الانحدار الحركة من المتوسط - الثعبان

نماذج تقلب التقلب: إوما و غارتش (1،1) تعد مجموعة التقلب واحدة من أهم خصائص البيانات المالية، ودمجها في نماذجنا يمكن أن ينتج تقديرا أكثر واقعية للمخاطر. ويتبين أن التقلب في التقلب واضح من حقيقة أن تقلبات اليوم ترتبط ارتباطا إيجابيا بتذبذب الأمس. لذلك، إذا لاحظ أمس ارتفاع التقلبات، اليوم أيضا من المرجح أن نلاحظ تقلبات عالية. وهذا يعني أن التقلب مشروط بالتقلبات السابقة (التقلبات المشروطة). هناك طريقتان لحساب ذلك: المتوسط ​​المتحرك لألسعار المرجحة) إوما (إوما هي طريقة مستخدمة بشكل متكرر لتقدير التقلب في العائدات المالية. وتعطي طريقة حساب التباين المشروط (التقلب) مزيدا من الوزن إلى الملاحظات الحالية مقارنة بالملاحظات السابقة. ويكون مقدر إوما بالشكل التالي: r يمثل العوائد. هو عامل الاضمحلال، المعروف أيضا باسم ثابت التمهيد. ويحدد هذا العامل مخطط الترجيح الهابط للملاحظات. وبهذه الطريقة تمثل إوما الفروق المعتمدة على الوقت. يضمن أن التباين اليوم يرتبط إيجابيا مع تقلبات الأمس. ارتفاع لامدا يدل على الاضمحلال البطيء في السلسلة، وهذا هو، فإن التباين العالي تميل إلى الاستمرار لفترة أطول. ريسكمتريكس يستخدم لامدا 0.94 وهو مناسب لتحليل البيانات اليومية. إوما هو في الواقع مجموعة فرعية من غارتش (1،1). تعرف على المزيد حول إوما الانحدار الذاتي العام التباين الشرطي المشروط (غارتش (1،1)) غارتش هو نموذج آخر لتقدير التقلب الذي يعتني بقضية تجميع التقلب. ويستمد غارتش من أرش، أي الانحدار الذاتي الشرطي متغاير. أر يعني أن النماذج نماذج الانحدار الذاتي في العوائد التربيعية، أي أن هناك علاقة إيجابية بين المخاطر أمس والمخاطر اليوم. يعني الشرط أن تقلب السنوات المقبلة مشروط بالمعلومات المتوفرة في هذه الفترة. عدم التجانس يعني تقلب غير ثابت. وهذا يعني أن السلاسل الزمنية لمتغير عشوائي له تباين متغير زمنيا. G تقف على المعمم، وهو ما يعني أن لها نسخة المعمم التي يمكن أن تمثل عوامل مختلفة في الأسواق المختلفة. الشكل الأكثر شيوعا من نموذج غارتش هو غارتش (1،1). ويمثل هذا النموذج على النحو التالي: المفهوم الرئيسي هنا هو أن التقلب هو وظيفة من العائدات المربعة المتخلفة والفروق المتخلفة. ويشير المصطلح (1،1) إلى هذا الفارق الزمني لكل عائد مربعة وتفاوت مربعة في اليوم السابق. حيث: هو وزن العوائد التربيعية المتخلفة هو وزن التباينات المتخلفة هو ثابت يساوي x فل حيث حيث فل هو معدل التباين على المدى الطويل وهو تحليل السلسلة ويتيم: تحليل التسلسل الزمني التمهيدي هو موضوع معقد ولكن، باختصار ، عندما نستخدم تقنياتنا المستعرضة المعتادة مثل الانحدار على البيانات التسلسل الزمني، يمكن أن تظهر المتغيرات أكثر أهمية مما هي عليه حقا، ونحن لا نستفيد من المعلومات الارتباط المتسلسل في البيانات المقدمة. ما هي سلسلة الوقت العديد من مجموعات البيانات هي مستعرضة وتمثل شريحة واحدة من الوقت. ومع ذلك، لدينا أيضا البيانات التي تم جمعها على مدى فترات عديدة - بيانات المبيعات الأسبوعية، على سبيل المثال. هذا مثال على بيانات السلاسل الزمنية. تحليل السلاسل الزمنية هو فرع متخصص من الإحصاءات المستخدمة على نطاق واسع في مجالات مثل الاقتصاد القياسي وبحوث العمليات. لسوء الحظ، فإن معظم الباحثين التسويق وعلماء البيانات لا يزال لديهم التعرض قليلا لذلك. كما نرى، لديها العديد من التطبيقات الهامة جدا للمسوقين. فقط للحصول على شروطنا مباشرة، وفيما يلي مثال بسيط على ما يبدو ملف البيانات سلسلة