ชี้แจง เคลื่อนไหว เฉลี่ย คาดการณ์

การพยากรณ์โดย Smoothing Techniques เว็บไซต์นี้เป็นส่วนหนึ่งของ JavaScript E-labs สำหรับการเรียนรู้ในการตัดสินใจ JavaScript อื่น ๆ ในชุดนี้จัดอยู่ในพื้นที่ต่างๆของแอ็พพลิเคชันในส่วน MENU ในหน้านี้ ชุดเวลาเป็นลำดับของข้อสังเกตที่ได้รับคำสั่งในเวลา การรวบรวมข้อมูลที่เกิดขึ้นในช่วงเวลาหนึ่ง ๆ เป็นรูปแบบของรูปแบบสุ่ม มีวิธีการลดการยกเลิกผลกระทบเนื่องจากรูปแบบสุ่ม ใช้เทคนิคที่ใช้กันอย่างแพร่หลาย เทคนิคเหล่านี้เมื่อนำมาประยุกต์ใช้อย่างถูกต้องจะแสดงให้เห็นถึงแนวโน้มที่ชัดเจนมากขึ้น ป้อนลำดับเวลาชุดข้อมูลเป็นแถวตามลำดับจากมุมซ้ายบนและพารามิเตอร์จากนั้นคลิกปุ่มคำนวณเพื่อขอรับการคาดการณ์ล่วงหน้าหนึ่งรอบ ช่องว่างเปล่าไม่รวมอยู่ในการคำนวณ แต่มีศูนย์อยู่ ในการป้อนข้อมูลของคุณเพื่อย้ายจากเซลล์ไปยังเซลล์ในข้อมูลเมทริกซ์ใช้แป้น Tab ไม่ใช่ลูกศรหรือป้อนคีย์ คุณลักษณะของชุดเวลาซึ่งอาจถูกเปิดเผยโดยการตรวจสอบกราฟ กับค่าคาดการณ์และพฤติกรรมที่เหลือรูปแบบการพยากรณ์สภาพ ค่าเฉลี่ยเคลื่อนที่: การย้ายอันดับเฉลี่ยเป็นหนึ่งในเทคนิคที่ได้รับความนิยมมากที่สุดสำหรับการประมวลผลล่วงหน้าของชุดข้อมูลเวลา ใช้เพื่อกรองสัญญาณรบกวนสีขาวแบบสุ่มจากข้อมูลเพื่อให้ชุดข้อมูลเวลาทำงานราบรื่นขึ้นหรือแม้แต่เพื่อเน้นองค์ประกอบข้อมูลที่มีอยู่ในชุดข้อมูลเวลา Exponential Smoothing: นี่เป็นรูปแบบที่ได้รับความนิยมมากในการผลิต Time Series เรียบ ในขณะที่ Moving Average การสังเกตการณ์ในอดีตมีการถ่วงน้ำหนักเท่ากัน Exponential Smoothing จะกำหนดค่าน้ำหนักที่ลดลงอย่างมากเมื่อการสังเกตมีอายุมากขึ้น กล่าวอีกนัยหนึ่งการสังเกตล่าสุดมีน้ำหนักมากขึ้นในการคาดการณ์มากกว่าการสังเกตที่เก่ากว่า Double Exponential Smoothing ดีกว่าในการจัดการกับแนวโน้ม Triple Exponential Smoothing ดีกว่าในการจัดการแนวโน้มพาราโบลา ค่าเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนัก exponenentially กับการปรับให้ราบเรียบ a. หมายถึงประมาณค่าเฉลี่ยเคลื่อนที่โดยเฉลี่ยของความยาว (ระยะเวลา) n โดยที่ a และ n มีความสัมพันธ์กันโดย: a 2 (n1) หรือ n (2 - a) a. ดังนั้นตัวอย่างเช่นค่าเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนักที่อธิบายด้วยค่าความยาวคลื่นและค่าคงที่การให้ราบเรียบเท่ากับ 0.1 จะสอดคล้องกับค่าเฉลี่ยเคลื่อนที่ 19 วัน และค่าเฉลี่ยเคลื่อนที่เฉลี่ย 40 วันจะสอดคล้องกับค่าเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนักแบบยกตัnymโดยมีค่าคงที่ที่ราบเรียบเท่ากับ 0.04878 การจัดแจงแบบเสียดสีเชิงเส้นของ Holts: สมมติว่าซีรี่ส์เวลาไม่ใช่ตามฤดูกาล แต่ไม่แสดงแนวโน้ม วิธีการของ Holts ประเมินทั้งระดับปัจจุบันและแนวโน้มในปัจจุบัน สังเกตว่าค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายเป็นกรณีพิเศษของการทำให้เรียบโดยการตั้งค่าระยะเวลาของค่าเฉลี่ยเคลื่อนที่ไปเป็นส่วนจำนวนเต็มของอัลฟ่า (2 อัลฟ่า) สำหรับข้อมูลธุรกิจส่วนใหญ่พารามิเตอร์อัลฟาที่มีขนาดเล็กกว่า 0.40 มักมีประสิทธิภาพ อย่างไรก็ตามหนึ่งอาจดำเนินการค้นหาตารางพื้นที่พารามิเตอร์ด้วย 0.1 ถึง 0.9 โดยเพิ่มขึ้นเป็น 0.1 จากนั้นอัลฟาที่ดีที่สุดมีค่า Mean Absolute Error (MA Error) น้อยที่สุด วิธีการเปรียบเทียบวิธีการเรียบ: แม้ว่าจะมีตัวชี้วัดเชิงตัวเลขสำหรับการประเมินความถูกต้องของเทคนิคการคาดการณ์วิธีที่กว้างที่สุดคือการใช้การเปรียบเทียบภาพการคาดการณ์ต่างๆเพื่อประเมินความถูกต้องและเลือกวิธีการคาดการณ์ต่างๆ ในวิธีนี้ผู้ใช้จะต้องพล็อต (ใช้เช่น Excel) บนกราฟเดียวกันค่าเดิมของตัวแปรชุดเวลาและค่าที่คาดการณ์ไว้จากวิธีการพยากรณ์อากาศต่างๆซึ่งจะช่วยให้สามารถเปรียบเทียบภาพได้ คุณอาจต้องการใช้การคาดการณ์ในอดีตโดยใช้เทคนิคการทำให้เรียบ JavaScript เพื่อรับค่าคาดการณ์ที่ผ่านมาโดยใช้เทคนิคการปรับให้เรียบโดยใช้พารามิเตอร์เพียงอย่างเดียว Holt และ Winters ใช้พารามิเตอร์สองและสามตามลำดับดังนั้นจึงไม่ใช่เรื่องง่ายที่จะเลือกค่าที่ดีที่สุดหรือใกล้เคียงกับค่าทดลองและข้อผิดพลาดของพารามิเตอร์ การเรียบแบบเอกพจน์เป็นแบบเดี่ยวจะเน้นย้ำมุมมองในระยะสั้นที่กำหนดระดับไว้เป็นข้อสังเกตสุดท้ายและขึ้นอยู่กับเงื่อนไขที่ไม่มีแนวโน้ม การถดถอยเชิงเส้นซึ่งเหมาะกับเส้นสี่เหลี่ยมจัตุรัสน้อยที่สุดต่อข้อมูลทางประวัติศาสตร์ (หรือเปลี่ยนข้อมูลทางประวัติศาสตร์) หมายถึงช่วงยาวซึ่งขึ้นอยู่กับแนวโน้มพื้นฐาน การคำนวณหาค่าความละเอียดเชิงเส้นแบบ Holts จับข้อมูลเกี่ยวกับแนวโน้มล่าสุด พารามิเตอร์ในรูปแบบ Holts คือพารามิเตอร์ระดับซึ่งควรจะลดลงเมื่อจำนวนของการแปรปรวนข้อมูลมีขนาดใหญ่และควรเพิ่มพารามิเตอร์ของเทรนด์หากทิศทางแนวโน้มล่าสุดได้รับการสนับสนุนจากสาเหตุบางประการ การคาดการณ์ในระยะสั้น: โปรดสังเกตว่า JavaScript ทุกหน้าจะให้การคาดการณ์ล่วงหน้าเพียงอย่างเดียว เพื่อให้ได้การคาดการณ์ล่วงหน้าสองขั้นตอน เพียงเพิ่มค่าที่คาดการณ์ไว้ในตอนท้ายของข้อมูลชุดข้อมูลตามเวลาและจากนั้นคลิกที่ปุ่ม Calculate เดียวกัน คุณอาจทำซ้ำขั้นตอนนี้เป็นเวลาสองสามครั้งเพื่อให้ได้การคาดการณ์ในระยะสั้นที่จำเป็นในทางปฏิบัติค่าเฉลี่ยเคลื่อนที่จะให้ค่าประมาณที่ดีของค่าเฉลี่ยของชุดข้อมูลเวลาถ้าค่าเฉลี่ยมีค่าคงที่หรือค่อยๆเปลี่ยนไป ในกรณีของค่าเฉลี่ยคงที่ค่าที่มากที่สุดของ m จะให้ค่าประมาณที่ดีที่สุดของค่าเฉลี่ยต้นแบบ ระยะสังเกตอีกต่อไปจะเป็นค่าเฉลี่ยของผลกระทบของความแปรปรวน วัตถุประสงค์ของการให้ m ที่มีขนาดเล็กคือการให้การคาดการณ์เพื่อตอบสนองต่อการเปลี่ยนแปลงในกระบวนการอ้างอิง เพื่อแสดงให้เห็นว่าเราเสนอชุดข้อมูลที่รวมการเปลี่ยนแปลงค่าเฉลี่ยที่แท้จริงของชุดข้อมูลเวลา ภาพแสดงชุดข้อมูลเวลาที่ใช้สำหรับการแสดงภาพพร้อมกับความต้องการเฉลี่ยที่สร้างขึ้น