Главная
АИ #18 (148)
Статьи журнала АИ #18 (148)
Прогнозирование временных рядов на основе различных методов

Прогнозирование временных рядов на основе различных методов

Автор(-ы):

Лян Юй

2 мая 2023

Секция

Экономика и управление

Ключевые слова

эконометрика
авторегрессия
прогнозирование
временные ряды
систематизация
международный бизнес

Аннотация статьи

В данной статье проводится анализ системы и подходов авто регрессионного и эконометрического прогнозирования на основе различных методов и подходов к данному процессу. Анализ позволяет выяснить принципы регулирования системы авторегрессии для будущего прогнозирования рынка электромобилей. В рамках заключения к данной статье делаются выводы о возможностях использования данного подхода для различных авторских целей.

Текст статьи

Авторегрессивная модель (AR-модель) – это статистический метод обработки временных рядов. Он использует производительность предыдущих периодов той же переменной, чтобы предсказать производительность переменной в текущем периоде и предположить, что они линейны. Поскольку это происходит из линейной регрессии в регрессионном анализе, он используется не для прогнозирования других переменных, а для прогнозирования себя,

Преимущество метода авторегрессивности заключается в том, что требуется не так много данных, и его можно предсказать по собственной переменной последовательности. Однако этот метод ограничен определенными ограничениями [3].

Он должен иметь автокорреляцию, и коэффициент автокорреляции является ключевым. Если коэффициент автокорреляции (R) меньше 0,5, его нецелесообразно использовать, в противном случае результаты прогнозирования крайне неточны.

Саморегрессия может быть использована только для прогнозирования экономических явлений, связанных с самим собой на ранней стадии, то есть экономических явлений, на которые сильно влияют их собственные исторические факторы, такие как объем добычи шахт, производство различных природных ресурсов и т. д. Для экономических явлений, на которые сильно влияют социальные факторы, нецелесообразно принимать Модель [4].

Методы прогнозирования, как правило, делятся на качественное прогнозирование, прогнозирование временных рядов и прогнозирование причинно-следственной модели.

  1. Качественный метод прогнозирования – это метод синтеза и прогнозирования соответствующих данных с помощью методов систематического и логического мышления, опираясь на человеческий опыт и аналитические способности, а также используя систематический и логический образ мышления. Качественные методы прогнозирования включают в себя метод Дельфи, метод субъективного прогнозирования вероятности, метод прогнозирования суждения и другие методы.
  2. Метод прогнозирования временных рядов основан на прошлой статистике предиктора, находит закон его изменения с течением времени и устанавливает модель времени для оценки будущих значений. Основная идея заключается в том, что закон перемен в прошлом будет продолжаться в будущем, то есть будущее – это продолжение прошлого. Методы прогнозирования временных рядов включают в себя сглаживание временных рядов, экстраполяцию трендов, прогнозирование сезонных изменений и другие детерминистические методы прогнозирования временных рядов, а также метод Маркова и методы прогнозирования случайных временных рядов.
  3. Метод прогнозирования причинно-следственной связи заключается в анализе объекта, подлежащем прогнозированию с другими соответствующими факторами, формулировании модели, которая выявляет причинно-следственную связь, а затем прогнозирует в соответствии с моделью. Методы прогнозирования причинно-следственный анализ включают прогноз регрессионного анализа, эконометрическую модель, прогнозирование затрат и вывода и т. д. Поскольку прогнозирование временных рядов и прогнозирование причинно-следственной модели основаны на статистике и используют статистические методы для прогнозирования, иногда их коллективно называют статистическим прогнозированием [3].

Общие методы анализа и прогнозирования следующие:

  1. Метод инвестиционного анализа. Это распространенный метод, используемый аналитиками рынка.
  2. Анализ временных рядов. Этот метод в основном предсказывает будущие изменения путем установления моделей идентификации корреляции временных рядов между составными индексами, такими как модель авторегрессивной скользящей средней (ARMA) и однородная нестационарная модель (ARIMA).
  3. Метод прогнозирования нейронных сетей. Нейронная сеть – это новейший метод анализа временных рядов.
  4. Другие методы прогнозирования. Качественные методы прогнозирования, такие как экспертная оценка и исследование рынка, сезонные изменения, метод Маркова и дискриминантный анализ.

Существует много типов регрессионного анализа и методов прогнозирования. Согласно различным классификациям количества независимых переменных в корреляционном соотношении, его можно разделить на метод прогнозирования одномерного регрессионного анализа и метод прогнозирования множественного регрессионного анализа. В методе прогнозирования унарного регрессионного анализа есть только одна независимая переменная, в то время как в методе прогнозирования многомерного регрессионного анализа существует более двух независимых переменных. В соответствии с корреляцией между независимыми переменными и зависимыми переменными ее можно разделить на предсказание линейной регрессии и прогнозирование нелинейной регрессии.

