तकनीक चौरसाई द्वारा पूर्वानुमान

तकनीक चौरसाई द्वारा पूर्वानुमान इस साइट में निर्णय लेने के लिए वस्तुओं सीखने जावास्क्रिप्ट ई प्रयोगशालाओं का एक हिस्सा है। इस श्रृंखला में अन्य जावास्क्रिप्ट इस पृष्ठ पर मेनू अनुभाग में आवेदन के विभिन्न क्षेत्रों के अंतर्गत वर्गीकृत कर रहे हैं। एक समय श्रृंखला समय में आदेश दिए हैं जो टिप्पणियों का एक दृश्य है। समय के साथ लिया डेटा के संग्रह में निहित यादृच्छिक विभिन्नता के कुछ फार्म है। यादृच्छिक विभिन्नता के कारण प्रभाव को रद्द करने के लिए कम करने के तरीके मौजूद हैं। व्यापक रूप से इस्तेमाल की तकनीक "चौरसाई" कर रहे हैं। इन तकनीकों में, जब ठीक से लागू है, और अधिक स्पष्ट रूप से अंतर्निहित प्रवृत्तियों का पता चलता है। पंक्ति के लिहाज से, इस क्रम में बाएँ ऊपरी कोने से शुरू समय श्रृंखला है, और पैरामीटर (एस) डालें, फिर एक-अवधि आगे भविष्यवाणी प्राप्त करने के लिए गणना बटन पर क्लिक करें। खाली बक्से गणना में शामिल नहीं हैं, लेकिन शून्य हैं। आपके डेटा में प्रवेश करने में तीर या कुंजी दर्ज नहीं टैब कुंजी का उपयोग डेटा मैट्रिक्स में सेल से सेल को स्थानांतरित करने के लिए। इसका ग्राफ की जांच से पता चला जा सकता है, जो समय की श्रृंखला, की विशेषताएं। पूर्वानुमानित मूल्यों, और बच व्यवहार, हालत भविष्यवाणी मॉडलिंग के साथ। मूविंग एवरेज: चल औसत समय श्रृंखला की preprocessing के लिए सबसे लोकप्रिय तकनीक के बीच रैंक। वे समय की श्रृंखला आसान बनाने के लिए या यहां तक ​​कि समय की श्रृंखला में निहित कुछ सूचना के घटकों पर जोर देना, डेटा से यादृच्छिक "सफेद शोर" फिल्टर करने के लिए इस्तेमाल कर रहे हैं। घातीय स्मूथिंग: यह एक smoothed समय श्रृंखला का उत्पादन करने के लिए एक बहुत ही लोकप्रिय योजना है। चल औसत में पिछले प्रेक्षण समान रूप से भारित कर रहे हैं जबकि, घातीय स्मूथिंग तेजी से अवलोकन के रूप में वजन बड़े हो कम हो प्रदान करती है। दूसरे शब्दों में, हाल ही में टिप्पणियों पुराने टिप्पणियों से भविष्यवाणी करने में अपेक्षाकृत अधिक महत्व दिया जाता है। डबल घातीय स्मूथिंग से निपटने के रुझान में बेहतर है। ट्रिपल घातीय स्मूथिंग परवलय प्रवृत्तियों से निपटने में बेहतर है। एक चौरसाई लगातार एक के साथ एक exponenentially भारित औसत चलती। एक और एन से संबंधित हैं, जहां एक साधारण लंबाई के औसत (यानी अवधि) एन, मोटे तौर पर मेल खाती है: एक = 2 ​​/ (एन 1) या एन = (2 - एक) / एक। इस प्रकार, उदाहरण के लिए, के साथ एक exponenentially भारित चल औसत 0.1 के बराबर लगातार 19 दिन चलती औसत करने के लिए मोटे तौर अनुरूप होगा चौरसाई। और एक 40-दिन साधारण औसत हिल .