🗊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

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



Похожие презентации
Mypresentation.ru
Загрузить презентацию