Этапы регрессионного анализа и метода прогнозирования [2].

1. Определить самопеременную и зависимую переменную в соответствии с прогнозируемой целью.

Конкретная цель четкого прогнозирования также определяет зависимую переменную. Если конкретной целью прогноза является объем продаж на следующий год, то объем продаж Y является зависимой переменной. С помощью маркетинговых исследований и данных найдите соответствующие влияющие факторы, связанные с прогнозируемой целью, то есть самопеременными, и выберите из них основные влияющие факторы.

2. Создать модель прогнозирования регрессии.

На основе исторической статистики независимых переменных и зависимых переменных на этой основе установлено уравнение регрессионного анализа, то есть модель прогнозирования регрессионного анализа.

3. Провести соответствующий анализ.

Регрессионный анализ – это математический статистический анализ и обработка факторов с причинно-следственной связью (самопеременные) и предсказанными объектами (переменными причин). Только когда переменная имеет определенную связь с зависимой переменной, уравнение регрессии может иметь смысл. Таким образом, фактор как независимая переменная связан с тем, является ли он предсказанным объектом зависимой переменной, степенью корреляции и степенью понимания этой корреляции стали проблемой, которая должна быть решена для регрессионного анализа. Для соответствующего анализа, как правило, необходимо определить степень корреляции между независимой переменной и зависимой переменной по размеру корреляционного числа [2].

4. Проверить модель прогнозирования регрессии и рассчитайте ошибку прогнозирования.

Можно ли использовать модель прогнозирования регрессии для фактического прогнозирования, зависит от проверки модели прогнозирования регрессии и расчета ошибок прогнозирования. Только пройдя различные тесты и ошибка предсказания невелика, уравнение регрессии может быть предсказано как модель прогнозирования.

5. Рассчитать и определите прогнозное значение.

Используйте модель прогнозирования регрессии для расчета значения прогноза и всестороннего анализа значения прогноза для определения конечного значения прогноза.

Проблемы, на которые следует обратить внимание при применении метода прогнозирования регрессии.

При применении метода прогнозирования регрессии необходимо сначала определить, существует ли корреляция между переменными. Если нет корреляции между переменными, применение прогноза регрессии к этим переменным даст неправильные результаты.

При правильном применении регрессионного анализа и прогнозирования следует обратить внимание на:

  1. Используйте качественный анализ, чтобы оценить зависимость между явлениями;
  2. Избегайте произвольной экстраполяции прогнозирования возврата;
  3. Примените подходящие данные.

1. Случайный анализ регрессионного анализа и метода прогнозирования.

Рассмотрим пример развития компании Xintian.

Компания Xintian, полностью известная как Xintian Motorcycle Manufacturing Co., Ltd., была основана в марте 1992 года [1].

В то время в городе Сишань (также известном в то время как округ Уси) было два поселковых предприятия, производящих мотоциклы: мотоциклетный завод Jetta в городе Чацяо и мотоциклетный завод Yasi в городе Лу В 9л и 1992 годах можно сказать, что эти два завода находятся в середине дня, но эти два завода имеют свои собственные характеристики: мотоциклетный завод Yaxi полностью производится независимо, а все другие аксессуары, кроме двигателей, производятся фабрикой; мотоциклетный завод Jetta является сборочным заводом, а аксессуары производятся другими производителями, и завод только собирается (позже превратился в непрерывное распространение).

Комплексные предприятия со всеми мотивами). В то время Гу Цзяньсинь был только поставщиком и продавцом деревенского предприятия. Он был нацелен на перспективы развития мотоциклетной промышленности, поэтому изо всех сил старался связаться с Jetta Factory. С марта 1992 года он выпустил две модели амортизаторов для завода Jetta. Название завода – Wuxi Shock Absorber Factory, тем самым начав путь развития [4].

С момента своего создания завод амортизаторов быстро развивался с непрерывным ростом ежегодного производства мотоциклов на мотоциклетном заводе Jetta. К июню 1994 года у Гу Цзяньсиня, наконец, появилась отличная возможность: отдел продаж мотоциклетного завода Jetta и продавец мотоциклов Jetta произвели щит, поэтому продавец мотоциклов Jetta пообещал Гу Цзяньсиню, что если Гу Цзяньсинь также сможет производить мотоциклы того же качества, что и Jetta, они будут находиться на тех же условиях. Приоритет будет отдан продаже недавно произведенных мотоциклов Гу Цзянь. С этим обязательством Гу Цзяньсинь основал Xintian Motorcycle Manufacturing Co., Ltd. в январе 1994 года и начал производить мотоциклы Xintian.

После создания компании Xintian под руководством главных инженеров г-на Гу и Куан Цзяньчжуна начался сложный предпринимательский процесс. После более чем шести лет борьбы компания Salary Tian, наконец, выросла с небольшого завода численностью более 20 человек до более чем 400 рабочих сегодня, более 200 мотоциклов Nissan и годовой прибылью более 20 человек. Аксессуары мотоциклов Xintian, включая двигатели, предприятия группы в 1 миллион юаней независимо производятся предприятием [3].