ค่าเฉลี่ยเริ่มต้นเป็นค่าคงที่ที่ 10 เริ่มต้นที่ 21 เวลาจะเพิ่มขึ้นโดยหนึ่งหน่วยในแต่ละช่วงเวลาจนกว่าจะถึงค่า 20 ในเวลา 30 จากนั้นจะกลายเป็นค่าคงที่อีกครั้ง ข้อมูลถูกจำลองด้วยการเพิ่มค่าเฉลี่ยเสียงสุ่มจากการแจกแจงแบบปกติโดยมีค่าเฉลี่ยศูนย์และค่าเบี่ยงเบนมาตรฐาน 3. ผลการจำลองจะปัดเศษเป็นจำนวนเต็มใกล้ที่สุด ตารางแสดงการสังเกตแบบจำลองที่ใช้สำหรับตัวอย่าง เมื่อเราใช้ตารางเราต้องจำไว้ว่าในเวลาใดก็ตามข้อมูลที่ผ่านมาเป็นที่รู้จักเท่านั้น การประมาณค่าพารามิเตอร์ของโมเดลสำหรับค่าที่แตกต่างกันสามค่าของ m จะแสดงพร้อมกับค่าเฉลี่ยของชุดข้อมูลเวลาในรูปด้านล่าง ตัวเลขนี้แสดงค่าประมาณเฉลี่ยเคลื่อนที่ของค่าเฉลี่ยในแต่ละครั้งและไม่ใช่การคาดการณ์ การคาดการณ์จะเปลี่ยนเส้นโค้งค่าเฉลี่ยเคลื่อนที่ไปทางขวาตามช่วงเวลา หนึ่งข้อสรุปจะเห็นได้ชัดทันทีจากรูป สำหรับทั้งสามค่าประมาณค่าเฉลี่ยเคลื่อนที่จะล่าช้ากว่าเส้นตรงโดยมีความล่าช้าเพิ่มขึ้นจาก m ความล่าช้าคือระยะห่างระหว่างรูปแบบกับการประมาณในมิติเวลา เนื่องจากความล่าช้าค่าเฉลี่ยของค่าเฉลี่ยเคลื่อนที่ต่ำกว่าข้อสังเกตเป็นค่าเฉลี่ยจะเพิ่มขึ้น ความลำเอียงของตัวประมาณคือความแตกต่างในเวลาที่กำหนดในค่าเฉลี่ยของแบบจำลองและค่าเฉลี่ยที่คำนวณโดยค่าเฉลี่ยเคลื่อนที่ ความอคติเมื่อค่าเฉลี่ยเพิ่มขึ้นเป็นลบ สำหรับค่าเฉลี่ยที่ลดลงอคติเป็นบวก ความล่าช้าในเวลาและอคติที่นำมาใช้ในการประมาณค่านี้เป็นหน้าที่ของ m ค่าที่มากขึ้นของ m ยิ่งใหญ่ขนาดของความล่าช้าและอคติ สำหรับซีรีส์ที่เพิ่มขึ้นอย่างต่อเนื่องโดยมีแนวโน้ม a. ค่าของความล่าช้าและความลำเอียงของ estimator ของค่าเฉลี่ยจะได้รับในสมการด้านล่าง เส้นโค้งตัวอย่างไม่ตรงกับสมการเหล่านี้เนื่องจากตัวอย่างไม่ได้เพิ่มขึ้นอย่างต่อเนื่องแทนที่จะเริ่มเป็นค่าคงที่เปลี่ยนเป็นแนวโน้มและจะกลายเป็นค่าคงที่อีกครั้ง นอกจากนี้เส้นโค้งตัวอย่างยังได้รับผลกระทบจากเสียงดัง การคาดการณ์ค่าเฉลี่ยของช่วงเวลาในอนาคตจะแสดงโดยการขยับเส้นโค้งไปทางขวา ความล่าช้าและความลำเอียงเพิ่มขึ้นตามสัดส่วน สมการด้านล่างแสดงถึงความล่าช้าและความลำเอียงของระยะเวลาคาดการณ์ในอนาคตเมื่อเทียบกับพารามิเตอร์ของโมเดล อีกครั้งสูตรเหล่านี้เป็นชุดเวลาที่มีแนวโน้มเชิงเส้นคงที่ เราไม่ควรแปลกใจที่ผลลัพธ์นี้ ตัวประมาณค่าเฉลี่ยเคลื่อนที่อยู่บนพื้นฐานสมมติฐานค่าเฉลี่ยคงที่และตัวอย่างมีแนวโน้มเป็นเส้นตรงตามค่าเฉลี่ยในช่วงระยะเวลาการศึกษา เนื่องจากชุดข้อมูลเรียลไทม์จะไม่ค่อยตรงตามสมมติฐานของรูปแบบใดก็ตามเราควรเตรียมพร้อมสำหรับผลลัพธ์ดังกล่าว นอกจากนี้เรายังสามารถสรุปจากรูปที่ความแปรปรวนของเสียงรบกวนมีผลมากที่สุดสำหรับขนาดเล็ก ค่าประมาณมีความผันผวนมากขึ้นสำหรับค่าเฉลี่ยเคลื่อนที่ที่ 5 กว่าค่าเฉลี่ยเคลื่อนที่ของ 20 เรามีความต้องการที่ขัดแย้งกันในการเพิ่ม m เพื่อลดผลกระทบของความแปรปรวนอันเนื่องมาจากเสียงและลด M เพื่อให้การคาดการณ์ตอบสนองต่อการเปลี่ยนแปลงได้มากขึ้น ในความหมาย ข้อผิดพลาดคือความแตกต่างระหว่างข้อมูลจริงกับค่าคาดการณ์ ถ้าชุดข้อมูลเวลาเป็นค่าคงที่มูลค่าที่คาดไว้ของข้อผิดพลาดจะเป็นศูนย์และความแปรปรวนของข้อผิดพลาดจะประกอบด้วยคำที่เป็นหน้าที่ของและคำที่สองซึ่งเป็นความแปรปรวนของเสียง คำที่หนึ่งคือค่าความแปรปรวนของค่าเฉลี่ยที่ประมาณด้วยตัวอย่างของการสังเกตการณ์ m สมมติว่าข้อมูลมาจากประชากรที่มีค่าเฉลี่ยคงที่ ระยะนี้จะลดลงโดยทำให้ m มีขนาดใหญ่ที่สุด m ที่มีขนาดใหญ่ทำให้การคาดการณ์ไม่ตอบสนองต่อการเปลี่ยนแปลงชุดข้อมูลอ้างอิง เพื่อให้การคาดการณ์สามารถตอบสนองต่อการเปลี่ยนแปลงได้เราต้องการให้ m มีขนาดเล็กที่สุด (1) แต่จะเพิ่มความแปรปรวนของข้อผิดพลาด การคาดการณ์ในทางปฏิบัติต้องมีค่ากลาง การคาดการณ์ด้วย Excel การคาดการณ์ add-in จะใช้สูตรค่าเฉลี่ยเคลื่อนที่ ตัวอย่างด้านล่างแสดงการวิเคราะห์โดย add-in สำหรับข้อมูลตัวอย่างในคอลัมน์ B 10 ข้อสังเกตแรกมีการจัดทำดัชนี -9 ถึง 0 เมื่อเทียบกับตารางด้านบนดัชนีระยะเวลาจะเปลี่ยนไป -10 การสังเกตสิบข้อแรกให้ค่าเริ่มต้นสำหรับการประมาณและใช้คำนวณค่าเฉลี่ยเคลื่อนที่สำหรับช่วงเวลา 0 คอลัมน์ MA (10) (C) แสดงค่าเฉลี่ยเคลื่อนที่ที่คำนวณได้ ค่าเฉลี่ยเคลื่อนที่ m อยู่ในเซลล์ C3 คอลัมน์ Fore (1) (D) จะแสดงการคาดการณ์สำหรับระยะเวลาหนึ่งในอนาคต ช่วงคาดการณ์อยู่ในเซลล์ D3 เมื่อช่วงคาดการณ์มีการเปลี่ยนแปลงไปเป็นจำนวนที่มากขึ้นตัวเลขในคอลัมน์ Fore จะถูกเลื่อนลง คอลัมน์ Err (1) (E) แสดงความแตกต่างระหว่างการสังเกตและการคาดการณ์ ตัวอย่างเช่นการสังเกตในเวลาที่ 1 คือ 6 ค่าที่คาดการณ์ไว้จากค่าเฉลี่ยเคลื่อนที่ในช่วงเวลา 0 คือ 11.1 ข้อผิดพลาดคือ -5.1 ส่วนเบี่ยงเบนมาตรฐานและค่าเบี่ยงเบนมาตรฐานเฉลี่ย (MAD) คำนวณในเซลล์ E6 และ E7 ตามลำดับการคำนวณแบบจำลองการถ่วงล้อเฉลี่ยและการอธิบายเป็นขั้นตอนแรกในการเคลื่อนย้ายเกินกว่าโมเดลเฉลี่ยโมเดลการเดินแบบสุ่มและแบบจำลองเชิงเส้นแนวโน้มและรูปแบบที่ไม่เป็นทางการ การอนุมานโดยใช้แบบจำลองที่เคลื่อนที่โดยเฉลี่ยหรือเรียบ สมมติฐานพื้นฐานที่อยู่เบื้องหลังรูปแบบเฉลี่ยและราบเรียบคือชุดเวลาเป็นแบบคงที่ในท้องถิ่นที่มีค่าเฉลี่ยที่เปลี่ยนแปลงไปอย่างช้าๆ ดังนั้นเราจึงใช้ค่าเฉลี่ยเคลื่อนที่ (ท้องถิ่น) เพื่อประมาณค่าปัจจุบันของค่าเฉลี่ยและใช้เป็นค่าพยากรณ์สำหรับอนาคตอันใกล้นี้ ซึ่งถือได้ว่าเป็นการประนีประนอมระหว่างโมเดลเฉลี่ยและแบบสุ่มโดยไม่มีการเลื่อนลอย กลยุทธ์เดียวกันสามารถใช้ในการประมาณและคาดการณ์แนวโน้มในท้องถิ่น ค่าเฉลี่ยเคลื่อนที่มักถูกเรียกว่า quotsmoothedquot version ของชุดเดิมเนื่องจากค่าเฉลี่ยในระยะสั้นมีผลต่อการทำให้เรียบออกกระแทกในชุดเดิม โดยการปรับระดับการทำให้เรียบ (ความกว้างของค่าเฉลี่ยเคลื่อนที่) เราสามารถคาดหวังให้เกิดความสมดุลระหว่างประสิทธิภาพของโมเดลแบบเฉลี่ยและแบบสุ่ม