زمنية مثل. العمود المسمى ديت هو متغير التاريخ ويتطابق مع معرف المستفتى في بيانات أبحاث المسح. ويك، وهو رقم تسلسل كل أسبوع، يتم تضمينه لأن استخدام هذا العمود بدلا من التواريخ الفعلية يمكن أن يجعل الرسوم البيانية أقل تشوش. ويمكن أيضا أن يكون رقم التتابع بمثابة متغير الاتجاه في أنواع معينة من نماذج السلاسل الزمنية. المبيعات هي عدد العبوات التي تباع في كل أسبوع. وأود أن أشير إلى أن وحدة التحليل لا يجب أن تكون علامات تجارية ويمكن أن تشمل المستهلكين الأفراد أو مجموعات من المستهلكين الذين يتبع سلوكهم مع مرور الوقت. ولكن أولا، لماذا نحتاج إلى التمييز بين تحليل المقطع العرضي والتحليل الزمني لعدة أسباب، أحدها هو أن أهدافنا البحثية ستكون عادة مختلفة. آخر هو أن معظم الأساليب الإحصائية التي نتعلمها في الكلية والاستفادة من البحوث التسويقية تهدف إلى بيانات مستعرضة، وإذا طبقنا على البيانات سلسلة زمنية النتائج التي نحصل عليها قد تكون مضللة. الوقت هو بعد في البيانات التي نحتاج إلى أن تأخذ بعين الاعتبار. تحليل السلاسل الزمنية هو موضوع معقد، وباختصار، عندما نستخدم تقنياتنا المستعرضة المعتادة مثل الانحدار على بيانات السلاسل الزمنية: الأخطاء القياسية يمكن أن تكون بعيدة. في كثير من الأحيان تكون قيم P صغيرة جدا ويمكن أن تظهر المتغيرات أكثر أهمية مما هي عليه في بعض الحالات. يمكن أن تكون معاملات الانحدار متحيزة بشكل خطير ونحن لا نستفيد من المعلومات التي يوفرها الارتباط المتسلسل في البيانات. وللرجوع إلى بيانات المثال، قد يكون أحد الأهداف هو توقع مبيعات علامتنا التجارية. هناك العديد من الطرق للقيام بذلك، والأكثر وضوحا هو تحليل متغير الأحجام، والذي نحن أساسا استقراء البيانات المستقبلية من البيانات الماضية. وهناك طريقتان شائعتان متفرغتان من المتسلسلة الزمنية هما التماسك الأسي (مثل هولت-وينترس) و أريما (المتوسط ​​المتحرك المتكامل للانحدار الذاتي). في المثال المبين في الشكل 1، تم استخدام سنة واحدة (52 أسبوعا) من بيانات المبيعات التاريخية للتنبؤ بالمبيعات ربع (12 أسبوعا) قدما مع نموذج أريما. ومن الواضح أن هناك مخاطر في افتراض أن المستقبل سيكون مثل الماضي، ولكن لحسن الحظ، يمكننا أيضا أن تشمل المتغيرات السببية (التنبؤ) للمساعدة في التخفيف من هذه المخاطر. ولكن إلى جانب تحسين دقة توقعاتنا، قد يكون هدف آخر هو فهم أي أنشطة التسويق تؤثر على المبيعات. وعادة ما تتضمن المتغيرات السببية بيانات مثل غربس والسعر، ويمكن أن تتضمن أيضا بيانات من استطلاعات المستهلكين أو متغيرات خارجية مثل الناتج المحلي الإجمالي. ويطلق على هذه الأنواع من التحليلات اسم "استجابة السوق" أو "مزيج المزيج التسويقي"، وهي عنصر أساسي في تحليل "العائد على الاستثمار التسويقي". ويمكن اعتبارها تحليلا رئيسيا للسائق للبيانات الزمنية. وغالبا ما تستخدم النتائج في المحاكاة في محاولة للعثور على مزيج التسويق الأمثل. نقل نماذج الوظائف. أرماكس والانحدار الديناميكي هي المصطلحات التي تشير إلى إجراءات الانحدار المتخصصة المتقدمة للبيانات سلسلة زمنية. هناك أساليب أكثر تطورا، بالإضافة إلى ذلك، ومسة سوء على عدد قليل في قليلا. سلسلة زمنية متعددة قد تحتاج إلى تحليل سلاسل زمنية متعددة في وقت واحد، على سبيل المثال. مبيعات العلامات التجارية الخاصة بك والمنافسين الرئيسيين. الشكل 2 أدناه هو مثال ويظهر بيانات المبيعات الأسبوعية لمدة ثلاث علامات تجارية على مدى سنة واحدة. وبما أن حركات مبيعات العلامات التجارية التي تتنافس مع بعضها