Компания Xintian в настоящее время является группой предприятий. В дополнение к штаб-квартире компании (фабрика по сборке) есть также независимые отделы, такие как заводы амортизаторов, заводы двигателей, заводы по производству пластиковых деталей, каркасные мастерские, мастерские топливных баков, распылительные мастерские и т. д. [1].

В конце 1999 года, из-за все более жесткой конкуренции на рынке мотоциклов, модель продаж Xintian перешла с агентской системы на систему продаж персонала (компания напрямую отправляет торговый персонал в города, чтобы отвечать за работу по продажам каждого города), чтобы уменьшить промежуточное звено и обеспечить конкурентоспособность продукции компании на всем рынке мотоциклов.

В то же время, в связи с изменением модели продаж, это также привело к изменениям в режиме производства: в прошлом производство было организовано по количеству заказов агентов в разных местах, но теперь производство должно быть организовано в соответствии с ситуацией с продажами и ожиданиями будущих продаж, что создает большие трудности в организацию производства предприятий.

2. Исторические данные о продажах компании Xintian и проблемах, которые необходимо решить

Компания Xintian добилась быстрого развития с момента своего создания в 1994 году, что видно из данных о продажах компании Xintian на протяжении многих лет. Прилагаемая ниже таблица представляет собой данные о продажах ведущих продуктов Xintian.

Ситуация с производством и продажами компании Xintian все еще относительно хорошая. Вообще говоря, она идет вверх, но продажи некоторых моделей также имеют тенденцию к снижению. В то же время все еще есть некоторые проблемы, которые не видны из данных о продажах.

Поскольку компания внедрила систему продаж персонала из-за неточной оценочной стоимости продаж, часто бывают случаи, когда работники не могут догнать доставку из-за предполагаемой ожидаемой стоимости продаж, а работники дежурят, но им нечего делать. Генеральный директор Гу Цзяньсинь и другие руководители компании также обнаружили эту проблему и нашли причину, но она не могла быть решена по техническим причинам. Поэтому насущная проблема, которую компания Xintian срочно должна решить, заключается в том, как сделать точные и осуществимые прогнозы продаж, чтобы обеспечить нормальную работу компании.

Таким образом, Метод прогнозирования регрессионного анализа является своего рода относительно классическим и практическим методом прогнозирования. Именно потому, что он классический, поэтому он зрелый. Кроме того, его легче понять и широко использовать. Напротив, более широко используются методы прогнозирования линейной регрессии и нелинейного прогнозирования регрессии [3].

В процессе фактического использования, если данные могут быть более подробно проанализированы при выборе конкретных методов и моделей, а наблюдение и анализ графов рассеяния также могут быть более осторожными, результаты прогнозирования также будут более удовлетворительными. Конечно, самая большая особенность регрессионного анализа заключается в том, что это неизбежно случайно, но реальная ситуация часто постоянно меняется. Иногда влияние случайных факторов превысит необходимость.

В настоящее время результаты прогнозирования не могут быть очень удовлетворительными. Это требует, чтобы он не мог быть механическим в работе по прогнозированию, гибким в использовании и обращать внимание на понимание, что Случайная ситуация с результатами заключается в том, чтобы правильно скорректировать результаты прогноза, чтобы результаты прогноза были ближе к реальности, а прогноз мог лучше служить экономическому строительству.

Список литературы

  1. Ло Фанцюн, У Чуньмэй. Обзор теории и применения анализа временных рядов [J]. Журнал Лючжоуского нормального университета, 2019.
  2. Методы анализа временных рядов [Электронный ресурс] Режим доступа: https://baike.sogou.com/v693050.htm?ch=ch.bk.innerlink
  3. Анализ временных рядов: принципы и системы [Электронный ресурс] Режим доступа: https://baike.baidu.com/item/时间序列分析/8724605?fr=aladdin
  4. Система анализа в среде Python [Электронный ресурс] Режим доступа: https://baijiahao.baidu.com/s?id=1711018933211467420&wfr=spider&for=pc

Поделиться

311

Лян Ю.. Прогнозирование временных рядов на основе различных методов // Актуальные исследования. 2023. №18 (148). Ч.II.С. 52-55. URL: https://apni.ru/article/6106-prognozirovanie-vremennikh-ryadov-na-osnove

Похожие статьи

Другие статьи из раздела «Экономика и управление»

Все статьи выпуска
Актуальные исследования

#25 (207)

Прием материалов

15 июня - 21 июня

осталось 5 дней

Размещение PDF-версии журнала

26 июня

Размещение электронной версии статьи

сразу после оплаты

Рассылка печатных экземпляров

5 июля