخطاء))). في حساب متوسط ​​وتفاوت الأخطاء في هذه الصيغة، يتم استبعاد الفترتين الأوليين لأن النموذج لا يبدأ فعلا التنبؤ حتى الفترة الثالثة (الصف 15 في جدول البيانات). يمكن العثور على القيمة المثلى ألفا إما عن طريق تغيير ألفا يدويا حتى يتم العثور على الحد الأدنى رمز، وإلا يمكنك استخدام كوتسولفيركوت لإجراء التقليل الدقيق. قيمة ألفا التي وجدت سولفر وجدت هنا (alpha0.471). وعادة ما تكون فكرة جيدة هي رسم أخطاء النموذج (في الوحدات المحولة)، وكذلك حساب ورسم مؤثراتهم الذاتية عند فترات تأخر تصل إلى موسم واحد. هنا هو مؤامرة سلسلة زمنية من الأخطاء (المعدلة موسميا): يتم حساب أوتوكوريلاتيونس خطأ باستخدام الدالة كوريل () لحساب الارتباطات من الأخطاء مع أنفسهم تأخرت بفترة واحدة أو أكثر - يتم عرض التفاصيل في نموذج جدول البيانات . هنا هو مؤامرة من أوتوكوريلاتيونس من الأخطاء في الفترات الخمسة الأولى: و أوتوكوريلاتيونس في الفترات من 1 إلى 3 قريبة جدا من الصفر، ولكن الارتفاع في تأخر 4 (الذي هو 0.35) هو مزعجة قليلا - فإنه يشير إلى أن عملية التعديل الموسمية لم تكن ناجحة تماما. ومع ذلك، فإنه في الواقع هامشية فقط. 95 لفحص ما إذا كانت أوتوكوريلاتيونس تختلف اختلافا كبيرا عن الصفر تقريبا زائدا أو ناقص 2SQRT (n-k)، حيث n هو حجم العينة و k هو الفارق الزمني. هنا n هو 38 و k يختلف من 1 إلى 5، وبالتالي فإن مربع الجذر من-ن-ناقص-ك حوالي 6 لجميع منهم، وبالتالي حدود لاختبار الأهمية الإحصائية للانحرافات من الصفر هي تقريبا زائد - أو ناقص 26، أو 0.33. إذا قمت بتغيير قيمة ألفا باليد في هذا النموذج إكسيل، يمكنك مراقبة تأثير على سلسلة زمنية ومؤامرات الارتباط الذاتي من الأخطاء، وكذلك على الخطأ الجذر متوسط ​​التربيع، والتي سيتم توضيحها أدناه. في الجزء السفلي من جدول البيانات، يتم إعداد صيغة التنبؤات في المستقبل عن طريق استبدال التنبؤات بالقيم الفعلية عند النقطة التي تنفد فيها البيانات الفعلية - أي. حيث تبدأ كوتوركوتلكوت. (وبعبارة أخرى، في كل خلية حيث تحدث قيمة بيانات مستقبلية، يتم إدراج مرجع الخلية الذي يشير إلى التوقعات التي تم إجراؤها لتلك الفترة.) يتم نسخ جميع الصيغ الأخرى ببساطة من أسفل: لاحظ أن أخطاء التنبؤات من يتم حساب كل المستقبل ليكون صفر. وهذا لا يعني أن الأخطاء الفعلية ستكون صفرا، بل إنها تعكس مجرد حقيقة أنه لأغراض التنبؤ، نفترض أن البيانات المستقبلية ستساوي التوقعات في المتوسط. وتظهر توقعات ليس على البيانات المعدلة موسميا على النحو التالي: مع هذه القيمة الخاصة ألفا، وهو الأمثل للتنبؤات قبل فترة واحدة، فإن الاتجاه المتوقع هو أعلى قليلا، مما يعكس الاتجاه المحلي الذي لوحظ على مدى العامين الماضيين أو هكذا. وبالنسبة لقيم ألفا الأخرى، يمكن الحصول على إسقاط اتجاه مختلف جدا. وعادة ما تكون فكرة جيدة لمعرفة ما يحدث لإسقاط