البعض سوف ترتبط عادة بمرور الوقت، فإنه غالبا ما يكون من المنطقي، وأن تكون أكثر دقة من الناحية الإحصائية، لتشمل البيانات لجميع العلامات التجارية الرئيسية في نموذج واحد بدلا من تشغيل نماذج منفصلة لكل علامة تجارية. إن الانحدار التلقائي المتجه (فار)، ونموذج تصحيح الخطأ في المتجهات (فيسم)، والإطار العام العام للفضاء، هي ثلاثة نهج مستخدمة بشكل متكرر في تحليل سلاسل زمنية متعددة. يمكن تضمين البيانات السببية والاستجابة السوقمزيج مزيج التسويق التي أجريت. هناك العديد من الأساليب الإضافية ذات الصلة لبحوث التسويق وعلوم البيانات إيل وصف الآن لفترة وجيزة. نماذج لوحة تشمل المقاطع العرضية في تحليل سلسلة زمنية. فبيانات المبيعات والتسويق للعديد من العلامات التجارية، على سبيل المثال، يمكن أن تكون مكدسة فوق بعضها البعض وتحليلها في وقت واحد. تسمح نماذج النماذج بالتحليل على مستوى الفئة كما أنها تأتي في متناول اليدين عندما تكون البيانات غير متكررة (على سبيل المثال شهريا أو ربع سنوي). التحليل الطولي هو مصطلح عام و مربك في بعض الأحيان يمكن أن يشير إلى نمذجة لوحة مع عدد قليل من الفترات (لوحات قصيرة)، فضلا عن تدابير متكررة، تحليل منحنى النمو أو تحليل متعدد المستويات. بمعنی حرفي، یحتوي علی تحلیل السلاسل الزمنیة، ولکن العدید من السلطات تحتفظ بھذا المصطلح لتحلیل البیانات مع العدید من الفترات الزمنیة (علی سبیل المثال غ 25). النمذجة المعادلة الهيكلية (سيم) هي طريقة واحدة تستخدم على نطاق واسع في نمذجة منحنى النمو والتحليلات الطولية الأخرى. تحليل البقاء على قيد الحياة هو فرع من الإحصاءات لتحليل طول المتوقع من الوقت حتى حدث واحد أو أكثر يحدث مثل الموت في الكائنات الحية البيولوجية والفشل في النظم الميكانيكية. وتسمى أيضا تحليل المدة في الاقتصاد وتحليل تاريخ الحدث في علم الاجتماع. وغالبا ما تستخدم في تحليل العملاء زبد. في بعض الحالات لن يتناسب نموذج واحد مع سلسلة كاملة بسبب التغييرات الهيكلية داخل السلسلة، وسوف تختلف معلمات النموذج عبر الزمن. هناك العديد من اختبارات ونقاط التوقف (على سبيل المثال، فضاء الدولة، تبديل الانحدار) المتاحة لهذه الظروف. قد تلاحظ أيضا أن المبيعات، نشاط مركز الاتصال أو غيرها من سلسلة البيانات التي تتبع تتبع مجموعات من التقلب. أي أنه قد تكون هناك فترات تتحرك فيها الأرقام صعودا وهبوطا بطريقة أكثر تطرفا من الفترات الأخرى. الشكل 3 يعطي مثالا على هذا النوع من النمط. في هذه الحالات، يجب عليك أن تنظر في فئة من النماذج مع الاسم المحظور من غارتش (متغاير الانحدار الذاتي الشرطية متغايرة الشرطية). وقد تم تطوير نماذج أرش و غارتش في الأصل للأسواق المالية، ولكن يمكن استخدامها في أنواع أخرى من بيانات السلاسل الزمنية عندما يكون التقلب موضع اهتمام. التقلبات يمكن أن تقع في العديد من الأنماط، وبالتالي، هناك العديد من النكهات من نماذج غارتش. يمكن تضمين المتغيرات السببية. هناك أيضا ملحقات متعددة المتغيرات (مغارتش) إذا كان لديك سلسلة أو أكثر ترغب في تحليلها بشكل مشترك. غير القياسي القياسي القياسي هو نهج مختلف جدا لدراسة السلاسل الزمنية والبيانات الطولية التي تتلقى الآن الكثير من الاهتمام بسبب البيانات الكبيرة وقوة الحوسبة أكبر نتمتع الآن. هذه الطرق قابلة للتطبيق على نحو متزايد ومفيدة كبديل للطرق الأكثر دراية مثل تلك الموضحة في هذه المقالة. تعلم الآلات (مثل الشبكات العصبية الاصطناعية) مفيد أيضا في بعض الظروف ولكن يمكن أن يكون من الصعب تفسير النتائج - فهي تتنبأ بشكل