Tiếp theoHướng dẫn tiếp theo
Mô hình hỗn hợp Gaussian
kỹ thuật
HƯỚNG DẪN KỸ THUẬT
Các mô hình ARIMA dự báo một chuỗi thời gian bằng cách sử dụng các số hạng tự hồi quy, các số hạng sai phân và trung bình động, được tóm tắt theo các bậc p, d và q.
Nghe hướng dẫn nàyAI thuật lại · ~3 min
ARIMA theo mùa bổ sung các đơn đặt hàng theo mùa cho các mẫu định kỳ, nhưng việc lựa chọn đơn hàng, kiểm tra tính dừng và chẩn đoán dư vẫn cần thiết cho các dự báo đáng tin cậy.
ARIMA là viết tắt của đường trung bình động tích hợp tự hồi quy. Thứ tự tự hồi quy p mô tả sự phụ thuộc vào các giá trị trước của chuỗi, thường là sau bất kỳ sai phân nào. Thứ tự tích hợp d là số lượng khác biệt được áp dụng để giải quyết hành vi ở cấp độ không cố định, chẳng hạn như xu hướng ngẫu nhiên. Thứ tự trung bình động q mô tả sự phụ thuộc vào các lỗi dự báo trước đó. Mô hình ARIMA(p,d,q) kết hợp các thuật ngữ này để biểu diễn cấu trúc thời gian. Đối với ARIMA(2,1,1), chuỗi được sai phân một lần và giá trị sai phân tại thời điểm t được mô hình hóa bằng hai giá trị sai phân trước đó cộng với một lỗi trễ. Thành phần trung bình động đề cập đến các lỗi từ mô hình, không chỉ đơn giản là giá trị trung bình cuộn của chuỗi được quan sát. Sự khác biệt có thể giúp ổn định xu hướng ngẫu nhiên nhưng không phải là cách chữa trị chung cho mọi mô hình thời gian. Quá nhiều sự khác biệt có thể loại bỏ tín hiệu và làm cho chuỗi nhiễu hơn. ARIMA theo mùa bổ sung (P,D,Q,s): thứ tự tự hồi quy theo mùa P, sai phân theo mùa D, thứ tự trung bình trượt theo mùa Q và khoảng thời gian theo mùa s. Đối với dữ liệu hàng tháng có độ lặp lại hàng năm, s là 12. Các thuật ngữ theo mùa mã hóa sự phụ thuộc lặp lại ở độ trễ theo mùa. Chúng nên được xem xét cùng với cốt truyện và sự hiểu biết về miền; mô hình theo mùa có thể thay đổi theo thời gian hoặc được giải thích bằng các biến số bên ngoài. ARIMA giả định một quy trình dư được mô hình hóa phù hợp sau khi lắp. Kiểm tra các ô dư và tự tương quan, đồng thời sử dụng xác thực nhận biết theo thời gian để duy trì trật tự. So sánh các mô hình ứng cử viên bằng cách sử dụng kết hợp các tiêu chí thông tin, lỗi dự báo và nhu cầu miền. Một mô hình có thể phù hợp tốt với dữ liệu lịch sử nhưng sẽ thất bại sau khi thay đổi cấu trúc. Các yếu tố hồi quy ngoại sinh, các biện pháp can thiệp và quan sát bị thiếu cần được quan tâm. ARIMA là một họ linh hoạt, không phải là một công thức dự báo tự động: p, d và q cần được lựa chọn, các dự báo có tính không chắc chắn và mô hình theo mùa sẽ phản ánh một khoảng thời gian định kỳ hợp lý.
ARIMA(2,1,1) giả định sử dụng hai giá trị trễ của chuỗi sai phân, một sai số để giải quyết xu hướng ngẫu nhiên và một thuật ngữ lỗi dự báo có độ trễ.