الاتجاه على المدى الطويل عندما يكون ألفا متنوعا، لأن القيمة الأفضل للتنبؤ على المدى القصير لن تكون بالضرورة أفضل قيمة للتنبؤ بالمستقبل البعيد. على سبيل المثال، هنا هي النتيجة التي يتم الحصول عليها إذا تم تعيين قيمة ألفا يدويا إلى 0.25: الاتجاه المتوقع على المدى الطويل هو الآن سلبي بدلا من إيجابي مع قيمة أصغر من ألفا، نموذج يضع المزيد من الوزن على البيانات القديمة في وتقديره للمستوى الحالي واتجاهه الحالي، وتنبؤاته الطويلة الأجل تعكس الاتجاه التنازلي الذي لوحظ خلال السنوات الخمس الماضية بدلا من الاتجاه التصاعدي الأحدث. ويوضح هذا المخطط أيضا بوضوح كيف أن النموذج مع قيمة أصغر من ألفا أبطأ للرد على نقاط كوتورنينغكوت في البيانات وبالتالي يميل إلى جعل خطأ من نفس علامة لعدة فترات متتالية. وأخطاء التنبؤ المتوقعة من خطوة واحدة أكبر في المتوسط ​​من تلك التي تم الحصول عليها من قبل (رمز 34.4 بدلا من 27.4) وترتبط ارتباطا إيجابيا قويا. ويتجاوز الترابط الذاتي المتخلف 1،56 قيمة 0،33 المحسوبة أعلاه لانحراف ذي دلالة إحصائية عن الصفر. وكبديل لتخفيض قيمة ألفا من أجل إدخال مزيد من التحفظ في التنبؤات طويلة الأجل، يضاف أحيانا عامل التخميد المعتدل إلى النموذج من أجل جعل الاتجاه المتوقع يتسطح بعد بضع فترات. وتتمثل الخطوة الأخيرة في بناء نموذج التنبؤات في التنبؤ بالتنبؤات المتوقعة من خلال ضربها بالمؤشرات الموسمية المناسبة. ومن ثم فإن التنبؤات المعاد تشكيلها في العمود الأول هي ببساطة نتاج المؤشرات الموسمية في العمود F وتوقعات ليس الموضوعة موسميا في العمود ح. ومن السهل نسبيا حساب فترات الثقة للتنبؤات من خطوة واحدة إلى الأمام التي يقدمها هذا النموذج: أولا حساب رمز (الجذر المتوسط ​​مربع الخطأ، الذي هو مجرد الجذر التربيعي للمشاريع الصغيرة والمتوسطة) ومن ثم حساب فترة الثقة للتوقعات المعدلة موسميا عن طريق طرح وطرح مرتين من رمز. (عموما فاصل الثقة 95 للتنبؤ بفترة زمنية واحدة يساوي تقريبا نقطة التنبؤ زائد أو ناقص ضعف الانحراف المعياري المقدر لأخطاء التنبؤ، على افتراض أن توزيع الخطأ طبيعي تقريبا وحجم العينة هي كبيرة بما فيه الكفاية، ويقول 20 أو أكثر. هنا، رمز بدلا من العينة الانحراف المعياري للأخطاء هو أفضل تقدير للانحراف المعياري للأخطاء التوقعات المستقبلية لأنه يأخذ التحيز وكذلك عشوائية الاختلافات في الاعتبار.) حدود الثقة من أجل التنبؤ المعدل موسميا ثم ريساوناليزد. إلى جانب التوقعات، بضربها بالمؤشرات الموسمية المناسبة. وفي هذه الحالة، يساوي الرمز رمز 27.4 والتوقعات المعدلة موسميا للفترة المقبلة الأولى (ديسمبر / كانون الأول 93) هي 273.2. بحيث تكون فترة الثقة 95 المعدلة موسميا من 273.2-227.4 218.4 إلى 273.2227.4 328.0. مضاعفة هذه الحدود من قبل ديسمرس مؤشر موسمية من 68.61. نحصل على حدود أدنى وأعلى من الثقة 149.8 و 