如何使用三重指数平滑在 Excel 中进行预测

机器算法验证 预测 擅长 指数平滑
2022-03-30 06:50:41

我一直担负着为我的公司制定预测计划的任务。我没有经验，对整个预测场景非常陌生。截至目前，我的公司没有投资任何预测软件的计划，所以我唯一的工具是 Excel。我自己尝试在网上做一些研究，似乎这种三重平滑方法将是一个很好的资产，但我有点困惑，我想我并不真正理解这些方程。

下面我提供了一件商品 3 年的销售额。我们按周期预测（4 周 = 1 个周期）。所以一年有13个时期。当我们预测时，我们必须预测未来 6 个时期，请帮助我使用三重平滑技术来完成此操作。

Period 10 2009  69,088
Period 11 2009  83,400
Period 12 2009  75,735
Period 13 2009  79,526
Period 01 2010  81,005
Period 02 2010  94,013
Period 03 2010  90,567
Period 04 2010  94,568
Period 05 2010  101,687
Period 06 2010  93,540
Period 07 2010  84,249
Period 08 2010  91,280
Period 09 2010  78,531
Period 10 2010  89,465
Period 11 2010  83,341
Period 12 2010  87,106
Period 13 2010  65,636
Period 01 2011  79,632
Period 02 2011  89,722
Period 03 2011  87,483
Period 04 2011  99,228
Period 05 2011  113,215
Period 06 2011  96,057
Period 07 2011  95,475
Period 08 2011  92,466
Period 09 2011  103,529
Period 10 2011  94,515
Period 11 2011  76,146
Period 12 2011  81,736
Period 13 2011  80,174
Period 01 2012  81,437
Period 02 2012  102,695
Period 03 2012  120,775
Period 04 2012  97,058
Period 05 2012  119,921
Period 06 2012  102,311
Period 07 2012  109,498
Period 08 2012  110,318
Period 09 2012  98,103

Period 10 2012  
Period 11 2012  
Period 12 2012  
Period 13 2012  
Period 01 2013  
Period 02 2013  
Period 03 2013
3个回答

这不是您问题的确切答案，但是...您绝对最好花点时间学习一些 R 基础知识并使用 Rob Hyndman 的预测包之类的东西来做到这一点。这将让您尝试许多强大的预测程序并选择适当的参数，所有这些都在内置良好图形的最先进的计算环境中。

为了让您入门，以下是在 R 中处理您的数据是多么简单。花一点时间来了解您需要在 R 中进行数据管理是值得的，因为它可以让您解决真正的潜在问题如何处理您的时间序列、使用哪些方法、如何处理任何季节性等。

install.packages("forecast", dependencies=TRUE)
library(forecast)

x <- ts(c(69088,83400,75735,79526,81005,94013,90567,94568,101687,93540,84249,
91280,78531,89465,83341,87106,65636,79632,89722,87483,99228,113215,96057,
95475,92466,103529,94515,76146,81736,80174,81437,102695,120775,97058,
119921,102311,109498,110318,98103), frequency=13, start=c(2009, 10))

par(mfrow=c(3,1))
plot(ses(x,6), bty="l")
plot(holt(x,6), bty="l")
plot(hw(x,6), bty="l")

在此处输入图像描述

您的数据可以使用以下形式的季节性模型轻松建模

    Y(T) =  168.16                                                                         
   +[X1(T)][(+ 28.8257)]                 :PULSE           2012/  3
   +[X2(T)][(- 14.3322)]                 :PULSE           2010/ 13
   +[X3(T)][(+ 15.0558)]                 :PULSE           2011/  9
   +[X4(T)][(+ 13.6610)]                 :PULSE           2012/  8
  +     [(1-  .945B** 13)]**-1  [A(T)]

请注意，这只是一个使用 .945 * 13 个周期前的值的方程式，可以重新表述为 y= 9.3 + .945*y(t-13) 。分析提出了 4 个不寻常的点，您可能需要关注这些点来识别任何遗漏的“信息/原因系列”，例如促销/价格活动。

实际拟合和预测的图在此处输入图像描述。在我看来，Peter 的 holt-winter 的附加季节性模型没有捕捉到季节性的原因是他的模型本质上是确定性的而不是自适应的。有时确定性模型是合适的，有时则不是。数据会告诉你哪种型号是合适的。此外，他的 model.procedure 相信 4 个有问题的数据点，而不是挑战它们的“一致性预期”。

未来 7 个时期的预测是

98.59 81.24 86.52 85.05 86.24 106.32 96.17

在此处输入图像描述. 该模型的 r 平方为 0.754，MSE 为 56.7 。这种自动分析是使用我帮助开发的程序 AUTOBOX 获得的。提高预测准确性可以节省资金。希望这可以帮助。

http://www.calstatela.edu/faculty/hwarren/a503/forecast%20time%20series%20within%20Excel.htm 也有季节性 13 希望你喜欢

其它你可能感兴趣的问题
上一篇可以对同一变量进行二叉决策树中的两个或多个拆分吗？ 下一篇两参数 IRT 模型中的区分参数是否仅特定于项目？