รูปแบบเฉลี่ยที่ง่ายที่สุดคือ ค่าเฉลี่ยของค่าเฉลี่ยของ Y ที่เวลา t1 ที่ทำในเวลา t เท่ากับค่าเฉลี่ยที่แท้จริงของการสังเกตการณ์ m ล่าสุด: (ที่นี่และที่อื่น ๆ ฉันจะใช้สัญลักษณ์ 8220Y-hat8221 เพื่อยืน สำหรับการคาดการณ์ของชุดข้อมูล Y เวลาที่เร็วที่สุดเท่าที่เป็นไปได้ก่อนวันที่โดยรูปแบบที่กำหนด) ค่าเฉลี่ยนี้เป็นศูนย์กลางในระยะเวลา t - (m1) 2 ซึ่งหมายความว่าค่าประมาณของท้องถิ่นจะมีแนวโน้มลดลงหลังค่าจริง ค่าเฉลี่ยของท้องถิ่นโดยประมาณ (m1) 2 ช่วงเวลา ดังนั้นเราจึงกล่าวว่าอายุโดยเฉลี่ยของข้อมูลในค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายคือ (m1) 2 เทียบกับช่วงเวลาที่คาดการณ์การคำนวณ: นี่คือระยะเวลาโดยที่การคาดการณ์จะมีแนวโน้มลดลงหลังจุดหักเหในข้อมูล . ตัวอย่างเช่นถ้าคุณคิดค่าเฉลี่ย 5 ค่าล่าสุดการคาดการณ์จะประมาณ 3 ช่วงเวลาในการตอบสนองต่อจุดหักเห โปรดทราบว่าถ้า m1 โมเดลเฉลี่ยเคลื่อนที่โดยเฉลี่ย (SMA) เทียบเท่ากับรูปแบบการเดินแบบสุ่ม (โดยไม่มีการเติบโต) ถ้า m มีขนาดใหญ่มาก (เทียบกับความยาวของระยะเวลาประมาณ) รูปแบบ SMA จะเท่ากับรูปแบบเฉลี่ย เช่นเดียวกับพารามิเตอร์ใด ๆ ของรูปแบบการคาดการณ์การปรับค่าของ k จะเป็นเรื่องปกติที่จะได้รับข้อมูลที่ดีที่สุดนั่นคือข้อผิดพลาดในการคาดการณ์ที่เล็กที่สุดโดยเฉลี่ย นี่คือตัวอย่างของชุดที่ดูเหมือนจะแสดงความผันผวนแบบสุ่มรอบ ๆ ค่าเฉลี่ยที่เปลี่ยนแปลงไปอย่างช้าๆ อันดับแรกให้ลองพอดีกับรูปแบบการเดินแบบสุ่มซึ่งเท่ากับค่าเฉลี่ยเคลื่อนที่ที่สั้น ๆ ของ 1 เทอม: รูปแบบการเดินแบบสุ่มตอบสนองได้อย่างรวดเร็วต่อการเปลี่ยนแปลงในซีรีส์ แต่ในการทำเช่นนี้จะทำให้ได้คำที่ไม่เหมาะสมใน ข้อมูล (ความผันผวนแบบสุ่ม) รวมทั้ง quotsignalquot (ค่าเฉลี่ยในท้องถิ่น) หากเราลองใช้ค่าเฉลี่ยเคลื่อนที่ 5 ข้อโดยทั่วไปเราจะได้รับการคาดการณ์ที่นุ่มนวลกว่า: ค่าเฉลี่ยเคลื่อนที่ 5 เทอมให้ผลผิดพลาดอย่างมีนัยสำคัญน้อยกว่ารูปแบบการเดินแบบสุ่มในกรณีนี้ อายุเฉลี่ยของข้อมูลในการคาดการณ์นี้คือ 3 ((51) 2) ดังนั้นจึงมีแนวโน้มที่จะล่าช้ากว่าจุดหักเหภายในสามช่วงเวลา (ตัวอย่างเช่นการชะลอตัวน่าจะเกิดขึ้นในช่วง 21 แต่การคาดการณ์ไม่ได้ผกผันไปหลายช่วงเวลาภายหลัง) สังเกตว่าการคาดการณ์ระยะยาวจากแบบจำลอง SMA เป็นแนวเส้นตรงเช่นเดียวกับการเดินแบบสุ่ม แบบ ดังนั้นรูปแบบ SMA สมมติว่าไม่มีแนวโน้มในข้อมูล อย่างไรก็ตามในขณะที่การคาดการณ์จากรูปแบบการเดินแบบสุ่มมีค่าเท่ากับค่าที่สังเกตได้ล่าสุดการคาดการณ์จากรูปแบบ SMA จะเท่ากับค่าเฉลี่ยถ่วงน้ำหนักของค่าล่าสุด วงเงินความเชื่อมั่นที่คำนวณโดย Statgraphics สำหรับการคาดการณ์ในระยะยาวของค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายจะไม่ได้รับมากขึ้นเนื่องจากระยะขอบพยากรณ์อากาศเพิ่มขึ้น เห็นได้ชัดว่าไม่ถูกต้อง แต่น่าเสียดายที่ไม่มีทฤษฎีทางสถิติพื้นฐานที่บอกเราว่าช่วงความเชื่อมั่นควรจะเพิ่มขึ้นสำหรับรุ่นนี้อย่างไร อย่างไรก็ตามไม่ยากที่จะคำนวณค่าประมาณเชิงประจักษ์ถึงขีดจำกัดความเชื่อมั่นสำหรับการคาดการณ์ระยะยาวของเส้นขอบฟ้า ตัวอย่างเช่นคุณสามารถตั้งค่าสเปรดชีตที่จะใช้โมเดล SMA เพื่อคาดการณ์ล่วงหน้า 2 ขั้นตอนล่วงหน้า 3 ก้าวเป็นต้นภายในตัวอย่างข้อมูลที่ผ่านมา จากนั้นคุณสามารถคำนวณส่วนเบี่ยงเบนมาตรฐานตัวอย่างของข้อผิดพลาดในขอบฟ้าพยากรณ์แต่ละครั้งและสร้างช่วงความเชื่อมั่นสำหรับการคาดการณ์ในระยะยาวโดยการเพิ่มและลบคูณของส่วนเบี่ยงเบนมาตรฐานที่เหมาะสม ถ้าเราลองค่าเฉลี่ยเคลื่อนที่ 9 วันเราจะได้รับการคาดการณ์ที่ราบรื่นขึ้นและผลกระทบที่ปกคลุมด้วยวัตถุฉนวน: อายุเฉลี่ยอยู่ที่ 5 ช่วงเวลา ((91) 2) ถ้าเราใช้ค่าเฉลี่ยเคลื่อนที่ในระยะ 19 วันอายุเฉลี่ยจะเพิ่มขึ้นเป็น 10: สังเกตว่าแท้จริงแล้วการคาดการณ์ในขณะนี้ล้าหลังจุดหักเหประมาณ 10 รอบ นี่คือตารางที่เปรียบเทียบสถิติข้อผิดพลาดของพวกเขาซึ่งรวมถึงค่าเฉลี่ยระยะยาว 3 คำ: Model C ซึ่งเป็นค่าเฉลี่ยเคลื่อนที่ 5 เทอมให้ผลตอบแทนน้อยที่สุดของ RMSE โดยมีขอบเล็กกว่า 3 ค่าเฉลี่ยระยะสั้นและระยะ 9 และสถิติอื่น ๆ ของพวกเขาเกือบจะเท่ากัน ดังนั้นระหว่างโมเดลที่มีสถิติข้อผิดพลาดที่คล้ายกันมากเราสามารถเลือกได้ว่าจะต้องการการตอบสนองเล็กน้อยหรือความเรียบขึ้นเล็กน้อยในการคาดการณ์หรือไม่ (ค่าเฉลี่ยถ่วงน้ำหนักที่ชี้แจง) แบบจำลองค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายที่กล่าวมาข้างต้นมีคุณสมบัติที่ไม่พึงประสงค์ที่จะถือว่าข้อสังเกตสุดท้ายของ k อย่างเท่าเทียมกันและสมบูรณ์ละเว้นการสังเกตทั้งหมดก่อนหน้านี้ โดยนัยข้อมูลที่ผ่านมาควรจะลดในรูปแบบที่ค่อยๆมากขึ้นตัวอย่างเช่นข้อสังเกตล่าสุดควรมีน้ำหนักมากกว่า 2 ครั้งล่าสุดและครั้งที่ 2 ล่าสุดควรมีน้ำหนักน้อยกว่า 3 ครั้งล่าสุดและ อื่น ๆ แบบเรียบง่าย (SES) ทำให้สำเร็จได้ ให้ 945 แสดงถึงค่าคงที่ quotsmoothing (ตัวเลขระหว่าง 0 ถึง 1) วิธีหนึ่งในการเขียนแบบจำลองคือการกำหนดชุด L ซึ่งแสดงถึงระดับปัจจุบัน (นั่นคือค่าเฉลี่ยในท้องถิ่น) ของชุดข้อมูลดังกล่าวโดยประมาณจากข้อมูลจนถึงปัจจุบัน ค่าของ L ในเวลา t คำนวณจากค่าก่อนหน้าของตัวเองเช่นนี้ดังนั้นค่าที่เรียบนวลในปัจจุบันเป็นค่า interpolation ระหว่างค่าที่ได้จากการเรียบก่อนหน้าและการสังเกตการณ์ในปัจจุบันโดยที่ 945 ควบคุมความใกล้ชิดของค่าที่ถูก interpolation ไปเป็นค่าล่าสุด การสังเกต การคาดการณ์ในช่วงถัดไปเป็นเพียงค่าที่ได้รับการปรับปรุงแล้วในปัจจุบัน: เราสามารถแสดงการคาดการณ์ครั้งต่อไปได้โดยตรงในแง่ของการคาดการณ์ก่อนหน้าและข้อสังเกตก่อนหน้าในเวอร์ชันที่เทียบเท่ากันต่อไปนี้ ในรุ่นแรกการคาดการณ์คือการแก้ไขระหว่างการคาดการณ์ก่อนหน้าและการสังเกตก่อนหน้านี้: ในรุ่นที่สองการคาดการณ์ครั้งต่อไปจะได้รับโดยการปรับการคาดการณ์ก่อนหน้านี้ในทิศทางของข้อผิดพลาดก่อนหน้าด้วยจำนวนเศษ 945 ข้อผิดพลาดเกิดขึ้นที่ เวลา t ในรุ่นที่สามการคาดการณ์คือค่าเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนักแบบยกระดับ (เช่นลด) โดยมีปัจจัยการลดราคา 1-945: รูปแบบการแก้ไขของสูตรพยากรณ์เป็นวิธีที่ง่ายที่สุดในการใช้งานหากคุณใช้โมเดลในสเปรดชีต: เหมาะกับรูปแบบ เซลล์เดี่ยวและมีการอ้างอิงเซลล์ชี้ไปที่การคาดการณ์ก่อนหน้านี้การสังเกตก่อนหน้าและเซลล์ที่เก็บค่า 945 ไว้ โปรดทราบว่าถ้า 945 1 รูปแบบ SES จะเทียบเท่ากับรูปแบบการเดินแบบสุ่ม (โดยไม่มีการเจริญเติบโต) ถ้า 945 0 รูปแบบ SES จะเท่ากับโมเดลเฉลี่ยโดยสมมติว่าค่าที่เรียบเป็นครั้งแรกจะเท่ากับค่าเฉลี่ย (กลับไปด้านบนสุดของหน้า) อายุโดยเฉลี่ยของข้อมูลในการคาดการณ์การเรียบอย่างง่ายและชี้แจงคือ 1 945 เทียบกับระยะเวลาที่คาดการณ์การคำนวณ (นี้ไม่ควรจะเป็นที่เห็นได้ชัด แต่ก็สามารถแสดงได้โดยการประเมินชุดอนันต์.) ดังนั้นการคาดการณ์ค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายมีแนวโน้มที่จะล่าช้าหลังจุดหักเหประมาณ 1 945 รอบระยะเวลา ตัวอย่างเช่นเมื่อ 945 0.5 ความล่าช้าเป็น 2 ช่วงเวลาเมื่อ 945 0.2 ความล่าช้าเป็น 5 ช่วงเวลาที่ 945 0.1 ความล่าช้าเป็น 10 ช่วงเวลาและอื่น ๆ สำหรับอายุเฉลี่ยที่กำหนด (เช่นจำนวนเงินที่ล่าช้า) การคาดการณ์การทำให้การทำให้ลื่นตามการอธิบายแบบเสวนาง่าย ๆ (SES) ค่อนข้างดีกว่าการคาดการณ์ค่าเฉลี่ยเคลื่อนที่อย่างง่าย (SMA) เนื่องจากมีน้ำหนักมากขึ้นในการสังเกตล่าสุด - คือ มีการเปลี่ยนแปลงมากขึ้นในช่วงไม่กี่ปีที่ผ่านมา ตัวอย่างเช่นโมเดล SMA ที่มี 9 คำและแบบ SES ที่มี 945 0.2 มีอายุเฉลี่ยอยู่ที่ 5 สำหรับข้อมูลในการคาดการณ์ แต่แบบจำลอง SES จะให้น้ำหนักมากกว่า 3 ค่าที่มากกว่าแบบจำลอง SMA และที่ ในเวลาเดียวกันมันไม่ได้ 8220forget8221 เกี่ยวกับค่ามากกว่า 9 งวดเก่าดังที่แสดงในแผนภูมินี้ข้อได้เปรียบที่สำคัญอีกประการหนึ่งของโมเดล SES ในรูปแบบ SMA คือรูปแบบ SES ใช้พารามิเตอร์การปรับให้ราบเรียบซึ่งเป็นตัวแปรที่เปลี่ยนแปลงได้อย่างต่อเนื่อง โดยใช้อัลกอริธึม quotsolverquot เพื่อลดข้อผิดพลาดกำลังสองเฉลี่ย ค่าที่เหมาะสมที่สุดของ 945 ในแบบจำลอง SES สำหรับชุดข้อมูลนี้จะเท่ากับ 0.2961 ดังแสดงในที่นี้อายุเฉลี่ยของข้อมูลในการคาดการณ์นี้คือ 10.2961 3.4 งวดซึ่งใกล้เคียงกับค่าเฉลี่ยเคลื่อนที่ 6-term ระยะสั้น การคาดการณ์ระยะยาวจากแบบจำลอง SES เป็นแนวเส้นตรง เช่นเดียวกับในรูปแบบ SMA และรูปแบบการเดินแบบสุ่มโดยไม่มีการเติบโต อย่างไรก็ตามโปรดทราบว่าช่วงความเชื่อมั่นที่คำนวณโดย Statgraphics จะแตกต่างกันไปในรูปแบบที่ดูสมเหตุสมผลและมีความแคบกว่าช่วงความเชื่อมั่นสำหรับรูปแบบการเดินแบบสุ่ม แบบจำลอง SES อนุมานว่าชุดนี้ค่อนข้างจะคาดเดาได้มากกว่าแบบจำลองการเดินแบบสุ่ม แบบจำลอง SES เป็นกรณีพิเศษของรูปแบบ ARIMA ดังนั้นทฤษฎีทางสถิติของแบบจำลอง ARIMA จึงเป็นพื้นฐานที่ใช้ในการคำนวณช่วงความเชื่อมั่นสำหรับแบบจำลอง SES โดยเฉพาะอย่างยิ่งแบบจำลอง SES คือแบบจำลอง ARIMA ที่มีความแตกต่างอย่างไม่มีความแตกต่างอย่างหนึ่งข้อ MA (1) เทอมและไม่มีระยะคงที่ หรือที่เรียกว่าโควต้า (0,1,1) โดยไม่มีค่าคงที่ ค่าสัมประสิทธิ์ MA (1) ในรูปแบบ ARIMA สอดคล้องกับจำนวน 1-945 ในแบบจำลอง SES ตัวอย่างเช่นถ้าคุณพอดีกับรูปแบบ ARIMA (0,1,1) โดยไม่มีค่าคงที่สำหรับชุดข้อมูลที่วิเคราะห์ที่นี่ค่าสัมประสิทธิ์ MA (1) โดยประมาณจะเท่ากับ 0.7029 ซึ่งใกล้เคียงกับค่า 0.2961 เป็นไปได้ที่จะเพิ่มสมมติฐานของแนวโน้มเชิงเส้นที่ไม่ใช่ศูนย์เป็นแบบ SES ในการทำเช่นนี้เพียงแค่ระบุรูปแบบ ARIMA ที่มีความแตกต่างอย่างไม่มีความแตกต่างอย่างหนึ่งและเทอม MA (1) ที่มีค่าคงที่นั่นคือ ARIMA (0,1,1) โดยมีค่าคงที่ การคาดการณ์ในระยะยาวจะมีแนวโน้มที่เท่ากับแนวโน้มเฉลี่ยที่สังเกตได้ในช่วงประมาณทั้งหมด คุณไม่สามารถดำเนินการนี้ควบคู่กับการปรับฤดูกาลได้เนื่องจากตัวเลือกการปรับฤดูกาลจะถูกปิดใช้งานเมื่อตั้งค่าประเภทของรูปแบบเป็น ARIMA อย่างไรก็ตามคุณสามารถเพิ่มแนวโน้มการชี้แจงในระยะยาวที่คงที่สำหรับแบบจำลองการทำให้เรียบแบบเลขแจงที่เรียบง่าย (โดยมีหรือไม่มีการปรับฤดูกาล) โดยใช้ตัวเลือกการปรับค่าเงินเฟ้อในขั้นตอนการคาดการณ์ อัตราการเติบโตของอัตราการเติบโตของเงินเฟ้อ (quotation) ในแต่ละช่วงเวลาสามารถประมาณได้จากค่าสัมประสิทธิ์ความชันในรูปแบบเส้นตรงที่พอดีกับข้อมูลร่วมกับการแปลงลอการิทึมตามธรรมชาติหรืออาจเป็นไปตามข้อมูลอื่น ๆ ที่เป็นอิสระเกี่ยวกับแนวโน้มการเติบโตในระยะยาว . (กลับมาที่ด้านบนสุดของหน้า) Browns Linear (เช่น double) Exponential Smoothing โมเดล SMA และ SES สมมุติว่าไม่มีแนวโน้มใด ๆ ในข้อมูล (โดยปกติแล้วจะเป็นอย่างน้อยหรืออย่างน้อยก็ไม่เลวสำหรับ 1- การคาดการณ์ล่วงหน้าเมื่อข้อมูลมีเสียงดังมาก) และสามารถปรับเปลี่ยนเพื่อรวมแนวโน้มเชิงเส้นคงที่ดังที่แสดงไว้ข้างต้น สิ่งที่เกี่ยวกับแนวโน้มระยะสั้นหากชุดแสดงอัตราการเติบโตที่แตกต่างกันหรือรูปแบบตามวัฏจักรที่โดดเด่นอย่างชัดเจนต่อเสียงรบกวนและหากมีความจำเป็นต้องคาดการณ์มากกว่า 1 รอบระยะเวลาล่วงหน้าการประมาณแนวโน้มในท้องถิ่นอาจเป็นไปได้ ปัญหา แบบจำลองการทำให้เรียบเรียบง่ายสามารถสรุปเพื่อให้ได้รูปแบบการเรียบแบบเสวนาเชิงเส้น (LES) ซึ่งจะคำนวณการประมาณระดับท้องถิ่นและระดับแนวโน้ม รูปแบบแนวโน้มที่แตกต่างกันตามเวลาที่ง่ายที่สุดคือสีน้ำตาลแบบเสแสร้งแบบเสียดสีแบบเรียบซึ่งใช้ทั้งสองแบบที่เรียบเนียนแตกต่างกันไปตามจุดต่าง ๆ ในเวลา สูตรพยากรณ์ขึ้นอยู่กับการอนุมานของเส้นผ่านทั้งสองศูนย์ (รุ่นที่ซับซ้อนมากขึ้นของรุ่นนี้ Holt8217s ถูกกล่าวถึงด้านล่าง) รูปแบบพีชคณิตของ Brown8217s