225.0 حول توقعات ديسمبر 93 نقطة من 187.4. ومن المتوقع أن تتسع حدود الثقة للتنبؤات بأكثر من فترة واحدة مع تزايد الأفق المتوقع بسبب عدم اليقين بشأن المستوى والاتجاه فضلا عن العوامل الموسمية، ولكن من الصعب حسابها عموما بطرق تحليلية. (الطريقة المناسبة لحساب حدود الثقة لتوقعات ليس هي باستخدام نظرية أريما، ولكن عدم اليقين في المؤشرات الموسمية هو مسألة أخرى). إذا كنت ترغب في فترة ثقة واقعية للتنبؤ أكثر من فترة واحدة المقبلة، واتخاذ جميع مصادر في الاعتبار، أفضل رهان هو استخدام طرق تجريبية: على سبيل المثال، للحصول على فترة ثقة لتوقعات من خطوتين إلى الأمام، يمكنك إنشاء عمود آخر في جدول البيانات لحساب توقعات خطوة بخطوة لكل فترة ( من خلال بوتسترابينغ توقعات خطوة واحدة إلى الأمام). ثم حساب رمز للأخطاء المتوقعة من خطوتين إلى الأمام واستخدامها كأساس لفاصل ثقة من خطوتين. وفي الممارسة العملية فإن المتوسط ​​المتحرك سيوفر تقديرا جيدا لمتوسط ​​التسلسل الزمني إذا كان المتوسط ثابت أو ببطء تغيير. وفي حالة المتوسط ​​الثابت، فإن أكبر قيمة m تعطي أفضل التقديرات للمتوسط ​​الأساسي. وستؤدي فترة المراقبة الأطول إلى الحد من آثار التباين. والغرض من توفير m أصغر هو السماح للتنبؤ بالاستجابة للتغيير في العملية الأساسية. ولتوضيح ذلك، نقترح مجموعة بيانات تتضمن التغييرات في الوسط الأساسي للمسلسلات الزمنية. ويبين الشكل السلاسل الزمنية المستخدمة للتوضيح مع متوسط ​​الطلب الذي نشأت منه السلسلة. يبدأ المتوسط ​​ك ثابت عند 10. يبدأ في الوقت 21، يزداد بوحدة واحدة في كل فترة حتى يصل إلى القيمة 20 في وقت 30. ثم يصبح ثابتة مرة أخرى. وتتم محاكاة البيانات بإضافة متوسط ​​الضوضاء العشوائية من التوزيع العادي مع متوسط ​​الصفر والانحراف المعياري 3. وتقريب نتائج المحاكاة إلى أقرب عدد صحيح. ويبين الجدول الملاحظات المحاكاة المستخدمة في المثال. عندما نستخدم الجدول، يجب أن نتذكر أنه في أي وقت من الأوقات، إلا أن البيانات السابقة معروفة. وتظهر تقديرات معلمة النموذج، بالنسبة إلى ثلاث قيم مختلفة من m، مع متوسط ​​السلاسل الزمنية في الشكل أدناه. ويبين الشكل متوسط ​​المتوسط ​​المتحرك للمتوسط ​​في كل مرة وليس التنبؤ. ومن شأن التنبؤات أن تحول منحنيات المتوسط ​​المتحرك إلى اليمين حسب الفترات. وهناك استنتاج واحد واضح على الفور من هذا الرقم. وبالنسبة للتقديرات الثلاثة جميعها، فإن المتوسط ​​المتحرك يتخلف عن الاتجاه الخطي، مع زيادة الفارق الزمني مع m. والفارق الزمني هو المسافة بين النموذج والتقدير في البعد الزمني. وبسبب الفارق الزمني، فإن المتوسط ​​المتحرك يقلل من الملاحظات نظرا لأن المتوسط ​​يتزايد. انحياز المقدر هو الفرق في وقت محدد في متوسط ​​قيمة النموذج والقيمة المتوسطة التي يتنبأ بها المتوسط ​​المتحرك. التحيز عندما يكون المتوسط ​​يزداد سلبيا. أما