时间系列预测评估

tzw_cs

已于 2022-07-06 14:00:23 修改

阅读量665

点赞数

分类专栏： Hadoop 文章标签：数据挖掘数据分析 databricks

于 2022-06-16 16:55:46 首次发布

本文链接：https://blog.csdn.net/tanzhangwen/article/details/125316167

版权

时间系列预测（time series prediction）问题简单来说，就是给定基于时间系列的历史数据，我们去预测未来时间系列的值。这个一个很典型的问题，并且在很多的应用中都会使用到。比如我们生产销售一种产品，我们知道过去一段时间每天的实际销量，然后我们想预测未来一个月一个季度一年的销售量从而为生产或者备货做指导。这个链接有更详细地介绍这个问题以及预测的方法。那么在这么多种预测方法中，哪种更我们我们的场景呢？我们需要一种方式来评估预测的好坏。

Darts工具中也提供了很多评估的函数。这里我们介绍一些常用的评估函数。

MSE (mean squared error)

$MSE=\frac{1}{n} \sum \left ( forecast_{i}-actual_{i} \right )^{2}$

RMSE (root mean square error)

$RMSE=\frac{1}{n}\sqrt{ \sum \left ( forecast_{i}-actual_{i} \right )^{2}}$

MAE (mean absolute error)

$MAE=\sum {\frac{\left | forecast_{i} - actual_{i}\right |}{n}}$

MAPE (mean absolute percentage error)

$MAPE=\frac{1}{n}\sum \frac{\left | forecast_{i} - actual_{i} \right |}{actual_{i}}$

SMAPE (sysmetric mean absolute percentage error)

$SMAPE=\frac{1}{n} \sum_{i=1}^{n}\frac{2*\left | forecast_{i} - actual_{i} \right |}{\left | forecast_{i}\right | + \left | actual_{i} \right |}$

$LG=\frac{1}{n}\sum log_{10}\frac{forecast_{i}}{actual_{i}}$

我们这里现在遇到的情况是我们希望预测的值尽可能的靠近真实值。但是预测值和真实值的范围浮动都比较大。我们考虑用百分比（MAPE/SMAPE）而不是值直接来看。举个例子，我们有下面四种情况，因为真实值可能为0，所以我们在每个指标的计算的时候会相应地在除数中加一个alpha来调节防止除以0。比如这里我们设alpha为1,则：

Case	Forecast	Actual	MSE	RMSE	MAE	MAPE	SMAPE	LG
1	0	10	100	10	10

最低0.47元/天解锁文章

tzw_cs

关注

0
点赞
踩
1

收藏

觉得还不错? 一键收藏
1
评论
时间系列预测评估

时间系列预测（time series prediction）问题简单来说，就是给定基于时间系列的历史数据，我们去预测未来时间系列的值。这个一个很典型的问题，并且在很多的应用中都会使用到。比如我们生产销售一种产品，我们知道过去一段时间每天的实际销量，然后我们想预测未来一个月一个季度一年的销售量从而为生产或者备货做指导。这个链接有更详细地介绍这个问题以及预测的方法。那么在这么多种预测方法中，哪种更我们我们的场景呢？我们需要一种方式来评估预测的好坏。Darts工具中也提供了很多评估的函数。这里我们介绍一些常用的评
复制链接

扫一扫

专栏目录