Một nhà phân tích phân tích chuỗi hàng tháng một lần, sau đó kiểm tra xem chuỗi chuyển đổi có ổn định hơn hay không. Sự khác biệt quá mức có thể loại bỏ cấu trúc hữu ích và gây ra tiếng ồn không cần thiết.
Một nhà bán lẻ quan sát tính thời vụ hàng năm trong nhu cầu hàng tháng. ARIMA theo mùa bao gồm khoảng thời gian s=12 và các thuật ngữ theo mùa thay vì chỉ giả sử p, d và q thông thường nắm bắt được mô hình lặp lại.
Trình dự báo so sánh các đơn đặt hàng ứng viên bằng cách sử dụng xác thực theo thứ tự thời gian và kiểm tra hiện tượng tự tương quan dư. Tiêu chí thông tin trong mẫu thấp không đảm bảo dự báo chính xác trong tương lai.
Dự báo của ARIMA có thể đáng tin cậy hơn khi các báo cáo ghi lại khoảng thời gian đào tạo, giai đoạn theo mùa, các lựa chọn khác nhau, đầu vào ngoại sinh và xác thực theo từng phạm vi cụ thể. Các nhóm nên so sánh hiệu suất với các đường cơ sở ban đầu và ban đầu theo mùa, sau đó theo dõi số dư khi có quan sát mới. Việc ước tính lại phải tuân theo bằng chứng về động lực đã thay đổi thay vì chỉ theo lịch. Đối với nhiều tính thời vụ hoặc mô hình phi tuyến tính, các phương pháp khác có thể phù hợp, nhưng ARIMA đơn giản hơn vẫn là một chuẩn mực hữu ích. Khoảng thời gian không chắc chắn rõ ràng và đánh giá theo ngày tháng giúp người đọc phân biệt phép ngoại suy hợp lý với giá trị được đảm bảo trong tương lai.
Bản tin miễn phí
Ba câu chuyện AI đã được xác minh vào mỗi buổi sáng các ngày trong tuần, được viết bằng tiếng Anh đơn giản. Miễn phí mãi mãi, không có quảng cáo.
Một email mỗi ngày trong tuần. Hủy đăng ký trong một cú nhấp chuột. Chúng tôi không bao giờ bán hoặc chia sẻ địa chỉ của bạn.
Tự kiểm tra
Phản hồi tức thì về mọi câu trả lời và chứng chỉ có thể chia sẻ với ID có thể xác minh sau khi bạn vượt qua khóa học.
Hỗ trợ giáo dục AI miễn phí. AI Understanding là tổ chức phi lợi nhuận 501(c)(3) — không bao giờ có quảng cáo, không có tường phí. Hãy quyên góp
Các mô hình ARIMA dự báo một chuỗi thời gian bằng cách sử dụng các số hạng tự hồi quy, các số hạng sai phân và trung bình động, được tóm tắt theo các bậc p, d và q. ARIMA theo mùa bổ sung các đơn đặt hàng theo mùa cho các mẫu định kỳ, nhưng việc lựa chọn đơn hàng, kiểm tra tính dừng và chẩn đoán dư vẫn cần thiết cho các dự báo đáng tin cậy.
p là thứ tự tự hồi quy, mô tả số lượng giá trị chuỗi bị trễ trong thành phần không theo mùa.
d là số khác biệt không theo mùa được áp dụng cho chuỗi.
q là thứ tự trung bình động của các lỗi mô hình trong quá khứ, không phải là giá trị trung bình luân phiên của các quan sát thô.
Khoảng thời gian theo mùa s biểu thị số lượng quan sát tạo nên một chu kỳ, chẳng hạn như 12 tháng.
Sự khác biệt theo mùa so sánh các giá trị cách nhau một khoảng thời gian theo mùa, được kiểm soát bởi D và s.
Tiếp tục học hỏi
Đã chọn thêm hướng dẫn cho chủ đề này
Tiếp theoHướng dẫn tiếp theo
Mô hình hỗn hợp Gaussian
kỹ thuật