०४८७८ के बराबर एक चौरसाई निरंतर साथ एक तेजी से भारित औसत हिल के मोटे तौर अनुरूप होगा। होल्ट की रैखिक घातीय स्मूथिंग: समय श्रृंखला गैर मौसमी है, लेकिन प्रदर्शन प्रवृत्ति करता है कि मान लीजिए। होल्ट की विधि वर्तमान स्तर और मौजूदा रुझान दोनों का अनुमान है। साधारण औसत (2-अल्फा) / अल्फा के पूर्णांक भाग के लिए चल औसत की अवधि की स्थापना करके घातीय समरेखण के विशेष मामला है कि नोटिस। सबसे व्यापार डेटा के लिए 0.40 की तुलना में छोटे अल्फा एक पैरामीटर अक्सर प्रभावी है। हालांकि, एक 0.1 की वेतन वृद्धि के साथ साथ = करने के लिए = 0.9 0.1, पैरामीटर अंतरिक्ष का एक ग्रिड खोज प्रदर्शन कर सकते हैं। तो सबसे अच्छा अल्फा सबसे छोटी मतलब निरपेक्ष त्रुटि (एमए त्रुटि) है। कैसे कई चौरसाई तरीकों की तुलना करने के लिए: भविष्यवाणी तकनीक की सटीकता का आकलन करने के लिए संख्यात्मक संकेतक कर रहे हैं, सबसे व्यापक रूप से दृष्टिकोण उनकी सटीकता का आकलन करने और विभिन्न भविष्यवाणी तरीकों के बीच चुनने के लिए कई पूर्वानुमान के दृश्य तुलना प्रयोग में है। इस दृष्टिकोण में, एक कई अलग अलग भविष्यवाणी तरीकों से एक समय श्रृंखला चर के मूल मूल्यों और मूल्यों की भविष्यवाणी की है, इस प्रकार एक दृश्य तुलना की सुविधा एक ही ग्राफ पर (जैसे एक्सेल का उपयोग) साजिश चाहिए। आप केवल एक पैरामीटर का उपयोग तकनीक है कि चौरसाई के आधार पर पिछले पूर्वानुमान मूल्यों को प्राप्त करने के लिए जावास्क्रिप्ट तकनीकों चौरसाई द्वारा पिछले पूर्वानुमान का उपयोग कर पसंद कर सकते हैं। होल्ट, और विंटर्स विधियों इसलिए यह मापदंडों के लिए परीक्षण और - errors द्वारा इष्टतम, या यहां तक ​​कि इष्टतम मूल्यों के पास चयन करने के लिए एक आसान काम नहीं है, क्रमश: दो और तीन मापदंडों का उपयोग करें। एकल घातीय समरेखण कम दूरी के परिप्रेक्ष्य पर जोर देती है; यह पिछले अवलोकन करने के लिए स्तर सेट और कोई प्रवृत्ति है कि इस शर्त पर आधारित है। ऐतिहासिक डेटा (या बदल ऐतिहासिक डेटा) के लिए एक कम से कम वर्गों लाइन फिट बैठता है जो रेखीय प्रतिगमन, बुनियादी प्रवृत्ति पर वातानुकूलित है जो लंबी दूरी का प्रतिनिधित्व करता है। होल्ट की रेखीय घातीय समरेखण हाल की प्रवृत्ति के बारे में जानकारी लिया। होल्ट के मॉडल में पैरामीटर डेटा भिन्नता की राशि बड़ी है जब कम किया जाना चाहिए, और हाल ही में प्रवृत्ति दिशा कारण कुछ कारकों द्वारा समर्थित है, तो प्रवृत्तियों पैरामीटर वृद्धि की जानी चाहिए जो स्तर पैरामीटर है। लघु अवधि के पूर्वानुमान: इस पेज पर हर जावास्क्रिप्ट एक एक कदम आगे पूर्वानुमान प्रदान करता है कि नोटिस। एक दो कदम आगे पूर्वानुमान प्राप्त करने के लिए। बस आप समय श्रृंखला डेटा का अंत करने के लिए पूर्वानुमानित मूल्य जोड़ने और फिर एक ही गणना बटन पर क्लिक करें। आप की जरूरत लघु अवधि के पूर्वानुमान प्राप्त करने के लिए कुछ समय के लिए इस प्रक्रिया को दोहरा सकते हैं।