🗊Презентация Экспоненциальные методы для анализа временных рядов

Категория: Математика
Нажмите для полного просмотра!
Экспоненциальные методы для анализа временных рядов, слайд №1Экспоненциальные методы для анализа временных рядов, слайд №2Экспоненциальные методы для анализа временных рядов, слайд №3Экспоненциальные методы для анализа временных рядов, слайд №4Экспоненциальные методы для анализа временных рядов, слайд №5Экспоненциальные методы для анализа временных рядов, слайд №6Экспоненциальные методы для анализа временных рядов, слайд №7Экспоненциальные методы для анализа временных рядов, слайд №8Экспоненциальные методы для анализа временных рядов, слайд №9Экспоненциальные методы для анализа временных рядов, слайд №10Экспоненциальные методы для анализа временных рядов, слайд №11Экспоненциальные методы для анализа временных рядов, слайд №12Экспоненциальные методы для анализа временных рядов, слайд №13Экспоненциальные методы для анализа временных рядов, слайд №14Экспоненциальные методы для анализа временных рядов, слайд №15Экспоненциальные методы для анализа временных рядов, слайд №16Экспоненциальные методы для анализа временных рядов, слайд №17Экспоненциальные методы для анализа временных рядов, слайд №18Экспоненциальные методы для анализа временных рядов, слайд №19Экспоненциальные методы для анализа временных рядов, слайд №20Экспоненциальные методы для анализа временных рядов, слайд №21Экспоненциальные методы для анализа временных рядов, слайд №22Экспоненциальные методы для анализа временных рядов, слайд №23Экспоненциальные методы для анализа временных рядов, слайд №24Экспоненциальные методы для анализа временных рядов, слайд №25Экспоненциальные методы для анализа временных рядов, слайд №26Экспоненциальные методы для анализа временных рядов, слайд №27Экспоненциальные методы для анализа временных рядов, слайд №28Экспоненциальные методы для анализа временных рядов, слайд №29Экспоненциальные методы для анализа временных рядов, слайд №30Экспоненциальные методы для анализа временных рядов, слайд №31Экспоненциальные методы для анализа временных рядов, слайд №32Экспоненциальные методы для анализа временных рядов, слайд №33Экспоненциальные методы для анализа временных рядов, слайд №34Экспоненциальные методы для анализа временных рядов, слайд №35Экспоненциальные методы для анализа временных рядов, слайд №36Экспоненциальные методы для анализа временных рядов, слайд №37Экспоненциальные методы для анализа временных рядов, слайд №38
Скачать

Содержание ▲

Вы можете ознакомиться и скачать презентацию на тему Экспоненциальные методы для анализа временных рядов. Доклад-сообщение содержит 38 слайдов. Презентации для любого класса можно скачать бесплатно. Если материал и наш сайт презентаций Mypresentation Вам понравились – поделитесь им с друзьями с помощью социальных кнопок и добавьте в закладки в своем браузере.

Слайды и текст этой презентации

Слайд 1


Использование экспоненциальных методов для анализа временных рядов Графеева Н.Г. 2016
Описание слайда:
Использование экспоненциальных методов для анализа временных рядов Графеева Н.Г. 2016

Слайд 2


Какие задачи могут решаться экспоненциальными методами? сглаживание временных рядов (smoothing); разметка временных рядов (labeling); краткосрочное и долгосрочное прогнозирование (forecasting); И др.
Описание слайда:
Какие задачи могут решаться экспоненциальными методами? сглаживание временных рядов (smoothing); разметка временных рядов (labeling); краткосрочное и долгосрочное прогнозирование (forecasting); И др.

Слайд 3


Популярные экспоненциальные методы Одинарный (учитывает предыдущие значения с коэффициентами); Двойной (добавляется учет трендов); Тройной (добавляется учет циклов).
Описание слайда:
Популярные экспоненциальные методы Одинарный (учитывает предыдущие значения с коэффициентами); Двойной (добавляется учет трендов); Тройной (добавляется учет циклов).

