Forecasting (一)：introduction

最新推荐文章于 2022-12-15 11:02:19 发布
最新推荐文章于 2022-12-15 11:02:19 发布
阅读量539 收藏 1
点赞数
分类专栏： 算法 # Data-Driven Decision Making 文章标签： 预测
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/tangwing/article/details/109569362
版权
本文概述了需求预测在供应链和库存管理中的重要性，介绍了预测的哲学、方法分类和实际关注点。方法论包括定性与定量预测，如专家意见、时间序列分析和因果模型；实践问题强调了数据可视化、随机噪声的存在以及趋势和季节性模型的应用。预测精度与听众需求相关，异常检测和后处理流程是关键。
摘要由CSDN通过智能技术生成

本篇文章希望对demand forecasting涉及的技术进行框架性的整理。首先参考的是供应链及库存相关的著作，一般其中都会有关于forecasting的一章。

References

  1. Waters, D. (2003). Inventory control and management 2nd. John Wiley & Sons. (偏OM)
  2. Axsäter, S. (2015). Inventory control (Vol. 225) 3rd. Springer. (更新，信息更多些)
  3. Wheelwright, S., Makridakis, S., & Hyndman, R. J. (1998). Forecasting: methods and applications. John Wiley & Sons.(Add seasonality to ARIMA)
  4. Nahmias, S. (1994). Demand estimation in lost sales inventory systems. Naval Research Logistics (NRL), 41(6), 739-757. citation 175
  5. https://lovvge.github.io/Forecasting-Tutorial-KDD-2019/  （TODO 还没来得及细看）