بالنسبة للمتوسط ​​المتناقص، فإن التحيز إيجابي. التأخر في الوقت والتحيز التي أدخلت في التقدير هي وظائف م. وكلما زادت قيمة m. وكلما كبر حجم التأخر والتحيز. لسلسلة متزايدة باستمرار مع الاتجاه أ. فإن قيم التأخر والتحيز لمقدر المتوسط ​​تعطى في المعادلات أدناه. لا تتطابق منحنيات المثال مع هذه المعادلات لأن نموذج المثال لا يزداد بشكل مستمر، بل يبدأ كتغيير ثابت للاتجاه ثم يصبح ثابتا مرة أخرى. كما تتأثر منحنيات المثال بالضوضاء. ويتمثل متوسط ​​المتوسط ​​المتحرك للتوقعات في المستقبل في تحويل المنحنيات إلى اليمين. ويزيد التأخر والتحيز تناسبيا. وتشير المعادلات أدناه إلى الفارق الزمني والتحيز لفترات التنبؤ في المستقبل عند مقارنتها بمعلمات النموذج. مرة أخرى، هذه الصيغ هي لسلسلة زمنية مع الاتجاه الخطي المستمر. ولا ينبغي لنا أن نفاجأ بهذه النتيجة. ويستند متوسط ​​التقدير المتحرك إلى افتراض متوسط ​​ثابت، والمثال له اتجاه خطي في المتوسط ​​خلال جزء من فترة الدراسة. وبما أن سلسلة الوقت الحقيقي نادرا ما تتوافق تماما مع افتراضات أي نموذج، يجب أن نكون مستعدين لمثل هذه النتائج. ويمكننا أيضا أن نخلص من الشكل إلى أن تباين الضوضاء له أكبر تأثير على m أصغر. ويكون التقدير أكثر تقلبا بكثير بالنسبة للمتوسط ​​المتحرك البالغ 5 من المتوسط ​​المتحرك البالغ 20. ولدينا رغبة متضاربة في زيادة m لتقليل تأثير التباين الناجم عن الضوضاء وتقليل m لجعل التنبؤ أكثر استجابة للتغيرات في الحقيقة. والخطأ هو الفرق بين البيانات الفعلية والقيمة المتوقعة. وإذا كانت السلسلة الزمنية حقا قيمة ثابتة، فإن القيمة المتوقعة للخطأ هي صفر، ويتألف تباين الخطأ من عبارة دالة وعبارة ثانية هي تباين الضوضاء. المصطلح الأول هو التباين في المتوسط ​​المقدر مع عينة من الملاحظات m، على افتراض أن البيانات تأتي من مجتمع ذو متوسط ​​ثابت. يتم تقليل هذا المصطلح من خلال جعل m كبيرة قدر الإمكان. A م كبير يجعل التوقعات لا تستجيب لتغيير في السلسلة الزمنية الأساسية. لجعل التنبؤات تستجيب للتغييرات، نريد m صغيرة قدر الإمكان (1)، ولكن هذا يزيد من التباين الخطأ. ويتطلب التنبؤ العملي قيمة وسيطة. التنبؤ مع إكسيل تقوم الوظيفة الإضافية للتنبؤ بتطبيق صيغ المتوسط ​​المتحرك. ويبين المثال الوارد أدناه التحليل الذي توفره الوظيفة الإضافية لعينة البيانات في العمود باء. ويتم فهرسة الملاحظات العشرة الأولى من 9 إلى 0. وبالمقارنة بالجدول أعلاه، يتم تغيير مؤشرات الفترة بمقدار -10. وتوفر الملاحظات العشرة الأولى قيم بدء التشغيل للتقدير وتستخدم لحساب المتوسط ​​المتحرك للفترة 0. ويبين العمود (10) (C) المتوسطات المتحركة المحسوبة. وتكون معلمة المتوسط ​​المتحرك m في الخلية C3. ويبين العمود (1) (D) توقعات لفترة واحدة في المستقبل. الفترة الزمنية المتوقعة في الخلية D3. عندما يتم تغيير الفاصل