Слайд 4


Одинарное экспоненциальное сглаживание (smoothing)
Описание слайда:
Одинарное экспоненциальное сглаживание (smoothing)

Слайд 5


Пример. Одинарное экспоненциальное сглаживание (α =0.1)
Описание слайда:
Пример. Одинарное экспоненциальное сглаживание (α =0.1)

Слайд 6


Пример. Одинарное экспоненциальное сглаживание (α =0.01)
Описание слайда:
Пример. Одинарное экспоненциальное сглаживание (α =0.01)

Слайд 7


Разметка трендов с помощью одинарного экспоненциального сглаживания
Описание слайда:
Разметка трендов с помощью одинарного экспоненциального сглаживания

Слайд 8


Пример. Разметка трендов (α = 0.05)
Описание слайда:
Пример. Разметка трендов (α = 0.05)

Слайд 9


Как формально определить тренды?
Описание слайда:
Как формально определить тренды?

Слайд 10


Прогнозирование на один шаг вперед с помощью одинарного сглаживания (Single Smoothing Forecast)
Описание слайда:
Прогнозирование на один шаг вперед с помощью одинарного сглаживания (Single Smoothing Forecast)

Слайд 11


Прогнозирование на несколько шагов вперед (Bootstrap Forecast)
Описание слайда:
Прогнозирование на несколько шагов вперед (Bootstrap Forecast)

Слайд 12


Пример. Сглаживание на несколько шагов вперед
Описание слайда:
Пример. Сглаживание на несколько шагов вперед

Слайд 13


Сравнение прогнозирования на один шаг и на несколько шагов
Описание слайда:
Сравнение прогнозирования на один шаг и на несколько шагов

Слайд 14


Одинарное экспоненциальное сглаживание и тренды
Описание слайда:
Одинарное экспоненциальное сглаживание и тренды

Слайд 15


Пример одинарного экспоненциального сглаживания
Описание слайда:
Пример одинарного экспоненциального сглаживания

Слайд 16


Двойное экспоненциальное сглаживание (Double Exponential Smoothing)
Описание слайда:
Двойное экспоненциальное сглаживание (Double Exponential Smoothing)

Слайд 17


Начальные значения для трендовой компоненты
Описание слайда:
Начальные значения для трендовой компоненты

Слайд 18


Как подобрать подходящие параметры? Оптимальные значения для α и γ могут быть получены с помощью нелинейной оптимизационной технологии известной под названием Marquardt Algorithm (или Алгоритм Левенберга — Марквардта) либо с использованием самого примитивного перебора c равномерным шагом по сетке в диапазоне [0-1,0-1].
Описание слайда:
Как подобрать подходящие параметры? Оптимальные значения для α и γ могут быть получены с помощью нелинейной оптимизационной технологии известной под названием Marquardt Algorithm (или Алгоритм Левенберга — Марквардта) либо с использованием самого примитивного перебора c равномерным шагом по сетке в диапазоне [0-1,0-1].

Слайд 19


Прогнозирование с двойным экспоненциальным сглаживанием
Описание слайда:
Прогнозирование с двойным экспоненциальным сглаживанием

Слайд 20


Пример
Описание слайда:
Пример

Слайд 21


Результаты сглаживания (и прогнозирования на один шаг)
Описание слайда:
Результаты сглаживания (и прогнозирования на один шаг)

Слайд 22


Сравнение результатов прогнозирования двойным и одинарным экспоненциальными методами
Описание слайда:
Сравнение результатов прогнозирования двойным и одинарным экспоненциальными методами

Слайд 23


Сравнение результатов прогнозирования двойным и одинарным экспоненциальными методами
Описание слайда:
Сравнение результатов прогнозирования двойным и одинарным экспоненциальными методами

Слайд 24


Тройное экспоненциальное сглаживание и прогнозирование
Описание слайда:
Тройное экспоненциальное сглаживание и прогнозирование

Слайд 25


Периодичность L – длина периода (должна быть определена заранее). Исходные данные должны содержать как минимум – два периода.
Описание слайда:
Периодичность L – длина периода (должна быть определена заранее). Исходные данные должны содержать как минимум – два периода.

