Avantages Et Inconvénients De La Moyenne Pondérée Des Mouvements De Prévision

Net. sourceforge. openforecast. models Classe WeightedMovingAverageModel Un modèle de prévision de la moyenne mobile pondérée est basé sur une série temporelle artificiellement construite dans laquelle la valeur pour une période de temps donnée est remplacée par la moyenne pondérée de cette valeur et les valeurs pour un certain nombre de temps précédent Périodes. Comme vous l'avez peut-être deviné à partir de la description, ce modèle convient le mieux aux données de séries temporelles, c'est-à-dire aux données qui changent au fil du temps. Puisque la valeur de prévision pour une période donnée est une moyenne pondérée des périodes précédentes, alors la prévision apparaîtra toujours à la traîne derrière des augmentations ou des diminutions dans les valeurs observées (dépendantes). Par exemple, si une série de données a une tendance à la hausse notable, une prévision moyenne mobile pondérée fournira généralement une sous-estimation des valeurs de la variable dépendante. Le modèle de moyenne mobile pondérée, comme le modèle de la moyenne mobile, présente un avantage par rapport aux autres modèles de prévision en ce sens qu'il lisse les pics et les creux (ou les vallées) dans un ensemble d'observations. Cependant, comme le modèle de la moyenne mobile, il a aussi plusieurs inconvénients. En particulier, ce modèle ne produit pas d'équation réelle. Par conséquent, il n'est pas tout ce qui est utile comme moyen de prévision à moyen terme. Il ne peut être utilisé de manière fiable que pour prévoir quelques périodes dans le futur. Depuis: 0.4 Auteur: Steven R. Gould Champs hérités de la classe net. sourceforge. openforecast. models. AbstractForecastingModel WeightedMovingAverageModel () Construit un nouveau modèle de prévision de moyenne mobile pondérée. WeightedMovingAverageModel (double poids) Construit un nouveau modèle de prévision de la moyenne mobile pondérée, en utilisant les poids spécifiés. Forecast (double timeValue) Renvoie la valeur de prévision de la variable dépendante pour la valeur donnée de la variable temporelle indépendante. GetForecastType () Renvoie un nom d'un ou deux mots de ce type de modèle de prévision. GetNumberOfPeriods () Renvoie le nombre actuel de périodes utilisées dans ce modèle. GetNumberOfPredictors () Renvoie le nombre de prédicteurs utilisés par le modèle sous-jacent. SetWeights (double poids) Définit les pondérations utilisées par ce modèle de prévision moyenne mobile pondérée pour les poids donnés. ToString () Cela doit être remplacé pour fournir une description textuelle du modèle de prévision actuel incluant, si possible, tous les paramètres dérivés utilisés. Méthodes héritées de la classe net. sourceforge. openforecast. models. AbstractTimeBasedModel WeightedMovingAverageModel Construit un nouveau modèle de prévision de la moyenne mobile pondérée, en utilisant les pondérations spécifiées. Pour qu'un modèle valide soit construit, vous devez appeler init et passer dans un ensemble de données contenant une série de points de données avec la variable de temps initialisée pour identifier la variable indépendante. La taille du tableau des poids est utilisée pour déterminer le nombre d'observations à utiliser pour calculer la moyenne mobile pondérée. De plus, la période la plus récente recevra le poids défini par le premier élément du tableau, c'est-à-dire poids. La taille du tableau de pondération est également utilisée pour déterminer la quantité de périodes futures qui peuvent être effectivement prévues. Avec une moyenne mobile pondérée de 50 jours, nous ne pouvons raisonnablement - avec un degré de précision - prévoir plus de 50 jours au-delà de la dernière période pour laquelle des données sont disponibles. Même les prévisions à la fin de cette fourchette ne sont probablement pas fiables. Note sur les poids En général, les poids passés à ce constructeur doivent s'ajouter à 1,0. Cependant, pour des raisons de commodité, si la somme des poids ne s'élève pas à 1,0, cette mise en œuvre calcule tous les poids proportionnellement de sorte qu'ils ne somme à 1,0. Paramètres: poids - tableau de poids à attribuer aux observations historiques lors du calcul de la moyenne mobile pondérée. WeightedMovingAverageModel Construit un nouveau modèle de prévision de la moyenne mobile pondérée, en utilisant la variable nommée comme variable indépendante et les pondérations spécifiées. Paramètres: independentVariable - le nom de la variable indépendante à