เชิงเส้นแบบเรียบเช่นเดียวกับรูปแบบการเรียบง่ายชี้แจงสามารถแสดงในรูปแบบที่แตกต่างกัน แต่ที่เท่าเทียมกัน รูปแบบมาตรฐานของแบบจำลองนี้มักจะแสดงดังนี้: ให้ S หมายถึงชุดที่เรียบง่ายที่ได้จากการใช้การเรียบง่ายแบบเลขยกตัวอย่างให้เป็นชุด Y นั่นคือค่าของ S ในช่วง t จะได้รับโดย: (จำได้ว่าภายใต้หลักการง่ายๆ exponential smoothing นี่คือการคาดการณ์ของ Y ในช่วง t1) จากนั้นให้ Squot แสดงชุดที่มีการคูณทวีคูณขึ้นโดยใช้การเรียบแบบเลขแจงธรรมดา (ใช้แบบเดียวกัน 945) กับชุด S: สุดท้ายการคาดการณ์สำหรับ Y tk สำหรับ kgt1 ใด ๆ ให้โดย: ผลตอบแทนนี้ e 1 0 (เช่นฉ้อฉลเล็กน้อยและให้การคาดการณ์ครั้งแรกเท่ากับการสังเกตครั้งแรกจริง) และ e 2 Y 2 8211 Y 1 หลังจากที่คาดการณ์จะถูกสร้างโดยใช้สมการข้างต้น ค่านี้จะให้ค่าพอดีกับสูตรตาม S และ S ถ้าค่าเริ่มต้นใช้ S 1 S 1 Y 1 รุ่นของรุ่นนี้ใช้ในหน้าถัดไปที่แสดงให้เห็นถึงการรวมกันของการเรียบแบบเสวนากับการปรับฤดูกาลตามฤดูกาล Holt8217s Linear Exponential Smoothing Brown8217s แบบจำลอง LES คำนวณการประมาณระดับท้องถิ่นและแนวโน้มโดยการให้ข้อมูลที่ราบรื่น แต่ข้อเท็จจริงที่ว่าด้วยพารามิเตอร์เรียบเพียงอย่างเดียวจะกำหนดข้อ จำกัด ของรูปแบบข้อมูลที่สามารถพอดีกับระดับและแนวโน้มได้ ไม่ได้รับอนุญาตให้เปลี่ยนแปลงในอัตราที่เป็นอิสระ แบบจำลอง LES ของ Holt8217s กล่าวถึงปัญหานี้ด้วยการรวมค่าคงที่ที่ราบเรียบสองค่าหนึ่งค่าสำหรับหนึ่งและหนึ่งสำหรับแนวโน้ม ทุกเวลา t เช่นเดียวกับในรุ่น Brown8217s มีการประมาณการ L t ของระดับท้องถิ่นและประมาณการ T t ของแนวโน้มในท้องถิ่น ที่นี่พวกเขาจะได้รับการคำนวณจากค่าของ Y ที่สังเกตได้ในเวลา t และการประมาณค่าก่อนหน้าของระดับและแนวโน้มโดยสมการสองตัวที่ใช้การอธิบายแบบเอกซ์โพเน็นเชียลให้เรียบขึ้น หากระดับและแนวโน้มโดยประมาณของเวลา t-1 คือ L t82091 และ T t-1 ตามลำดับจากนั้นคาดว่า Y tshy ที่จะทำในเวลา t-1 เท่ากับ L t-1 T t-1 เมื่อมีการสังเกตค่าจริงค่าประมาณระดับที่ปรับปรุงใหม่จะถูกคำนวณโดยการ interpolating ระหว่าง Y tshy และการคาดการณ์ L t-1 T t-1 โดยใช้น้ำหนักของ 945 และ 1-945 การเปลี่ยนแปลงระดับโดยประมาณ, คือ L t 8209 L t82091 สามารถตีความได้ว่าเป็นสัญญาณรบกวนของแนวโน้มในเวลา t การประมาณการแนวโน้มของแนวโน้มจะถูกคำนวณโดยการ interpolating ระหว่าง L t 8209 L t82091 และประมาณการก่อนหน้าของแนวโน้ม T t-1 โดยใช้น้ำหนักของ 946 และ 1-946: การตีความค่าคงที่การทรงตัวของกระแส 946 มีความคล้ายคลึงกับค่าคงที่การปรับให้เรียบระดับ 945 โมเดลที่มีค่าน้อย 946 ถือว่าแนวโน้มมีการเปลี่ยนแปลงเพียงอย่างช้าๆเมื่อเวลาผ่านไป ใหญ่กว่า 946 สมมติว่ามีการเปลี่ยนแปลงอย่างรวดเร็ว แบบจำลองที่มีขนาดใหญ่ 946 เชื่อว่าในอนาคตอันใกล้นี้มีความไม่แน่นอนมากเนื่องจากข้อผิดพลาดในการคาดการณ์แนวโน้มกลายเป็นสิ่งสำคัญมากเมื่อคาดการณ์ล่วงหน้ามากกว่าหนึ่งช่วง (กลับไปด้านบนสุดของหน้า) ค่าคงที่ที่ราบเรียบ 945 และ 946 สามารถประมาณได้ตามปกติโดยลดข้อผิดพลาดของค่าเฉลี่ยของการคาดการณ์ล่วงหน้า 1 ขั้นตอน เมื่อทำใน Statgraphics ค่าประมาณนี้จะเท่ากับ 945 0.3048 และ 946 0.008 ค่าที่น้อยมากของ 946 หมายความว่ารูปแบบสมมติว่ามีการเปลี่ยนแปลงน้อยมากในแนวโน้มจากระยะหนึ่งไปยังอีกรูปแบบหนึ่งดังนั้นโดยทั่วไปโมเดลนี้กำลังพยายามประมาณแนวโน้มในระยะยาว โดยการเปรียบเทียบกับความคิดของอายุโดยเฉลี่ยของข้อมูลที่ใช้ในการประมาณระดับท้องถิ่นของชุดข้อมูลอายุโดยเฉลี่ยของข้อมูลที่ใช้ในการประเมินแนวโน้มในท้องถิ่นเป็นสัดส่วนกับ 1 946 แม้ว่าจะไม่เท่ากันก็ตาม . ในกรณีนี้ที่กลายเป็น 10.006 125 นี่เป็นตัวเลขที่แม่นยำมากที่สุดเท่าที่ความถูกต้องของค่าประมาณ 946 isn8217t จริง ๆ 3 ตำแหน่งทศนิยม แต่มันก็เป็นเรื่องธรรมดาของขนาดตามตัวอย่างขนาด 100 ดังนั้น รุ่นนี้มีค่าเฉลี่ยมากกว่าค่อนข้างมากของประวัติศาสตร์ในการประมาณแนวโน้ม พล็อตการคาดการณ์ด้านล่างแสดงให้เห็นว่าโมเดล LES ประมาณการแนวโน้มท้องถิ่นในวงกว้างขึ้นเล็กน้อยที่ส่วนท้ายของชุดข้อมูลมากกว่าแนวโน้มที่คงที่ในแบบจำลอง SEStrend นอกจากนี้ค่าประมาณของ 945 เกือบจะเหมือนกันกับที่ได้จากการปรับรุ่น SES ที่มีหรือไม่มีแนวโน้มดังนั้นเกือบจะเป็นแบบเดียวกัน ตอนนี้ดูเหมือนว่าการคาดการณ์ที่สมเหตุสมผลสำหรับโมเดลที่ควรจะประเมินแนวโน้มในระดับท้องถิ่นดูเหมือนว่าแนวโน้มในท้องถิ่นมีแนวโน้มลดลงในตอนท้ายของชุดข้อมูลสิ่งที่เกิดขึ้นพารามิเตอร์ของรุ่นนี้ ได้รับการประเมินโดยการลดข้อผิดพลาดสี่เหลี่ยมของการคาดการณ์ล่วงหน้า 1 ขั้นตอนไม่ใช่การคาดการณ์ในระยะยาวซึ่งในกรณีนี้แนวโน้มไม่ได้สร้างความแตกต่างมากนัก หากสิ่งที่คุณกำลังมองหาคือข้อผิดพลาด 1 ขั้นตอนคุณจะไม่เห็นภาพใหญ่ของแนวโน้มในช่วง 10 หรือ 20 ครั้ง เพื่อให้โมเดลนี้สอดคล้องกับการคาดการณ์ข้อมูลลูกตาของเรามากขึ้นเราจึงสามารถปรับค่าคงที่การปรับให้เรียบตามแนวโน้มเพื่อให้ใช้พื้นฐานที่สั้นกว่าสำหรับการประมาณแนวโน้ม ตัวอย่างเช่นถ้าเราเลือกที่จะตั้งค่า 946 0.1 แล้วอายุเฉลี่ยของข้อมูลที่ใช้ในการประเมินแนวโน้มท้องถิ่นคือ 10 ช่วงเวลาซึ่งหมายความว่าเรามีค่าเฉลี่ยของแนวโน้มมากกว่าช่วงเวลา 20 ช่วงที่ผ่านมา Here8217s พล็อตการคาดการณ์มีลักษณะอย่างไรถ้าเราตั้งค่า 946 0.1 ขณะเก็บรักษา 945 0.3 นี่ดูเหมาะสมสำหรับชุดนี้แม้ว่าจะเป็นแนวโน้มที่จะคาดการณ์แนวโน้มดังกล่าวได้ไม่น้อยกว่า 10 งวดในอนาคต สิ่งที่เกี่ยวกับสถิติข้อผิดพลาดนี่คือการเปรียบเทียบรูปแบบสำหรับสองรุ่นที่แสดงข้างต้นเช่นเดียวกับสามรุ่น SES ค่าที่เหมาะสมที่สุดคือ 945 สำหรับรุ่น SES มีค่าประมาณ 0.3 แต่ผลการค้นหาที่คล้ายกัน (มีการตอบสนองน้อยหรือน้อยตามลำดับ) จะได้รับค่า 0.5 และ 0.2 (A) Holts linear exp. การให้ความนุ่มนวลด้วย alpha 0.3048 และ beta 0.008 (B) Holts