Слайд 26


Параметры Все параметры (α, β, ϒ) – это значения в интервале (0,1). Подбор параметров можно осуществлять все тем же методом Левенберга — Марквардта либо перебором по сетке куба [0-1,0-1,0-1].
Описание слайда:
Параметры Все параметры (α, β, ϒ) – это значения в интервале (0,1). Подбор параметров можно осуществлять все тем же методом Левенберга — Марквардта либо перебором по сетке куба [0-1,0-1,0-1].

Слайд 27


Начальное значение для трендового компонента
Описание слайда:
Начальное значение для трендового компонента

Слайд 28


Начальные значения для индексов сезонности Самая существенная деталь – среднее значение всех сезонных индексов должно быть равно 1. Этот параметр отражает влияние наблюдений внутри периода. Простейший способ расчета начальных значений для сезонных индексов:
Описание слайда:
Начальные значения для индексов сезонности Самая существенная деталь – среднее значение всех сезонных индексов должно быть равно 1. Этот параметр отражает влияние наблюдений внутри периода. Простейший способ расчета начальных значений для сезонных индексов:

Слайд 29


Начальные значения для индексов сезонности
Описание слайда:
Начальные значения для индексов сезонности

Слайд 30


Пример. Возможный вариант расчета индексов сезонности
Описание слайда:
Пример. Возможный вариант расчета индексов сезонности

Слайд 31


Экспоненциальные методы для анализа временных рядов, слайд №31
Описание слайда:

Слайд 32


Экспоненциальные методы для анализа временных рядов, слайд №32
Описание слайда:

Слайд 33


Пример (исходные данные)
Описание слайда:
Пример (исходные данные)

Слайд 34


Пример (тройное экспоненциальное прогнозирование)
Описание слайда:
Пример (тройное экспоненциальное прогнозирование)

Слайд 35


Пример (три вида экспоненциального прогнозирования)
Описание слайда:
Пример (три вида экспоненциального прогнозирования)

Слайд 36


Методы экспоненциального сглаживания и прогнозирования доказали на протяжении многих лет, что являются очень полезным во многих приложениях, связанных с прогнозированием. Метод впервые был предложен C.Holt в 1957 году и использовался для не сезонных и не трендовых рядов. Позднее (в 1958) C.Holt предложил модификацию с учетом трендов. А затем Winter (1965) обобщил идею с учетом сезонности. Так и появилось название метода Хольта-Винтера…
Описание слайда:
Методы экспоненциального сглаживания и прогнозирования доказали на протяжении многих лет, что являются очень полезным во многих приложениях, связанных с прогнозированием. Метод впервые был предложен C.Holt в 1957 году и использовался для не сезонных и не трендовых рядов. Позднее (в 1958) C.Holt предложил модификацию с учетом трендов. А затем Winter (1965) обобщил идею с учетом сезонности. Так и появилось название метода Хольта-Винтера…

Слайд 37


А что же на эту тему есть в аналитических пакетах СУБД? Как ни странно, в аналитических пакетах на сегодняшний день экспоненциальные методы отсутствуют. Они есть только в статистических или data mining – библиотеках.
Описание слайда:
А что же на эту тему есть в аналитических пакетах СУБД? Как ни странно, в аналитических пакетах на сегодняшний день экспоненциальные методы отсутствуют. Они есть только в статистических или data mining – библиотеках.

Слайд 38


Задание 2 Создать приложение, позволяющее: Делать ежедневные прогнозы потребления творога на основе метода Holt-Winter в разрезе всей сети ресторанов; Подобрать оптимальные параметры для метода; для выбранного интервала определять точность прогноза; Выводить результаты прогнозирования в виде графика и таблицы. Ссылку на приложение, логин и пароль для входа отправлять по адресу: N.Grafeeva@spbu.ru Тема - Data_Mining_2016_job2
Описание слайда:
Задание 2 Создать приложение, позволяющее: Делать ежедневные прогнозы потребления творога на основе метода Holt-Winter в разрезе всей сети ресторанов; Подобрать оптимальные параметры для метода; для выбранного интервала определять точность прогноза; Выводить результаты прогнозирования в виде графика и таблицы. Ссылку на приложение, логин и пароль для входа отправлять по адресу: N.Grafeeva@spbu.ru Тема - Data_Mining_2016_job2

Скачать

Похожие презентации
Mypresentation.ru
Загрузить презентацию