SeterusnyaPanduan seterusnya
Model Campuran Gaussian
Teknikal
PANDUAN Teknikal
Model ARIMA meramalkan siri masa menggunakan istilah autoregresif, istilah perbezaan dan purata bergerak, diringkaskan dengan pesanan p, d dan q.
Dengar panduan iniAI-diceritakan · ~3 min
ARIMA bermusim menambah pesanan bermusim untuk corak berulang, tetapi pemilihan pesanan, semakan pegun dan diagnostik sisa kekal penting untuk ramalan yang boleh dipercayai.
ARIMA bermaksud purata bergerak bersepadu autoregresif. Urutan autoregresif p menerangkan pergantungan pada nilai terdahulu siri, biasanya selepas sebarang perbezaan. Tertib penyepaduan d ialah bilangan perbezaan yang digunakan untuk menangani gelagat tahap tidak pegun seperti arah aliran stokastik. Pesanan purata bergerak q menerangkan pergantungan pada ralat ramalan sebelumnya. Model ARIMA(p,d,q) menggabungkan istilah ini untuk mewakili struktur temporal. Untuk ARIMA(2,1,1), siri dibezakan sekali, dan nilai yang dibezakan pada masa t dimodelkan menggunakan dua nilai perbezaan terdahulu ditambah satu ralat tertinggal. Komponen purata bergerak merujuk kepada ralat daripada model, bukan sekadar purata pusingan bagi siri yang diperhatikan. Pembezaan boleh membantu menstabilkan arah aliran stokastik tetapi bukan ubat generik untuk setiap corak masa. Terlalu banyak perbezaan boleh membuang isyarat dan menjadikan siri lebih bising. ARIMA bermusim menambah (P,D,Q,s): tertib autoregresif bermusim P, perbezaan musim D, tertib purata bergerak bermusim Q dan tempoh bermusim s. Untuk data bulanan dengan pengulangan tahunan, s ialah 12. Istilah bermusim mengekod kebergantungan berulang pada ketinggalan bermusim. Mereka harus dipertimbangkan bersama plot dan pemahaman domain; corak bermusim boleh berubah mengikut masa atau dijelaskan oleh pembolehubah luaran. ARIMA menganggap proses sisa model yang sesuai selepas dipasang. Periksa baki plot dan autokorelasi, dan gunakan pengesahan sedar masa yang mengekalkan ketertiban. Bandingkan model calon menggunakan gabungan kriteria maklumat, ralat ramalan dan keperluan domain. Model boleh memuatkan data sejarah dengan baik tetapi gagal selepas perubahan struktur. Regressor eksogen, campur tangan dan pemerhatian yang hilang memerlukan penjagaan. ARIMA ialah keluarga yang fleksibel, bukan resipi ramalan automatik: p, d dan q memerlukan pemilihan, ramalan mempunyai ketidakpastian dan model bermusim harus mencerminkan tempoh berulang yang munasabah.
ARIMA(2,1,1) hipotetikal menggunakan dua nilai ketinggalan bagi siri yang berbeza, satu perbezaan untuk menangani arah aliran stokastik dan satu jangka ralat ramalan ketinggalan.
Penganalisis membezakan siri bulanan sekali, kemudian menyemak sama ada siri yang diubah adalah lebih stabil. Perbezaan yang berlebihan boleh menghilangkan struktur yang berguna dan menyebabkan bunyi yang tidak perlu.
Seorang peruncit memerhatikan bermusim tahunan dalam permintaan bulanan. ARIMA bermusim termasuk tempoh s=12 dan istilah bermusim dan bukannya mengandaikan p, d dan q biasa sahaja menangkap corak berulang.
Peramal membandingkan pesanan calon menggunakan pengesahan tersusun masa dan memeriksa autokorelasi sisa. Kriteria maklumat dalam sampel yang rendah tidak menjamin ramalan masa depan yang tepat.
Ramalan ARIMA boleh menjadi lebih dipercayai apabila laporan merekodkan tetingkap latihan, tempoh bermusim, pilihan yang berbeza, input eksogen dan pengesahan khusus ufuk. Pasukan harus membandingkan prestasi dengan garis dasar naif dan naif bermusim, kemudian memantau baki apabila pemerhatian baharu tiba. Anggaran semula harus mengikut bukti dinamik berubah dan bukannya kalendar sahaja. Untuk berbilang musim atau corak tak linear, kaedah lain mungkin sesuai, tetapi ARIMA yang lebih ringkas kekal sebagai penanda aras yang berguna. Selang ketidakpastian yang jelas dan penilaian bertarikh membantu pembaca membezakan ekstrapolasi yang munasabah daripada nilai masa depan yang terjamin.
Newsletter percuma
Tiga cerita AI yang disahkan setiap pagi hari bekerja, ditulis dalam Bahasa Inggeris biasa. Percuma selamanya, tiada iklan.
Satu e-mel setiap hari bekerja. Berhenti melanggan dalam satu klik. Kami tidak pernah menjual atau berkongsi alamat anda.
Uji diri anda
Maklum balas segera pada setiap jawapan, dan sijil yang boleh dikongsi dengan ID yang boleh disahkan sebaik sahaja anda lulus kursus.
Sokong pendidikan AI percuma. AI Understanding ialah pertubuhan bukan keuntungan 501(c)(3) — tiada iklan, tiada bayaran dinding, selamanya. Buat derma
Model ARIMA meramalkan siri masa menggunakan istilah autoregresif, istilah perbezaan dan purata bergerak, diringkaskan dengan pesanan p, d dan q. ARIMA bermusim menambah pesanan bermusim untuk corak berulang, tetapi pemilihan pesanan, semakan pegun dan diagnostik sisa kekal penting untuk ramalan yang boleh dipercayai.
p ialah susunan autoregresif, menerangkan bilangan nilai siri ketinggalan dalam komponen bukan musim.
d ialah bilangan perbezaan bukan musim yang digunakan pada siri itu.
q ialah susunan purata bergerak ke atas ralat model lalu, bukan purata pemerhatian mentah.
Tempoh bermusim s menandakan berapa banyak pemerhatian membentuk kitaran, seperti dua belas bulan.
Perbezaan bermusim membandingkan nilai selang satu tempoh bermusim, dikawal oleh D dan s.
Teruskan belajar
Lebih banyak panduan dipilih untuk topik ini
SeterusnyaPanduan seterusnya
Model Campuran Gaussian
Teknikal