جيد ولكن قد لا تساعدنا على فهم الآلية التي تم إنشاؤها للبيانات (لماذا). وإلى حد ما، ينطبق هذا العيب أيضا على التقنيات غير البارامترية. معظم الطرق إيف المذكورة هي تقنيات المجال الزمني. مجموعة أخرى من الطرق المعروفة باسم نطاق التردد. يلعب دورا أكثر محدودية في بحوث التسويق. لقد بالكاد خدش سطح مجموعة غنية ومتعددة الأوجه من التقنيات التي هي جديدة لمعظم الباحثين التسويق وعلماء البيانات، ولكن أهمية متزايدة لعملنا. للقراء الراغبين في معرفة المزيد عن هذه الأساليب، وهناك الآن دورات على الانترنت والعديد من الكتب التمهيدي ممتازة المتاحة، فضلا عن تلك التي تغطي مواضيع محددة في العمق. بيو: كيفين غراي هو رئيس كانون كانون. وهي علوم تسويقية واستشارات تحليلية. أصلي. مع إذن. كيفية إنشاء نموذج أريما للتنبؤ سلسلة الوقت مع بيثون وهناك طريقة إحصائية شعبية وتستخدم على نطاق واسع للتنبؤ سلسلة زمنية هو نموذج أريما. أريما هو اختصار الذي يقف لمعدل الحركة المتكاملة المتكاملة. إنها فئة من النماذج التي تلتقط مجموعة من الهياكل الزمنية القياسية المختلفة في بيانات السلاسل الزمنية. في هذا البرنامج التعليمي، سوف تكتشف كيفية تطوير نموذج أريما للبيانات سلسلة زمنية مع بايثون. بعد الانتهاء من هذا البرنامج التعليمي، وسوف تعرف: حول نموذج أريما المعلمات المستخدمة والافتراضات التي قدمها النموذج. كيفية تناسب نموذج أريما للبيانات واستخدامها لجعل التنبؤات. كيفية تكوين نموذج أريما على مشكلة سلسلة الوقت الخاص بك. Let8217s تبدأ. الانحدار الذاتي المتكامل المتوسط ​​المتحرك النموذجي نموذج أريما هو نموذج من النماذج الإحصائية لتحليل بيانات السلاسل الزمنية والتنبؤ بها. فإنه يلبي بشكل صريح لمجموعة من الهياكل القياسية في البيانات سلسلة زمنية، وعلى هذا النحو يوفر وسيلة بسيطة لكنها قوية لجعل التنبؤات سلسلة الوقت ماهرا. أريما هو اختصار الذي يقف لمعدل الحركة المتكاملة المتكاملة. وهو تعميم للمتوسط ​​المتحرك البسيط التحرك ويضيف فكرة التكامل. هذا الاختصار هو وصفي، والتقاط الجوانب الرئيسية للنموذج نفسه. باختصار، فهي: أر. أوتوريجريسيون. نموذج يستخدم العلاقة التابعة بين الملاحظة وعدد من الملاحظات المتأخرة. أنا . متكامل . استخدام اختلاف الملاحظات الخام (على سبيل المثال طرح ملاحظة من الملاحظة في الخطوة الزمنية السابقة) من أجل جعل السلاسل الزمنية ثابتة. ما. المتوسط ​​المتحرك. نموذج يستخدم التبعية بين الملاحظة والخطأ المتبقي من نموذج المتوسط ​​المتحرك المطبق على الملاحظات المتأخرة. يتم تحديد كل من هذه المكونات بشكل واضح في النموذج كمعلمة. ويستخدم معيار معياري ل أريما (p، d، q) حيث تستبدل المعلمات بقيم صحيحة للإشارة بسرعة إلى نموذج أريما المحدد المستخدم. وتعرف معلمات نموذج أريما على النحو التالي: p. عدد الملاحظات تأخر المدرجة في النموذج، وتسمى أيضا تأخر النظام. د . عدد المرات التي تختلف فيها الملاحظات الخام، وتسمى أيضا درجة الاختلاف. س. حجم إطار المتوسط ​​المتحرك، ويسمى أيضا ترتيب المتوسط ​​المتحرك. يتم إنشاء نموذج الانحدار الخطي بما في ذلك العدد المحدد ونوع المصطلحات، ويتم إعداد البيانات بدرجة من الاختلاف لجعلها ثابتة، أي لإزالة الاتجاه والهياكل الموسمية التي تؤثر سلبا على نموذج الانحدار. يمكن استخدام قيمة 0 للمعلمة، مما يشير إلى عدم استخدام هذا العنصر من النموذج. وبهذه الطريقة، يمكن تكوين نموذج أريما لأداء وظيفة نموذج أرما، وحتى نموذج أر أو I أو ما بسيط. ويفترض اعتماد نموذج أريما لسلسلة زمنية أن العملية