方法论

哲学

  1. Fcst is unavoidable, no-fcst implies casual fcst
  2. fcst->realization->analysis->fcst again...  is a loop
  3. Not only demand
最低0.47元/天 解锁文章
tangwing
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
时间序列问题案例分析Kaggle M5 Forecasting（代码+数据）
weixin_46713695的博客
06-26 2068
M5
forecasting:一组用于预测时间序列数据的预测算法
05-28
预测 一组用于预测时间序列数据的预测算法（时间序列分析）
预测的流程和方法（Forecasting: Principles and practice第三章）
weixin_41636030的博客
11-01 2320
the forecaster’s toolbox 3.1 a tidy forecasting workflow 生成时间序列数据预测可分为以下几步： 数据准备（整理） 数据的准备方式还可以用于探索时间序列的不同特征；预处理数据集是使用交叉验证评估模型性能的重要步骤。 绘制数据（可视化） 定义模型（指定） 在将模型拟合到数据之前，我们首先必须描述模型。 有许多不同的时间序列模型可用于预测，为...
解读：通过挖掘概念间共享信息，实现股票趋势预测的图模型框架
敲代码的quant的博客
05-11 1920
写在前面下面这篇文章的内容主要是来自发表于微软亚洲研究院同中山大学合作的一篇文章《HIST: A Graph-based Framework for Stock Trend Forecasting via Mining Concept-Oriented Shared Information》。这篇文章提出了一种股票趋势预测框架，它能够充分挖掘预定义概念和隐藏概念中的共享信...
时间序列-预测（Forcasting）:时间序列预测算法总结
最新发布
u013250861的博客
12-15 5202
绝大部分行业场景，尤其是互联网、量化行业，每天都会产生大量的数据。金融领域股票价格随时间的走势；电商行业每日的销售额；旅游行业随着节假日周期变化的机票酒店价格等；我们称这种不同时间收到的，描述一个或多种特征随着时间发生变化的数据，为时间序列数据（Time Series Data）。而时间序列预测做的就是通过多种维度的数据本身内在与时间的关联特性，利用历史的数据预测未来这么一件事情。
Forecasting: principles and practice
03-10
This textbook provides a comprehensive introduction to forecasting methods and presents enough information about each method for readers to use them sensibly. Examples use R with many data sets taken...
Code for Introduction to Time Series Forecasting with Python.zip
10-21
在Python中进行时间序列预测是数据分析和机器学习领域的一个重要课题，尤其对于处理金融、气象、销售等领域的预测问题。本教程将深入探讨如何利用Python库进行时间序列分析和预测。我们将主要关注以下核心知识点： ...
arima的matlab代码-Introduction-to-Time-Series-forecasting-Python:使用带有预测评估的
06-02
arima的matlab代码时间序列预测 Python 简介 使用 AR、MA、ARMA、ARIMA、SARIMA 和具有预测评估的 Prophet 模型在 Python 中进行时间序列预处理和预测的介绍。
Introduction to Time Series and Forecasting 2nd Edition
03-16
Introduction to Time Series and Forecasting 2nd Edition Peter_J._Brockwell,_Richard_A._Davis
KaggleM5 Forecasting：传统预测方法与机器学习预测方法对比
deephub
04-19 1万+
本文的出发点在于比较传统预测方法和机器学习预测方法。 本文使用的数据集来自 kaggle：M5 Forecasting — Accuracy。 该数据集包含有 California、Texas、Wisconsin 三个州的产品类别、部门、仓储信息等。基于这些数据，需要预测接下来 28 天的每日销售量。 涉及到的方法有： 单指数平滑法 双指数平滑法 三指数平滑法 ARIMA SARIMA SARI...
时间序列 R 读书笔记 04 Forecasting: principles and practice
bea_tree的博客
04-18 1万+
本章开始学习《Forecasting: principles and practice》1 getting started1.1 事件的可预言性一个时间能不能被预言主要取决于以下三点 1. 对事件的影响因素的了解程度，比如彩票号码，没有内在的影响因素不能被预测 2. 可用数据量的多少，数据量太少没法预测 3. 预测结果本身的影响，比如预测汇率，可能大家知道预测的会长，那么人们就会采取相应的措施
时间序列回归模型（Forecasting: Principles and practice第六章）
weixin_41636030的博客
11-17 1万+
6.1 the linear model 简单线性回归 最简单回归模型是预测变量y和单一预测因子x存在线性关系 Beta0和beta1分别表示截距和斜率。Beta0表示当x=0时，预测值y；beta1表示平均预测变化y是由于x增加1个单位引起的。 在这里，除非强制要求回归线穿过‘原点’，否则它应该始终包含在截距，即使当x=0时，截距与y的关系似乎不make sense。 多重线性回归（mult...
时间序列分析的七种方法
weixin_40903057的博客
07-10 4970
7 methods to perform Time Series forecasting Method 1 – Start with a Naive Approach Method 2 – Simple average Method 3 – Moving average Method 4 – Single Exponential smoothing Method 5 – Holt’s linea...
时间序列预测算法总结
热门推荐
julyclj55555的博客
10-18 8万+
时间序列算法 time series data mining 主要包括decompose（分析数据的各个成分，例如趋势，周期性），prediction（预测未来的值），classification（对有序数据序列的feature提取与分类），clustering（相似数列聚类）等。 时间序列的预测 常用的思路： 1、计算平均值 2、exponential smoothing指数衰减 ...
时间序列 R 08 指数平滑 Exponential smoothing
bea_tree的博客
05-02 1万+
1.1 简单指数平滑 “simple exponential smoothing” (SES) SES适用于不计趋势与季节性的时间序列 我们在可以使用平均值模型和naive模型来做粗略的预测（点击查看），他们懂预测方法分别是 - 使用最后一个值（naive模型） - 使用前面值的平均数（平均值） 这里的简单指数平滑是用的前面几个值的加权平均数，越靠近最后的权重越大，后面的权重指数下降
基于 Holt-Winters季节性预测模型 的时间序列预测
wyh33200的博客
02-02 1373
import numpy as np import pandas as pd import matplotlib.pyplot as plt from statsmodels.tsa.api import ExponentialSmoothing data = pd.read_excel('时间序列预测数据集.xlsx') # data.columns=[时间,投递人数,投递次数,工程师投递人数,工程师投递次数,招聘发布公司量,发布职位量,工程师岗位发布公司,工程师岗位发布量] for i in dat
指数平滑法，二次指数平滑法（Holt’s linear trend method），季节性预测算法（Holt-Winters’ seasonal method）
Foools的博客
06-18 1万+
指数平滑法 概念：对过去的观察值得加权平均值进行预测的一种方法，适用于水平历史数据 一次指数平滑法：Ft+1 =aYt+(1-a)Ft Ft表示t时预测值，Yt表示t时观察值。t取1时，F1=Y1。a为平滑系数，介于0到1之间。 最终的式子展开为 平滑系数接近1：越近的值影响越大，模型对时间序列的反应越及时，适合随机波动较大的数列 平滑系数接近0：更适合时间序列比较平稳的序列 实际应用时，应该用均方误差来判断预测误差的大小。但是如果数据是有整体趋势的，指数平滑法并不适用（因为无论如何调整参数都是误差极大的
Holt-Winters-季节性预测算法
路越的专栏
08-17 1万+
参考 Holt-Winters seasonal method Holt Winter 指数平滑模型
统计学基石：Larry Wasserman的All of Statistics
"Brockwell and Davis: Introduction to Time Series and Forecasting, Second Edition"则关注时间序列分析，这对于经济预测、金融数据分析等领域非常实用。 此外，书中还涉及了logistic回归、线性模型、非参数回归...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值