الزمني المتوقع إلى عدد أكبر يتم تحويل الأرقام في العمود فور إلى أسفل. ويبين العمود إر (1) (E) الفرق بين الملاحظة والتنبؤ. على سبيل المثال، الملاحظة في الوقت 1 هي 6. القيمة المتوقعة من المتوسط ​​المتحرك في الوقت 0 هي 11.1. الخطأ ثم -5.1. يتم حساب الانحراف المعياري ومتوسط ​​الانحراف المتوسط ​​في الخلايين E6 و E7 على التوالي. تحديد موسمية - تحسين المخزون البرمجيات موسمية تعريف الصفحة الرئيسية راكو قاعدة المعرفة راكو هنا بي جوانز فيرموريل، المراجعة الأخيرة سبتمبر 2011 في الإحصاءات، فإن الطلب - أو المبيعات - من منتج معين أن يحمل الموسمية عندما تتعرض السلاسل الزمنية الكامنة وراء الاختلاف الدوري يمكن التنبؤ به اعتمادا على الوقت خلال السنة. الموسمية هي واحدة من الأنماط الإحصائية الأكثر استخداما لتحسين دقة توقعات الطلب. مثال: معظم تجار التجزئة الغربيين لديهم مبيعات ذروة في موسم عيد الميلاد. رسم توضيحي للمسلسلات الزمنية الموسمية يوضح الرسم البياني أدناه 4 سلسلة زمنية موسمية (اضغط للتكبير). يتم تجميع السلاسل الزمنية على المستوى الأسبوعي على مدى 159 أسبوعا (حوالي 3 سنوات). تمثل البيانات شحنات أسبوعية ل 4 منتجات متميزة من مستودع تاجر التجزئة الأوروبي الكبير. في اليوم الأول من السنة (1 يناير) يتم وضع علامة مع علامة عمودي رمادي. تظهر البيانات التاريخية باللون الأحمر في حين يتم عرض توقعات لوكاد باللون الأرجواني. ويمكن ملاحظة الموسمية بصريا تشابه أنماط من سنة واحدة إلى المرة التالية استخدام علامات رمادية كمراجع. النموذج الأساسي للتحلل الموسمي اسمحوا Y (t) الطلب في الوقت t. ونحن نحلل الطلب Y (t) إلى عنصرين: S (t) وظيفة دورية بدقة و Z (t) مكمل غير موسمي. (S) t (S) t (S) t حيث يمكن تقدير مثل هذه الدالة S (t)، فإن عملية التنبؤ تنقسم عادة إلى ثلاث مراحل: السلسلة الزمنية ديسيسوناليزد كما Z (t) Y (t) S (t). إنتاج التنبؤ على مدى سلسلة زمنية Z (ر). ربما من خلال المتوسط ​​المتحرك. أعد تطبيق المؤشرات الموسمية على التوقعات بعد ذلك. العودة إلى المشكلة الأولية لتقدير المؤشرات الموسمية S (t). على افتراض عدم وجود اتجاه (من بين أمور أخرى)، يمكن تقدير S (t) بما يلي: S (t) أفيراج (Y (t-1) ما (t-1) Y (t-2) ما (t-2) Y (t-3) ما (t-3)) حيث Y (t-1) هو اختصار Y (t - 1 سنة) و ما (t) المتوسط ​​المتحرك لمدة سنة Y (t). النهج المقترح في هذا القسم ساذج. ولكن يمكن تنفيذها بسهولة في إكسيل. العديد من النماذج الإحصائية يمكن العثور عليها في الأدب لمعالجة الموسمية مع أساليب أكثر تعقيدا. مثال: صندوق جينكينز، أرما، أريما، هولت الشتاء. التحديات في تقدير مؤشرات الموسمية نموذج الموسمية الموضح هنا أعلاه هو نهج ساذج نوعا ما التي تعمل لسلسلة زمنية موسمية طويلة على نحو سلس. ومع ذلك، هناك صعوبات عملية متعددة عند تقدير الموسمية: سلسلة زمنية