الأساسية التي ولدت الرصدات هي عملية أريما. وقد يبدو ذلك واضحا، ولكنه يساعد على تحفيز الحاجة إلى تأكيد افتراضات النموذج في الملاحظات الأولية وفي الأخطاء المتبقية للتنبؤات من النموذج. بعد ذلك، Let8217s نلقي نظرة على كيف يمكننا استخدام نموذج أريما في بايثون. سنبدأ مع تحميل سلسلة زمنية وحيد المتغير. التوقف عن التعلم سلسلة الوقت التنبؤ بالطريقة البطيئة الاشتراك والحصول على الحرة 7 أيام سلسلة الوقت التنبؤ البسيطة بالطبع ستحصل:. يتم تسليم درس واحد كل يوم إلى صندوق البريد الوارد. الحصري بدف يبوك تحتوي على جميع الدروس. الثقة والمهارات اللازمة للعمل من خلال المشاريع الخاصة بك شامبو ساليس داتاسيت تصف مجموعة البيانات هذه العدد الشهري من مبيعات الشامبو خلال فترة 3 سنوات. الوحدات هي عدد المبيعات وهناك 36 الملاحظات. وترجع مجموعة البيانات الأصلية إلى ماكريداكيس و ويلوريت و هيندمان (1998). تحميل مجموعة البيانات ووضعه في دليل العمل الحالي الخاص بك مع اسم الملف 8220 شامبو-sales. csv 8220. وفيما يلي مثال لتحميل البيانات شامبو ساليس مجموعة البيانات مع بانداس مع وظيفة مخصصة لتحليل حقل تاريخ الوقت. مجموعة البيانات هي باسليند في عام التعسفي، في هذه الحالة 1900. أولا، نحصل على خط مؤامرة من الأخطاء المتبقية، مما يشير إلى أنه قد يكون لا يزال هناك بعض المعلومات الاتجاه لا استولت عليها النموذج. أرما فيت ريسيدوال إرور سطر القطعة بعد ذلك، نحصل على مؤامرة كثافة من قيم الخطأ المتبقية، مما يشير إلى أخطاء غوسيان، ولكن قد لا تكون تركز على الصفر. أرما فيت ريسيدوال إرور دنسيتي بلوت يتم عرض توزيع الأخطاء المتبقية. وتظهر النتائج أن هناك بالفعل تحيز في التنبؤ (وهو متوسط ​​غير صفر في المخلفات). ملاحظة، أنه على الرغم من أننا استخدمنا مجموعة البيانات بأكملها لتحليل السلاسل الزمنية، من الناحية المثالية فإننا سوف إجراء هذا التحليل على مجرد مجموعة بيانات التدريب عند وضع نموذج تنبئي. بعد ذلك، Let8217s ننظر في كيف يمكننا استخدام نموذج أريما لجعل التنبؤات. التنبؤ المتداول نموذج أريما يمكن استخدام نموذج أريما للتنبؤ بالخطوات الزمنية المستقبلية. يمكننا استخدام وظيفة التنبؤ () على كائن أريمارسولتس لجعل التنبؤات. فإنه يقبل مؤشر الخطوات الزمنية لجعل التنبؤات كما الحجج. وتتعلق هذه المؤشرات ببدء مجموعة بيانات التدريب المستخدمة في التنبؤ. إذا استخدمنا 100 ملاحظة في مجموعة بيانات التدريب لتتناسب مع النموذج، فسيتم تحديد مؤشر الخطوة التالية للتنبؤ بوظيفة التنبؤ باسم start101، end101. سيؤدي ذلك إلى إعادة مصفوفة تحتوي على عنصر واحد يحتوي على التنبؤ. ونحن نفضل أيضا أن تكون القيم المتوقعة في النطاق الأصلي، في حال أجرينا أي اختلاف (dgt0 عند تكوين النموذج). يمكن تحديد هذا عن طريق تعيين وسيطة الكتابة إلى القيمة 8216levels8217. typ8217levels8217. بدلا من ذلك، يمكننا تجنب كل هذه المواصفات باستخدام وظيفة التنبؤ ()، الذي يقوم بتنبؤ خطوة واحدة باستخدام النموذج. يمكننا تقسيم مجموعة بيانات التدريب إلى مجموعات القطار واختبار، واستخدام مجموعة القطار لتناسب النموذج، وتوليد التنبؤ لكل عنصر على مجموعة الاختبار. وهناك حاجة إلى التنبؤ المتداول نظرا للاعتماد على الملاحظات في خطوات زمنية سابقة للتباين ونموذج أر. وهناك طريقة خام لتنفيذ هذه التوقعات المتداول هو إعادة إنشاء نموذج أريما بعد تلقي كل ملاحظة جديدة. نحن يدويا تتبع جميع الملاحظات في قائمة تسمى التاريخ التي هي المصنفة مع بيانات التدريب والتي يتم إلحاق