linear exp. การทำให้เรียบด้วยเอ็กซ์พี 0.3 และเบต้า 0.1 (C) การเพิ่มความเรียบง่ายด้วยการอธิบายด้วย alpha 0.5 (D) การทำให้เรียบอย่างง่ายด้วยเอ็กซ์โป 0.3 (E) การเรียบง่ายด้วยเลขแจงอัลฟา 0.2 สถิติของพวกเขาใกล้เคียงกันมากดังนั้นเราจึงสามารถเลือกได้บนพื้นฐาน ข้อผิดพลาดในการคาดการณ์ล่วงหน้า 1 ขั้นตอนภายในตัวอย่างข้อมูล เราต้องกลับไปพิจารณาเรื่องอื่น ๆ ถ้าเราเชื่อมั่นว่าการคาดการณ์แนวโน้มในปัจจุบันเกี่ยวกับสิ่งที่เกิดขึ้นในช่วง 20 ปีที่ผ่านมาเป็นเรื่องที่ดีพอสมควรเราสามารถสร้างโมเดล LES ด้วย 945 0.3 และ 946 0.1 ได้ ถ้าเราต้องการที่จะไม่เชื่อเรื่องว่ามีแนวโน้มในระดับท้องถิ่นแบบใดแบบหนึ่งของ SES อาจอธิบายได้ง่ายกว่านี้และยังให้การคาดการณ์ระดับกลางของถนนต่อไปในอีก 5 หรือ 10 งวดต่อไป ชนิดของแนวโน้มการอนุมานที่ดีที่สุดคือแนวนอนหรือเส้นตรงหลักฐานเชิงประจักษ์ชี้ให้เห็นว่าหากข้อมูลได้รับการปรับแล้ว (ถ้าจำเป็น) สำหรับอัตราเงินเฟ้อแล้วก็อาจจะไม่ระมัดระวังในการคาดการณ์ระยะสั้นในเชิงเส้น แนวโน้มที่ไกลมากในอนาคต แนวโน้มที่เห็นได้ชัดในวันนี้อาจลดลงในอนาคตอันเนื่องมาจากสาเหตุที่แตกต่างกันเช่นความล้าสมัยของผลิตภัณฑ์การแข่งขันที่เพิ่มขึ้นและการชะลอตัวของวัฏจักรหรือการปรับตัวในอุตสาหกรรม ด้วยเหตุนี้การเรียบอย่างง่ายจึงมักจะทำให้ได้ตัวอย่างที่ดีกว่าที่คาดคิดไว้ได้แม้จะมีการอนุมานแนวโน้มในแนวนอน การปรับเปลี่ยนรูปแบบการลดลงของรูปแบบการเพิ่มประสิทธิภาพเชิงเส้นแบบเชิงเส้นมักใช้ในการปฏิบัติเพื่อแนะนำโน้ตของอนุรักษนิยมในการคาดการณ์แนวโน้ม โมเดล LES ที่มีแนวโน้มลดลงสามารถใช้เป็นกรณีพิเศษของรูปแบบ ARIMA โดยเฉพาะ ARIMA (1,1,2) เป็นไปได้ในการคำนวณช่วงความเชื่อมั่นรอบการคาดการณ์ในระยะยาวที่ผลิตโดยแบบจำลองการทำให้เรียบโดยพิจารณาเป็นกรณีพิเศษของรูปแบบ ARIMA ความกว้างของช่วงความเชื่อมั่นขึ้นอยู่กับ (i) ข้อผิดพลาด RMS ของโมเดล (ii) ประเภทของการปรับให้เรียบ (แบบง่ายหรือแบบเส้นตรง) (iii) ค่า (s) ของคงที่ราบเรียบ (s) และ (iv) จำนวนรอบระยะเวลาที่คุณคาดการณ์ โดยทั่วไปช่วงเวลาจะกระจายออกไปได้เร็วกว่าเมื่อ 945 มีขนาดใหญ่ขึ้นในรูปแบบ SES และแพร่กระจายได้เร็วกว่ามากเมื่อใช้เส้นตรงมากกว่าการเรียบแบบเรียบ หัวข้อนี้จะกล่าวถึงต่อไปในส่วนรูปแบบ ARIMA ของบันทึกย่อ (กลับไปด้านบนของหน้า.) คำอธิบาย Smonstooth อธิบาย สำเนาลิขสิทธิ์ เนื้อหาใน InventoryOps ได้รับการคุ้มครองลิขสิทธิ์และไม่สามารถเผยแพร่ได้ เมื่อคนแรกพบคำว่า Smoothing Exponential พวกเขาอาจคิดว่าเสียงเหมือนนรกของมากเรียบ สิ่งที่เรียบคือ จากนั้นพวกเขาก็เริ่มวาดภาพการคำนวณทางคณิตศาสตร์ที่มีความซับซ้อนซึ่งอาจต้องใช้การศึกษาระดับปริญญาในด้านคณิตศาสตร์เพื่อให้เข้าใจและหวังว่าจะมีฟังก์ชัน Excel ในตัวหากพวกเขาจำเป็นต้องทำ ความเป็นจริงของการทำให้เรียบเป็นทวีคูณน้อยกว่าที่น่าทึ่งและบาดแผลน้อยมาก ความจริงคือการทำให้เรียบเรียบเป็นเรื่องง่ายที่คำนวณได้ง่าย มันก็มีชื่อที่ซับซ้อนเพราะสิ่งที่เกิดขึ้นในทางเทคนิคอันเป็นผลมาจากการคำนวณง่ายๆนี้เป็นเพียงเล็กน้อยที่ซับซ้อน เพื่อให้เข้าใจถึงการทำให้เรียบขึ้นเรื่อย ๆ จะช่วยให้เริ่มต้นด้วยแนวคิดทั่วไปในการทำให้เรียบและวิธีการทั่วไปอื่น ๆ ที่ใช้เพื่อให้เกิดความราบเรียบ Smoothing คืออะไรการเรียบเป็นขั้นตอนทางสถิติที่พบบ่อยมาก ในความเป็นจริงเรามักพบข้อมูลที่ราบรื่นในรูปแบบต่างๆในชีวิตประจำวันของเรา เมื่อใดก็ตามที่คุณใช้ค่าเฉลี่ยในการอธิบายสิ่งใดคุณใช้หมายเลขที่ราบรื่น ถ้าคุณคิดถึงเหตุผลที่คุณใช้ค่าเฉลี่ยในการอธิบายบางสิ่งบางอย่างคุณจะเข้าใจแนวคิดเรื่องการทำให้ราบเรียบได้อย่างรวดเร็ว ตัวอย่างเช่นเราเพิ่งมีประสบการณ์ฤดูหนาวที่อบอุ่นที่สุดในเร็กคอร์ด เราจะเริ่มต้นด้วยชุดข้อมูลอุณหภูมิที่สูงและต่ำเป็นประจำทุกวันสำหรับช่วงที่เราเรียกว่าฤดูหนาวสำหรับแต่ละปีในประวัติศาสตร์ที่บันทึกไว้ แต่นั่นทำให้เรามีตัวเลขที่กระโดดไปรอบ ๆ นิดหน่อย (ไม่เหมือนทุกวันในฤดูหนาวนี้ก็อุ่นขึ้นกว่าวันที่เหมือนกันจากทุกปีที่ผ่านมา) เราจำเป็นต้องมีหมายเลขที่ลบข้อมูลทั้งหมดนี้ออกจากข้อมูลเพื่อให้เราสามารถเปรียบเทียบฤดูหนาวกับฤดูถัดไปได้ง่ายขึ้น การถอดการกระโดดไปรอบ ๆ ในข้อมูลเรียกว่าการทำให้เรียบและในกรณีนี้เราสามารถใช้ค่าเฉลี่ยที่เรียบง่ายเพื่อให้การเรียบลื่น ในการคาดการณ์ความต้องการเราใช้การปรับให้เรียบเพื่อลบความผันแปรแบบสุ่ม (เสียง) ออกจากความต้องการในอดีตของเรา วิธีนี้ช่วยให้เราสามารถระบุรูปแบบความต้องการได้ดีขึ้น (ตามหลักแนวโน้มและฤดูกาล) และระดับความต้องการที่สามารถใช้ในการประมาณการความต้องการในอนาคตได้ เสียงดังกล่าวเป็นแนวคิดเดียวกับการกระโดดรายวันของข้อมูลอุณหภูมิ ไม่น่าแปลกใจที่คนส่วนใหญ่จะเอาเสียงรบกวนออกจากประวัติความต้องการคือการใช้ค่าเฉลี่ยอย่างง่ายโดยเฉพาะค่าเฉลี่ยเคลื่อนที่ ค่าเฉลี่ยเคลื่อนที่จะใช้ระยะเวลาที่กำหนดไว้ล่วงหน้าเพื่อคำนวณค่าเฉลี่ยและช่วงเวลาเหล่านี้จะเลื่อนตามเวลาที่ผ่านไป ตัวอย่างเช่นถ้า Im ใช้ค่าเฉลี่ยเคลื่อนที่ 4 เดือนและวันนี้คือวันที่ 1 พฤษภาคม Im ใช้ค่าเฉลี่ยความต้องการที่เกิดขึ้นในเดือนมกราคมกุมภาพันธ์มีนาคมและเมษายน ในวันที่ 1 มิถุนายนฉันจะใช้ความต้องการตั้งแต่เดือนกุมภาพันธ์มีนาคมเมษายนและพฤษภาคม ค่าเฉลี่ยถ่วงน้ำหนัก เมื่อใช้ค่าเฉลี่ยเราใช้ความสำคัญ (น้ำหนัก) เดียวกันกับแต่ละค่าในชุดข้อมูล ในค่าเฉลี่ยเคลื่อนที่ 4 เดือนแต่ละเดือนมีค่าเฉลี่ยเคลื่อนที่ 25 ค่า เมื่อใช้ประวัติความต้องการเพื่อคาดการณ์ความต้องการในอนาคต (และแนวโน้มในอนาคตโดยเฉพาะอย่างยิ่ง) เหตุผลที่จะสรุปได้ว่าคุณต้องการให้ประวัติล่าสุดมีผลกระทบมากขึ้นกับการคาดการณ์ของคุณ เราสามารถปรับการคำนวณค่าเฉลี่ยเคลื่อนที่ของเราเพื่อใช้น้ำหนักที่ต่างกันในแต่ละช่วงเวลาเพื่อให้ได้ผลลัพธ์ที่ต้องการ เราแสดงน้ำหนักเหล่านี้เป็นเปอร์เซ็นต์และน้ำหนักรวมทั้งหมดสำหรับทุกช่วงเวลาต้องเพิ่มขึ้น 100 ดังนั้นหากเราตัดสินใจว่าเราต้องการใช้ 35 เป็นน้ำหนักของช่วงเวลาใกล้เคียงกับค่าเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนัก 4 เดือนของเราเราสามารถ ลบ 35 ออกจาก 100 เพื่อหาว่าเราเหลืออีก 65 คนในช่วงเวลาอื่น ๆ ตัวอย่างเช่นเราอาจจะมีน้ำหนัก 15, 20, 30 และ 35 ตามลำดับเป็นเวลา 4 เดือน (15 20 30 35 100) การทำให้เรียบเรียบขึ้น ถ้าเรากลับไปใช้แนวความคิดในการใช้น้ำหนักกับช่วงเวลาล่าสุด (เช่น 35 ในตัวอย่างก่อนหน้า) และการกระจายน้ำหนักที่เหลือ (คำนวณโดยการหักน้ำหนักงวดล่าสุดของ 35 จาก 100 เป็น 65) เรามี หน่วยการสร้างพื้นฐานสำหรับการคำนวณการเรียบของเราชี้แจง อินพุทควบคุมของการคำนวณการคำนวณความเร่งด่วนเป็นที่รู้จักกันว่าเป็นปัจจัยการทำให้ราบรื่น (smoothing factor) หรือที่เรียกว่า smoothing constant มันเป็นหลักหมายถึงการถ่วงน้ำหนักที่ใช้กับงวดล่าสุดความต้องการ ดังนั้นที่เราใช้ 35 เป็นน้ำหนักสำหรับงวดล่าสุดในการคำนวณถัวเฉลี่ยถ่วงน้ำหนักเรายังสามารถเลือกที่จะใช้ 35 เป็นปัจจัยการทำให้ราบเรียบในการคำนวณการเรียบของเราชี้แจงเพื่อให้ได้ผลที่คล้ายกัน ความแตกต่างกับการคำนวณการให้ความเรียบแบบเลขยกกำลังคือการที่เราต้องพิจารณาน้ำหนักที่จะนำไปใช้กับแต่ละช่วงเวลาก่อนหน้านี้ทำให้เราต้องใช้ปัจจัยที่ราบเรียบเพื่อทำสิ่งนี้ให้โดยอัตโนมัติ ดังนั้นนี่เป็นส่วนที่อธิบาย ถ้าเราใช้ 35 เป็นปัจจัยการทำให้ราบเรียบการถ่วงน้ำหนักของความต้องการช่วงเวลาล่าสุดจะเป็น 35 การนับถ่วงน้ำหนักของงวดถัดไปที่ต้องการ (ระยะก่อนหน้าล่าสุด) จะเท่ากับ 65 จาก 35 (65 มาจากหัก 35 จาก 100) นี้เท่ากับ 22.7 ถ่วงน้ำหนักในช่วงเวลานั้นถ้าคุณทำคณิตศาสตร์ ความต้องการระยะเวลาต่อไปครั้งต่อไปคือ 65 จาก 65 ใน 35 ซึ่งเท่ากับ 14.79 ช่วงก่อนหน้านั้นจะมีน้ำหนัก 65 ถึง 65 จาก 65 ใน 35 ซึ่งเท่ากับ 9.61 และอื่น ๆ และสิ่งนี้จะย้อนกลับไปในทุกช่วงเวลาก่อนหน้าของคุณตลอดระยะเวลาย้อนกลับไปจนถึงจุดเริ่มต้นของเวลา (หรือจุดที่คุณเริ่มต้นใช้การเพิ่มความล คุณอาจคิดว่าเรื่องนี้ดูเหมือนจะเป็นเรื่องคณิตศาสตร์มาก แต่ความงามของการคำนวณการคำนวณหาผลคูณแบบเอกซ์โพเนนเชียลคือแทนที่จะต้องคำนวณใหม่ในแต่ละช่วงเวลาก่อนหน้านี้ทุกครั้งที่คุณได้รับความต้องการช่วงเวลาใหม่ ๆ คุณก็ใช้ผลลัพธ์ของการคำนวณการคำนวณความเร่งด่วนจากช่วงก่อนหน้าเพื่อแสดงช่วงก่อนหน้าทั้งหมด คุณสับสนยังจะทำให้รู้สึกมากขึ้นเมื่อเราดูที่การคำนวณที่เกิดขึ้นจริงโดยปกติเราจะอ้างถึงผลลัพธ์ของการคำนวณการเรียบเป็น exponential คาดการณ์ระยะเวลาถัดไป ในความเป็นจริงการคาดการณ์ที่ดีที่สุดต้องการการทำงานเพียงเล็กน้อย แต่สำหรับวัตถุประสงค์ของการคำนวณเฉพาะนี้เราจะอ้างถึงเป็นประมาณการ การคำนวณการคำนวณหาผลคูณเป็นดังนี้: ความต้องการของช่วงเวลาล่าสุดคูณด้วยปัจจัยการปรับให้เรียบ PLUS ระยะเวลาล่าสุดที่คาดการณ์ไว้คูณด้วย (หนึ่งลบด้วยปัจจัยการทำให้ราบเรียบ) D ช่วงล่าสุดต้องการ S ปัจจัยการทำให้ราบรื่นแสดงในรูปแบบทศนิยม (ดังนั้น 35 จะแสดงเป็น 0.35) F คาดการณ์ช่วงเวลาล่าสุด (ผลลัพธ์ของการคำนวณการปรับให้เรียบจากงวดก่อนหน้า) OR (สมมติว่าค่าการปรับให้เรียบเท่ากับ 0.35) (D 0.35) (F 0.65) มันไม่ง่ายนักหรอก ที่คุณเห็นทั้งหมดที่เราต้องใช้สำหรับการป้อนข้อมูลที่นี่คือความต้องการช่วงเวลาล่าสุดและการคาดการณ์ช่วงเวลาล่าสุด เราใช้ปัจจัยการทำให้ราบเรียบ (ถ่วงน้ำหนัก) เป็นระยะเวลาล่าสุดเช่นเดียวกับที่เราคำนวณในการคำนวณถัวเฉลี่ยถ่วงน้ำหนัก จากนั้นเราจะใช้การถ่วงน้ำหนักที่เหลือ (1 ลบด้วยปัจจัยการให้เรียบ) กับการคาดการณ์ช่วงเวลาล่าสุด เนื่องจากการคาดการณ์ช่วงเวลาล่าสุดได้รับการสร้างขึ้นจากความต้องการของช่วงเวลาก่อนหน้าและการคาดการณ์ในช่วงก่อนหน้าซึ่งขึ้นอยู่กับความต้องการในช่วงก่อนหน้านั้นและการคาดการณ์ในช่วงก่อนหน้านั้นซึ่งขึ้นอยู่กับความต้องการในช่วงก่อน และการคาดการณ์ในช่วงก่อนหน้านั้นซึ่งขึ้นอยู่กับระยะเวลาก่อนหน้านั้น ดีคุณสามารถดูความต้องการทั้งหมดของช่วงเวลาก่อนหน้านี้ได้อย่างไรในการคำนวณโดยไม่ต้องย้อนกลับและคำนวณอะไรใหม่ และ thats สิ่งที่ขับรถความนิยมเริ่มต้นของการเรียบชี้แจง ไม่ใช่เพราะมันเป็นงานที่ดีกว่าการถ่วงน้ำหนักมากกว่าค่าเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนักเนื่องจากการคำนวณในโปรแกรมคอมพิวเตอร์นั้นง่ายกว่า และเนื่องจากคุณไม่จำเป็นต้องคิดถึงการถ่วงเวลาก่อนหน้านี้หรือจำนวนงวดก่อนหน้าที่จะใช้ตามที่คุณต้องการในค่าเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนัก และเพราะมันฟังดูเย็นกว่าค่าเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนัก ในความเป็นจริงอาจเป็นที่ถกเถียงกันอยู่ว่าค่าเฉลี่ยเคลื่อนที่ถ่วงน้ำหนักให้ความยืดหยุ่นมากขึ้นเนื่องจากคุณสามารถควบคุมน้ำหนักของช่วงเวลาก่อนหน้าได้มากขึ้น ความเป็นจริงคือสิ่งเหล่านี้สามารถให้ผลลัพธ์ที่น่าพอใจได้ดังนั้นทำไมไม่ไปกับการออกเสียงที่ง่ายและเย็นกว่า Exponential Smoothing in Excel ให้ดูวิธีนี้จริงจะดูในกระดาษคำนวณที่มีข้อมูลจริง สำเนาลิขสิทธิ์ เนื้อหาใน InventoryOps ได้รับการคุ้มครองลิขสิทธิ์และไม่สามารถเผยแพร่ได้ ในรูปที่ 1A เรามีสเปรดชีต Excel ที่มีความต้องการใช้งานเป็นเวลา 11 สัปดาห์และมีการคาดการณ์แบบเรียบเรียงตามที่คำนวณได้จากความต้องการดังกล่าว Ive ใช้ค่า smoothing factor 25 (0.25 ในเซลล์ C1) ปัจจุบันเซลล์ที่ใช้งานอยู่คือเซลล์ M4 ซึ่งมีการคาดการณ์สำหรับสัปดาห์ที่ 12 คุณสามารถดูได้จากแถบสูตรสูตรคือ (L3C1) (L4 (1-C1)) ดังนั้นปัจจัยการผลิตเพียงอย่างเดียวในการคำนวณนี้คือความต้องการของช่วงเวลาก่อนหน้า (เซลล์ L3) การพยากรณ์ช่วงก่อนหน้า (เซลล์ L4) และปัจจัยการทำให้ราบเรียบ (เซลล์ C1 แสดงเป็นข้อมูลอ้างอิงของเซลล์สัมบูรณ์ C1) เมื่อเราเริ่มต้นการคำนวณการทำให้เรียบโดยใช้เลขแจงเราจำเป็นต้องเสียบค่าสำหรับการคาดการณ์ที่ 1 ด้วยตนเอง ดังนั้นใน Cell B4 แทนที่จะเป็นสูตรเราจึงพิมพ์ความต้องการจากช่วงเวลาเดียวกันกับที่คาดไว้ ในเซลล์ C4 เรามีการคำนวณการปันส่วนเป็นครั้งที่ 1 (B3C1) (B4 (1-C1)) จากนั้นเราสามารถคัดลอกเซลล์ C4 และวางในเซลล์ D4 ผ่าน M4 เพื่อกรอกข้อมูลในส่วนที่เหลือของเซลล์คาดการณ์ของเรา ขณะนี้คุณสามารถดับเบิลคลิกที่เซลล์คาดการณ์ใด ๆ เพื่อดูข้อมูลได้จากช่วงคาดการณ์ของเซลล์ก่อนหน้าและเซลล์ความต้องการช่วงก่อนหน้า ดังนั้นการคำนวณการคำนวณตามความเร่งด่วนที่ตามมาแต่ละครั้งจึงสืบทอดผลลัพธ์ของการคำนวณการคำนวณหาผลคูณด้วยเอกซ์โพเนนเชียลก่อนหน้านี้ นั่นคือความต้องการของแต่ละงวดก่อนหน้านี้เป็นอย่างไรในการคำนวณระยะเวลาล่าสุดแม้ว่าการคำนวณดังกล่าวไม่ได้อ้างอิงถึงช่วงเวลาก่อนหน้านี้โดยตรงก็ตาม ถ้าคุณต้องการได้รับแฟนซีคุณสามารถใช้ฟังก์ชัน Excels trace precedents เมื่อต้องการทำเช่นนี้ให้คลิกที่เซลล์ M4 จากนั้นบนแถบเครื่องมือริบบิ้น (Excel 2007 หรือ 2010) คลิกแท็บสูตรแล้วคลิกสืบค้นย้อนกลับ มันจะวาดเส้นเชื่อมต่อไปยังระดับที่ 1 ของ precedents แต่ถ้าคุณคลิกที่ Trace Precedents ก็จะวาดเส้นเชื่อมต่อไปยังช่วงก่อนหน้าทั้งหมดเพื่อแสดงความสัมพันธ์ที่สืบทอด ตอนนี้เราจะมาดูว่าการเพิ่มประสิทธิภาพแบบเสแสร้งทำได้ดีแค่ไหนสำหรับเรา รูปที่ 1B แสดงแผนภูมิเส้นของความต้องการและการคาดการณ์ของเรา กรณีที่คุณเห็นว่าการคาดการณ์ที่ราบเรียบตามลำดับส่วนมากจะขจัดความขรุขระ (กระโดดไปมา) จากความต้องการรายสัปดาห์ แต่ยังคงสามารถปฏิบัติตามสิ่งที่ดูเหมือนจะเป็นความต้องการที่เพิ่มสูงขึ้น นอกจากนี้คุณจะสังเกตเห็นว่าเส้นคาดการณ์ที่ราบเรียบมีแนวโน้มที่จะต่ำกว่าเส้นความต้องการ นี้เป็นที่รู้จักกันเป็นล้าสมัยแนวโน้มและเป็นผลข้างเคียงของกระบวนการราบเรียบ เมื่อใดก็ตามที่คุณใช้การทำให้ราบเรียบเมื่อมีแนวโน้มเกิดขึ้นการคาดการณ์ของคุณจะล่าช้ากว่าแนวโน้ม นี่เป็นจริงสำหรับเทคนิคการทำให้ราบเรียบใด ๆ ในความเป็นจริงถ้าเราดำเนินการต่อสเปรดชีตนี้ต่อไปและเริ่มต้นป้อนตัวเลขความต้องการที่ต่ำกว่า (ทำให้มีแนวโน้มลดลง) คุณจะเห็นการวางสายความต้องการและเส้นแนวโน้มจะเคลื่อนไปข้างต้นก่อนที่จะเริ่มตามแนวโน้มขาลง Thats ทำไมฉันได้กล่าวถึงก่อนหน้านี้ออกจากการคำนวณการคำนวณเรียบที่เราเรียกว่าการคาดการณ์ยังคงต้องทำงานเพิ่มเติมบางอย่าง มีมากขึ้นในการคาดการณ์มากกว่าเพียงแค่เรียบออกกระแทกในความต้องการ เราจำเป็นต้องปรับเปลี่ยนเพิ่มเติมสำหรับสิ่งต่างๆเช่นความล้าตามฤดูกาลฤดูกาลเหตุการณ์ที่เป็นที่รู้จักซึ่งอาจมีผลต่อความต้องการ ฯลฯ แต่สิ่งที่อยู่นอกเหนือขอบเขตของบทความนี้ คุณอาจจะใช้เป็นคำเช่นการเพิ่มความเรียบแบบเลขสองเท่าและการปรับให้เรียบแบบสามขั้นแทน คำเหล่านี้เป็นบิตที่ทำให้เข้าใจผิดเนื่องจากคุณไม่ได้ปรับความต้องการอีกหลายครั้ง (คุณสามารถทำได้ถ้าต้องการ แต่ไม่ใช่ประเด็นที่นี่) คำเหล่านี้แสดงถึงการใช้การเพิ่มความลื่นในเชิงตัวเลขในองค์ประกอบเพิ่มเติมของการคาดการณ์ ดังนั้นด้วยการเรียบแบบเรียบง่ายคุณจึงปรับความต้องการพื้นฐานได้ แต่ด้วยการปรับให้เรียบแบบทวีคูณเป็นสองเท่าคุณจะปรับความต้องการพื้นฐานพร้อมกับแนวโน้มและด้วยการเรียบเรียบแบบสามขั้นตอนคุณจะทำให้ความต้องการพื้นฐานลดลงพร้อมกับแนวโน้มบวกกับฤดูกาล คำถามอื่น ๆ ที่ถามบ่อยเกี่ยวกับการทำให้เรียบเป็นทวีคูณคือสิ่งที่ฉันจะได้รับปัจจัยการทำให้ราบเรียบของฉันไม่มีคำตอบที่น่าอัศจรรย์ที่นี่คุณต้องทดสอบปัจจัยการทำให้ราบเรียบต่างๆพร้อมกับข้อมูลความต้องการของคุณเพื่อดูว่าอะไรทำให้คุณได้รับผลลัพธ์ที่ดีที่สุด มีการคำนวณที่สามารถตั้งค่า (และเปลี่ยน) ตัวปรับความเรียบได้โดยอัตโนมัติ ฤดูใบไม้ร่วงเหล่านี้อยู่ภายใต้การปรับให้เรียบแบบปรับได้ แต่คุณต้องระมัดระวังกับพวกเขา ไม่มีคำตอบที่สมบูรณ์แบบและคุณไม่ควรสุ่มสี่สุ่มห้าใช้การคำนวณใด ๆ โดยไม่มีการทดสอบอย่างละเอียดและพัฒนาความเข้าใจอย่างถ่องแท้ในสิ่งที่คำนวณได้ นอกจากนี้คุณควรใช้สถานการณ์สมมติแบบใดหากดูว่าการคำนวณเหล่านี้ตอบสนองต่อการเปลี่ยนแปลงความต้องการที่อาจไม่มีอยู่ในข้อมูลความต้องการที่คุณกำลังใช้ในการทดสอบ ตัวอย่างข้อมูลที่ฉันใช้ก่อนหน้านี้เป็นตัวอย่างที่ดีมากสำหรับสถานการณ์ที่คุณต้องทดสอบสถานการณ์อื่น ๆ ตัวอย่างข้อมูลดังกล่าวแสดงถึงแนวโน้มที่มีแนวโน้มสูงขึ้นอย่างมาก บริษัท ขนาดใหญ่หลายแห่งที่มีซอฟต์แวร์คาดการณ์ราคาแพงมีปัญหาใหญ่ในอดีตที่ไม่ไกลเกินไปเมื่อการตั้งค่าซอฟต์แวร์ของตนที่ปรับแต่งเพื่อการเติบโตทางเศรษฐกิจไม่ได้ตอบสนองได้ดีเมื่อเศรษฐกิจเริ่มซบเซาหรือหดตัว สิ่งเช่นนี้เกิดขึ้นเมื่อคุณไม่เข้าใจว่าการคำนวณ (ซอฟต์แวร์) ของคุณกำลังทำอยู่จริง หากพวกเขาเข้าใจระบบการคาดการณ์ของพวกเขาพวกเขาก็จะรู้ว่าพวกเขาต้องการที่จะก้าวกระโดดและเปลี่ยนแปลงบางอย่างเมื่อมีการเปลี่ยนแปลงทางธุรกิจอย่างฉับพลันอย่างฉับพลัน ดังนั้นคุณจึงมีพื้นฐานของการเรียบอธิบายอธิบาย ต้องการทราบข้อมูลเพิ่มเติมเกี่ยวกับการใช้การทำให้เรียบโดยใช้การชี้แจงในการคาดการณ์ที่เกิดขึ้นจริงโปรดดูคำอธิบายเกี่ยวกับการจัดการสินค้าคงคลังในหนังสือของฉัน สำเนาลิขสิทธิ์ เนื้อหาใน InventoryOps ได้รับการคุ้มครองลิขสิทธิ์และไม่สามารถเผยแพร่ได้ Dave Piasecki เป็นเจ้าของผู้ดำเนินงาน Inventory Operations Consulting LLC บริษัท ที่ปรึกษาที่ให้บริการเกี่ยวกับการจัดการสินค้าคงคลังการจัดการวัสดุและการดำเนินงานคลังสินค้า เขามีประสบการณ์มากกว่า 25 ปีในการบริหารจัดการการดำเนินงานและสามารถเข้าถึงได้จากเว็บไซต์ของเขา (inventoryops) ซึ่งเขามีข้อมูลที่เกี่ยวข้องเพิ่มเติม ธุรกิจของฉัน