قصيرة. عمر معظم السلع الاستهلاكية لا تتجاوز 3 أو 4 سنوات. ونتیجة لذلك، یقدم سجل المبیعات في المتوسط ​​لمرات ما قلیلة جدا في الماضي لتقدیر کل مؤشر موسمي (أي قیم S (t)) خلال السنة، راجع القسم السابق) . السلاسل الزمنية صاخبة. تقلبات السوق عشوائية تؤثر على المبيعات، وجعل الموسمية أكثر صعوبة لعزل. وتشارك المواسم متعددة. عند النظر إلى المبيعات على مستوى المتجر، فإن موسمية المنتج نفسه متشابكة عادة مع الموسمية من المخزن. أنماط أخرى مثل الاتجاه أو دورة حياة المنتج تؤثر أيضا سلسلة زمنية. مع إدخال نوع مختلف من التحيز في التقدير. وهناك طريقة بسيطة - وإن كانت كثيفة العمالة - لمعالجة هذه القضايا تتمثل في إنشاء ملفات تعريفية موسمية يدويا من مجاميع من المنتجات المعروفة بأن لها نفس السلوك الموسمية. وعمر المنتج الكلي عادة ما يكون أطول بكثير من عمر المنتجات الفردية، مما يخفف من تلك القضايا تقدير. Quasi-موسمية هناك العديد من الأنماط التي تحدث مرة واحدة في السنة ولكن ليس دائما في نفس التاريخ. في لوكاد، نسمي تلك الأنماط شبه الموسمية. على سبيل المثال، يوم الأمهات (الذي يقع في تواريخ مختلفة اعتمادا على السنة ويختلف أيضا بين البلدان) وعطلات أخرى مثل رمضان وعيد الفصح وهانوكا (التي تقع في تواريخ مختلفة اعتمادا على السنة)، شبه الموسمية. وتلك الأحداث شبه الموسمية تقع خارج نطاق نماذج التنبؤ الدوري الكلاسيكي التي تفترض أن فترة الدورة ثابتة تماما. من أجل التعامل مع تلك الأحداث شبه الموسمية، مطلوب منطق شبه دوري أكثر تعقيدا. لوكادس غوتشا في تجربتنا، تؤثر الموسمية على الغالبية العظمى من الأنشطة البشرية. على وجه الخصوص، في سلسلة زمنية تمثل مبيعات السلع الاستهلاكية (المواد الغذائية وغير الغذائية على حد سواء)، عامل موسمي هو دائما تقريبا موجودة. ومع ذلك، فإنه يحدث في كثير من الأحيان أنه بسبب كمية من ضجيج السوق، ونوعية لتقدير المؤشرات الموسمية ينتهي منخفضة جدا ليكون الاستخدام العملي لصقل التنبؤات. تكنولوجيا التنبؤ لوكاد يعالج أصلا الموسمية وشبه الموسمية، لذلك لم يكن لديك ليقول لوكاد عنهم، والرعاية التي اتخذت بالفعل من. من أجل التغلب على القضايا التي تثيرها العمق التاريخي المحدود المتاح لمعظم السلاسل الزمنية في مجال البيع بالتجزئة أو التصنيع، يستخدم لوكاد تحليل سلاسل زمنية متعددة ويتم تقييم الموسمية ليس على منتج واحد ولكن النظر في العديد من المنتجات. من خلال القيام بذلك، نحن تقليل الضوضاء في تقديرنا للموسمية، ولكن أيضا إدخال الموسمية في التنبؤات حتى عندما تم بيع المنتجات لمدة أقل من عام. الحصول على توقعات المبيعات الأمثل مع شركائنا في تكنولوجيا التنبؤ المخزون. لوكاد متخصصة في تحسين المخزون من خلال التنبؤ بالطلب. إدارة الموسمية - وأكثر من ذلك بكثير - هي الميزات الأصلية لمحرك التنبؤ لدينا. مواضيع سلسلة الإمداد مواضيع التنبؤ