الملاحظات الجديدة كل التكرار. وضع كل هذا معا، وفيما يلي مثال على توقعات المتداول مع نموذج أريما في بيثون. يتم إنشاء مؤامرة خط تبين القيم المتوقعة (الأزرق) مقارنة التنبؤات التنبؤ المتداول (الأحمر). يمكننا أن نرى القيم تظهر بعض الاتجاه وهي في الحجم الصحيح. أريما المتداول خط خط التنبؤ يمكن أن نموذج استخدام مزيد من ضبط p، د، وربما المعلمات حتى q. تكوين نموذج أريما النهج الكلاسيكي لتركيب نموذج أريما هو اتباع منهجية بوكس ​​جينكينز. هذه عملية تستخدم تحليل السلاسل الزمنية والتشخيص لاكتشاف معلمات جيدة لنموذج أريما. وباختصار، فإن خطوات هذه العملية هي كما يلي: تحديد النموذج. استخدام المؤامرات والإحصاءات الموجزة لتحديد الاتجاهات، والموسمية، وعناصر الانحدار الذاتي للحصول على فكرة عن مقدار الاختلاف وحجم الفارق الزمني الذي سيكون مطلوبا. تقدير المعلمة . استخدام الإجراء المناسب للعثور على معاملات نموذج الانحدار. فحص النموذج. استخدام المؤامرات والاختبارات الإحصائية للأخطاء المتبقية لتحديد كمية ونوع الهيكل الزمني الذي لا يلتقطه النموذج. وتكرر العملية إلى أن يتحقق مستوى مرغوب فيه من الملاءمة على الملاحظات داخل العينة أو خارج العينة (مثل التدريب أو مجموعات بيانات الاختبار). وصفت العملية في كتاب عام 1970 الكلاسيكي حول موضوع بعنوان تحليل سلسلة زمنية: التنبؤ والسيطرة من قبل جورج بوكس ​​وجويليم جينكينز. نسخة 5 محدثة متاحة الآن إذا كنت ترغب في الذهاب أعمق في هذا النوع من نموذج ومنهجية. وبالنظر إلى أن النموذج يمكن أن يكون مناسبا بكفاءة على مجموعات بيانات سلسلة زمنية متواضعة، يمكن أن تكون معلمات البحث في الشبكة للنموذج نهجا قيما. في هذا البرنامج التعليمي، اكتشفت كيفية تطوير نموذج أريما للتنبؤ بالسلاسل الزمنية في بايثون. على وجه التحديد، تعلمتم: حول نموذج أريما، وكيف يمكن تكوينه، والافتراضات التي قدمها النموذج. كيفية إجراء تحليل سلسلة زمنية سريعة باستخدام نموذج أريما. كيفية استخدام نموذج أريما للتنبؤ من التنبؤات عينة. هل لديك أي أسئلة حول أريما، أو عن هذا البرنامج التعليمي طرح أسئلتكم في التعليقات أدناه، وسوف أبذل قصارى جهدي للرد. تريد تطوير توقعات سلسلة الوقت مع بيثون تطوير التوقعات الخاصة بك في دقائق مع بضعة أسطر فقط من رمز الثعبان ويغطي دروس الدراسة الذاتية والمشاريع نهاية إلى نهاية حول مواضيع مثل: تحميل البيانات. التصور. النمذجة. خوارزمية ضبط. وأكثر بكثير. أخيرا جلب سلسلة الوقت التنبؤ إلى المشاريع الخاصة بك تخطي الأكاديمية. مجرد نتائج. كيفين 17 يناير، 2017 في 12:58 ص يعطيني الكثير من الأخطاء: تراسيباك (آخر مكالمة الأخيرة): ملف 8220Userskevinoostanacondalibpython3.5site-packagepandasioparsers. py8221، سطر 2276، في ديتريبارسر تحويل (داتيكولز)، أخطاء 8217ignore8217) ملف 8220UserskevinoostPycharmProjectsARIMAmain. py8221، (616161908217x، 8216Y-m8217) وسيطة تريبيرور: ستربتيم () 1 يجب أن تكون ستر، وليس numpy. ndarray أثناء التعامل مع الاستثناء أعلاه، حدث استثناء آخر: تراكباك (آخر مكالمة الأخيرة): ملف 8220Userskevinoostanacondalibpython3.5site-packagepandasioparsers. py8221، السطر 2285، في تحويل دايفيرستدفيرست)، ملف 8220pandassrcinference. pyx8221، السطر 841، في pandas. lib. tryparsedates (pandaslib. c: 57884) ملف 8220pandassrcinference. pyx8221، السطر 838، في pandas. lib. tryparsedates (pandaslib. c: 57802) ملف 8220UserskevinoostPycharmProjectsARIMAmain. py8221، السطر 