utiliser dans ce modèle. Poids - un tableau de poids à attribuer aux observations historiques lors du calcul de la moyenne mobile pondérée. WeightedMovingAverageModel Construit un nouveau modèle de prévision de la moyenne mobile pondérée. Ce constructeur est destiné à être utilisé uniquement par des sous-classes (donc il est protégé). Toute sous-classe utilisant ce constructeur doit ensuite invoquer la méthode setWeights (protected) pour initialiser les poids à utiliser par ce modèle. WeightedMovingAverageModel Construit un nouveau modèle de prévision de la moyenne mobile pondérée utilisant la variable indépendante donnée. Paramètres: independentVariable - le nom de la variable indépendante à utiliser dans ce modèle. SetWeights Définit les pondérations utilisées par ce modèle de prévision moyenne mobile pondérée pour les poids donnés. Cette méthode est destinée à être utilisée uniquement par des sous-classes (donc elle est protégée), et seulement en conjonction avec le constructeur (protégé) d'un argument. Toute sous-classe utilisant le constructeur d'un argument doit ensuite appeler setWeights avant d'invoquer la méthode AbstractTimeBasedModel. init (net. sourceforge. openforecast. DataSet) pour initialiser le modèle. Note sur les poids En général, les poids passés à cette méthode devraient s'ajouter à 1,0. Cependant, pour des raisons de commodité, si la somme des poids ne s'élève pas à 1,0, cette mise en œuvre calcule tous les poids proportionnellement de sorte qu'ils ne somme à 1,0. Paramètres: poids - tableau de poids à attribuer aux observations historiques lors du calcul de la moyenne mobile pondérée. Renvoie la valeur de prévision de la variable dépendante pour la valeur donnée de la variable temporelle indépendante. Les sous-classes doivent implémenter cette méthode de manière cohérente avec le modèle de prévision qu'ils mettent en œuvre. Les sous-classes peuvent utiliser les méthodes getForecastValue et getObservedValue pour obtenir respectivement des prévisions et des observations antérieures. Spécifié par: prévision en classe AbstractTimeBasedModel Paramètres: timeValue - la valeur de la variable time pour laquelle une valeur de prévision est requise. Renvoie: la valeur de prévision de la variable dépendante pour le temps donné. Throws: IllegalArgumentException - si les données historiques sont insuffisantes - les observations sont passées à init - pour générer une prévision pour la valeur de temps donnée. GetNumberOfPredictors Renvoie le nombre de prédicteurs utilisés par le modèle sous-jacent. Renvoie: le nombre de prédicteurs utilisés par le modèle sous-jacent. GetNumberOfPeriods Renvoie le nombre actuel de périodes utilisées dans ce modèle. Spécifié par: getNumberOfPeriods dans la classe AbstractTimeBasedModel Renvoie: le nombre actuel de périodes utilisées dans ce modèle. GetForecastType Renvoie un nom d'un ou deux mots de ce type de modèle de prévision. Gardez ce court. Une description plus longue doit être implémentée dans la méthode toString. Cela devrait être annulé pour fournir une description textuelle du modèle de prévision actuel incluant, si possible, tous les paramètres dérivés utilisés. Spécifié par: toString dans l'interface ForecastingModel Overrides: toString dans la classe AbstractTimeBasedModel Renvoie: une représentation en chaîne du modèle de prévision actuel et de ses paramètres. SIMPLE MOVING AVERAGE Problèmes d'utilisation de la moyenne mobile simple comme outil de prévision: , Mais il est toujours en retard sur elle. La moyenne mobile n'atteindra jamais les sommets ou les vallées des données réelles. Il lisse les données. Il ne vous dit pas grand-chose sur l'avenir. Cependant, cela ne rend pas la moyenne mobile inutile151. Il vous suffit d'être conscient de ses problèmes. Pour résumer, pour une moyenne mobile simple ou une seule moyenne mobile, nous avons vu des problèmes avec l'utilisation de la moyenne mobile simple comme outil de prévision. La moyenne mobile est suivi des données réelles, mais sa toujours en retard par rapport à elle. La moyenne mobile n'atteindra jamais les sommets ou les vallées des données réelles, car elle permet de lisser les données, et cela ne vous dit pas grand-chose sur l'avenir, car il ne fait que prévoir une période à l'avance et cette prévision est censée représenter la meilleure Valeur pour la période future, une période à l'avance, mais il ne vous dit pas beaucoup au-delà. Cela ne fait pas la simple moyenne mobile inutilisable en fait, vous voyez des moyennes mobiles simples