阅读之前看这里👉:博主是正在学习数据分析的一员,博客记录的是在学习过程中一些总结,也希望和大家一起进步,在记录之时,未免存在很多疏漏和不全,如有问题,还请私聊博主指正。
博客地址:天阑之蓝的博客,学习过程中不免有困难和迷茫,希望大家都能在这学习的过程中肯定自己,超越自己,最终创造自己。
1.预测方法
预测方法分为两种,定性和定量。
定性方法通常利用专家判断来进行预测,当被预测变量的历史数据不适合或者难以获得时,可以使用该方法。
当以下条件同时满足时,可以使用定量预测方法:
- 被预测变量过去的信息可用
- 这些信息可以被量化
- 过去的模式将会持续到未来的假定合理
在这种情况下,我们可以使用时间序列和因果法来进行预测。
如果历史数据局限于被预测变量的过去值,这种预测方法被称为时间序列方法,历史数据被称为时间序列。
时间序列分析的目的是在历史资料或时间序列中发现规律性的模式,然后将这个模式外推到未来。这种预测仅仅依赖于变量的过去值或过去的预测误差。
因果预测方法的依据是,假定我们正预测的变量与其他一个或几个变量存在一个因果关系。
通过将时间变量视为自变量,将时间序列视为因变量,回归分析也可以用于时间序列方法。
2.时间序列
时间序列:是一个变量在连续时间点或连续时期上(一个小时、一天、一个月等)测量的观测值的序列。
分为以下几个模式:
- 水平模式:数据围绕着一个不变的均值上下波动
平稳时间序列:统计性质与时间独立的时间序列,特别地含义为:
1 过程产生地数据有一个不变的均值
2 时间序列的变异性随时间的推移保持不变 - 趋势模式
尽管时间序列数据通常呈现随机起伏的状态,但在一段较长的时间内,它仍然呈现出逐步的改变或移动到相对较高或较低的值。如果时间序列图显示出这类形态特征,我们则称之为趋势模式。 - 季节模式
季节模式是指在超过一年内的周期内,由于季节的影响,时间序列呈现重复模式。 - 趋势与季节模式
时间序列中同时包含趋势模式和季节模式 - 循环模式
如果时间序列图显示出持续时间超过一年的在趋势线上下交替的点序列,则存在循环模式。
3.选择预测方法
3.1朴素预测法和预测精度
用最近一周的销售量作为下一周的预测值,此方法被称为朴素预测法。
预测误差:实际值-预测值
平均绝对误差MAE:预测误差的绝对值的平均数
均方误差:预测误差平方和的平均值
3.2 移动平均法和指数平滑法
在水平模式的时候,我们通常采用三种预测方法:移动平均法、加权移动平均法和指数平滑法。
- 移动平均法
使用时间序列中最近k期数据值的平均数作为下一个时期的预测值。 - 加权移动平均法
在移动平均法中,移动平均数计算中的每个观测值都使用相同的权重。一种称为加权移动平均的方法对此做了改变,即对每个数据值选择不同的权重,然后计算最近k期数据值的加权平均数作为预测值。大多数情况下,最近时期的观测值得到最大的权重,而减少较远的观测值的权重。 - 指数平滑法
指数平滑法是利用过去的时间序列值的加权平均数作为预测值,它是加权移动平均法的一种特例,即我们只选择一个权重,最近时期观测值的权重,其它数据值的权重可以自动推算出来,并且随着观测值距离预测期越远,权重也变得越小。
指数平滑法的基本方程如下: F t + 1 = α Y t + ( 1 − α ) F t F_{t+1}=\alpha Y_{t}+(1 - \alpha)F_t Ft+1=αY