6، في محلل إرجاع datetime. strptime (82161908217x، 8216Y-m8217) ملف 8220Userskevinoost anacondalibpython3.5strptime. py8221، سطر 510، في ستربتيمداتيتيمي ت، كسر جزء (داتاسترينغ، تنسيق) ملف 8220Userskevinoostanacondalibpython3.5strptime. py8221، السطر 343، في ستربتيم (داتاسترينغ، شكل)) فالويرور: بيانات الوقت 8216190 مبيعات الشامبو على مدى فترة ثلاث سنوات 8217 لا يطابق التنسيق 8216Y-m8217 أثناء التعامل مع الاستثناء أعلاه، حدث استثناء آخر: تراكباك (آخر مكالمة الأخيرة): ملف 8220UserskevinoostPycharmProjectsARIMAmain. py8221، السطر 8، في السلسلة ريدسف (8216shampoo-sales. csv8217، header0، parsedates0، indexcol0، سكايزيترو، ديتيبارسيربارسر) ملف 8220Userskevinoostanacondalibpython3.5site-packagepandasioparsers. py8221، السطر 562، في قراءة بارسيرف قراءة (فيليباثوربوفر، كودس) ملف 8220Userskevinoostanacondalibpython3.5site-packagepandasioparsers. py8221، السطر 325، في قراءة parser. read () ملف 8220Userskevinoostanacondalibpython3.5site - packagepandasioparsers. py8221، السطر 815، في قراءة ريت self. engine. read (نروز) ملف 8220Userskev inoostanacondalibpython3.5site-packagepandasioparsers. py8221، السطر 1387، في فهرس القراءة، أسماء self. makeindex (البيانات، ألداتا، الأسماء) ملف 8220Userskevinoostanacondalibpython3.5site-packagepandasioparsers. py8221، السطر 1030، في مؤشر ماكيندكس self. aggindex (إندكس) ملف 8220Userskevinoostanacondalibpython3. 5set-packagepandasioparsers. py8221، السطر 1111، في أغيندكس أر self. dateconv (أر) ملف 8220Userskevinoostanacondalibpython3.5site-packagepandasioparsers. py8221، السطر 2288، في المحول عودة جينريكبارسر (ديتيبارسر، داتيكولز) ملف 8220Userskevinoostanacondalibpython3.5site-packagepandasiodateconverters. py8221، السطر 38 (82161908217x، 8216Y-m8217) ملف 8220Userskevinoostanacondalibpython3.5strptime. py8221، السطر 510، في ستربتيمداتيتيمي ت، ستربتيم الكسر (داتاسترينغ، شكل)، ملف 8220UserskevinoostPycharmProjectsARIMAmain. py8221، السطر 6، في محلل باتيري ريتورن datetime. strptime (82161908217x، 8216Y-m8217) فيل 8220Userskevinoostanacondalibpython3.5strptime. py8221، لين e 343، في ستربتيم (داتاسترينغ، شكل)) فالويرور: بيانات الوقت 8216190 مبيعات الشامبو على مدى فترة ثلاث سنوات 8217 لا يطابق شكل 8216Y-m8217 عملية الانتهاء مع رمز الخروج 1 مساعدة سيكون موضع تقدير كبير. يبدو أنه قد تكون هناك مشكلة في ملف البيانات. فتح كسف في محرر نص وتأكيد خط رأس تبدو معقولة. تأكد أيضا من عدم وجود بيانات إضافية في نهاية الملف. في بعض الأحيان ملفات داتاماركيت تحميل مع تذييل البيانات التي تحتاج إلى حذف. نغوين كوانغ آن 19 يناير 2017 في 06:28 م اسمحوا لي أن لدي بيانات سلسلة زمنية مع العديد من السمة. على سبيل المثال الصف سيكون (السرعة والوقود، الإطارات)، كيف يمكن أن نجعل نموذجا من هذا. قد تؤثر قيمة كل عمود على بعضها البعض، لذلك لا يمكننا القيام بالتنبؤ على عمود واحد فقط. أنا جوجل الكثير ولكن كل المثال I8217ve وجدت حتى الآن فقط العمل على سلسلة زمنية من 1 السمة. وهذا ما يسمى بالتنبؤ بالسلاسل الزمنية متعددة المتغيرات. لم تكن النماذج الخطية مثل أريما مصممة لهذا النوع من المشاكل. بشكل عام، يمكنك استخدام التمثيل القائم على التأخر