نویسنده (ها): شنگگانگ لی
در ابتدا منتشر شده در به سمت هوش مصنوعیبشر
ادغام وزنه برداری مبتنی بر Recency و تنظیم ویژگی های فصلی برای دقت پیش بینی پیشرفته
پیش بینی سریال های زمانی هم جذاب و هم چالش برانگیز است. این جذاب است زیرا پیش بینی های دقیق می توانند به طور مستقیم تصمیمات بهتر را آگاه سازند – خواه مدیریت تقاضای برق ، برنامه ریزی موجودی یا انجام سرمایه گذاری. توانایی پیش بینی مقادیر آینده بر اساس الگوهای گذشته ابزاری قدرتمند در بسیاری از زمینه ها است. اما پیش بینی نیز سخت است ، عمدتاً به این دلیل که زمان می تواند روندها را تغییر دهد ، چرخه ها را مختل کند و رفتارهای جدیدی را معرفی کند که مدل سازی را پیچیده می کند.
از مدلهای سنتی مانند AR (k) یا ARMA مدتهاست که برای این کار استفاده شده است. با این حال ، یک محدودیت مهم این است که آنها با تمام مشاهدات گذشته به طور یکسان رفتار می کنند ، با فرض اینکه هر تاخیر در پیش بینی آینده نقش دارد. با این حال ، در عمل ، مقادیر اخیر اغلب نسبت به نمونه های قدیمی تر مرتبط هستند – چیزی که این مدل های کلاسیک تمایل به غافل شدن دارند.
من اکنون یک روش جدید به نام Arma با وزن Decay با وزن را پیشنهاد کردم. این ایده ساده اما قدرتمند است: من با اضافه کردن یک تابع وزنه برداری پوسیدگی ، F (دنباله_J∣A) ، عملکرد از دست دادن معمول را تنظیم کردم ، که اهمیت بیشتری را به مشاهدات اخیر و کمتر به موارد دور نشان می دهد. پارامتر A کنترل می کند که چقدر سریع این پوسیدگی اتفاق می افتد. به عنوان مثال ، جدیدترین مقدار (دنباله_1) همیشه وزن کامل می شود و مقادیر قدیمی تر بسته به الگوی پوسیدگی محو می شوند. چه چیز دیگری ، من نمی کنم … وبلاگ کامل را به صورت رایگان در رسانه بخوانیدبشر
منتشر شده از طریق به سمت هوش مصنوعی