لكل ميزة ثم قم بتطبيق خوارزمية تعلم الآلة القياسية. آمل أن يكون بعض الدروس على هذا قريبا. موي إبيدون 7 فبراير 2017 في 09:36 ص مشكلتك يناسب ما تم تصميم نماذج فار (ناقلات الانتكاس التلقائي) ل. انظر الروابط التالية لمزيد من المعلومات. آمل أن يساعد هذا عملك. أفاتار كلفيد 20 يناير 2017 في 11:55 ص مرحبا، سيكون لديك مثال لموسم أريما الموسمية لقد قمت بتثبيت أحدث ستاتسموديلز وحدة، ولكن هناك خطأ في استيراد ساريماكس. مساعدة إذا كنت تدير لمعرفة ذلك. شكر. سيباستيان 31 يناير 2017 في 03:33 ص آخر عظيم جيسون لدي بضعة أسئلة: 8211 فقط للتأكد. modelfit. forecast () هو خطوة واحدة إلى الأمام التوقعات و modelfit. predict () هو لخطوة متعددة التوقعات المقبلة 8211 أعمل مع سلسلة التي تبدو على الأقل مشابهة تماما لسلسلة الشامبو (عن طريق التفتيش). عندما أستخدم التنبؤ على بيانات التدريب، أحصل على هذا النمط المتعرج في التنبؤ أيضا. ولكن بالنسبة لبيانات الاختبار، والتنبؤ هو أكثر سلاسة ويبدو أن تشبع في بعض المستويات. هل تتوقع هذا إذا لم يكن كذلك، ما يمكن أن يكون الخطأ نعم، توقعات () هو لتنبؤات خطوة واحدة. يمكنك أن تفعل التنبؤات خطوة واحدة مع التنبؤ () أيضا، ولكن المزيد من العمل. لم أكن أتوقع التنبؤ بعد خطوات قليلة من الوقت لتكون دقيقة جدا، إذا كان هذا هو سؤالك سيبستيان 3 فبراير 2017 في 09:25 ص شكرا للرد فيما يتعلق بالسؤال الثاني. نعم، أنت على حق التنبؤ ليست دقيقة جدا. ولكن علاوة على ذلك، فإن السلسلة الزمنية المتوقعة لها محتوى تردد مختلف تماما. كما قلت، فإنه على نحو سلس وليس زيغ زاغي كما البيانات الأصلية. هل هذا طبيعي أم أفعل شيئا خاطئا. حاولت أيضا التنبؤ خطوة متعددة (modelfit. predict ()) على بيانات التدريب ومن ثم التنبؤ يبدو أن يكون أكثر أو أقل نفس المحتوى تردد (أكثر زيغ زاغي) والبيانات أحاول التنبؤ بها. مرحبا سيباستيان، أرى. وفي حالة التنبؤ بمجموعة بيانات التدريب، يمكن للنموذج الحصول على ملاحظات حقيقية. على سبيل المثال، إذا كنت التنبؤ 5 أوبس المقبل في مكان ما في مجموعة بيانات التدريب، وسوف تستخدم أوبس (t4) للتنبؤ t5 بدلا من التنبؤ (t4). في حالة التنبؤ بعد نهاية بيانات النموذج، فإنه ليس لديها أوبس لجعل التنبؤات (إلا إذا كنت توفير لهم)، فإنه لديه فقط الوصول إلى التنبؤات التي قدمت لخطوات زمنية سابقة. والنتيجة هي مجمع الأخطاء والأشياء تنفجر القضبان بسرعة (توقعات مسطحة). هل هذا يجعل من المنطقي مساعدة جيمس تشانغ 10 فبراير 2017 في 07:42 م شكرا جزيلا لهذا المنصب، جيدة جدا مكتوب لدي سؤال: لذلك استخدمت نهجكم لبناء النموذج، ولكن عندما أحاول التنبؤ البيانات التي هي من خارج العينة، وعلقت على تيست أوبس وتغيير التاريخ. التقدم (أوبس) إلى history. append (يهات)، وحصلت على التنبؤ شقة 8230 لذلك ما يمكن أن يكون السبب وكيف تفعل في الواقع خارج، عينة التنبؤات على أساس نموذج تركيبها على مجموعة البيانات القطار شكرا جزيلا لك كل حلقة في توقعات المتداول يظهر لك كيفية جعل خطوة واحدة للخروج من توقعات العينة. تدريب أريما الخاص بك على جميع البيانات المتاحة والدعوة التنبؤ (). إذا كنت ترغب في تنفيذ توقعات متعددة الخطوات، في الواقع، سوف تحتاج إلى معالجة التوقعات السابقة كما 8220observices8221 واستخدامها للتنبؤات اللاحقة. يمكنك القيام بذلك تلقائيا باستخدام وظيفة التنبؤ (). اعتمادا على المشكلة، هذا النهج في كثير من الأحيان ليست ماهرا (على سبيل المثال توقعات مسطحة). جيمس 16 فبراير، 2017 في 2:03 ص