3 Mesi Mobile Media Domanda Previsioni

Moving Average Introduzione Previsione. Come si può immaginare che stiamo guardando alcuni degli approcci più primitive di previsione. Ma si spera che questi sono almeno un'introduzione utile per alcuni dei problemi informatici relativi all'attuazione previsioni nei fogli di calcolo. In questo filone si continuerà avviando all'inizio e iniziare a lavorare con Moving previsioni medie. Spostamento previsioni medie. Tutti conoscono lo spostamento previsioni medie indipendentemente dal fatto che credono di essere. Tutti gli studenti universitari fanno loro tutto il tempo. Pensa ai tuoi punteggi dei test in un corso dove si sta andando ad avere quattro prove durante il semestre. Consente di assumere hai un 85 sul vostro primo test. Che cosa prevedere per il secondo punteggio test Cosa pensi che la tua insegnante di prevedere per il prossimo punteggio test Cosa pensi che i tuoi amici potrebbero prevedere per il prossimo punteggio test Cosa pensi che i tuoi genitori potrebbero prevedere per il prossimo punteggio del test Indipendentemente tutto il blabbing si potrebbe fare ai tuoi amici e genitori, e il vostro insegnante è molto probabile che si aspettano di ottenere qualcosa nella zona del 85 che avete appena ottenuto. Bene, ora lascia supporre che, nonostante la vostra auto-promozione per i tuoi amici, ti sopravvalutare se stessi e capire che si può studiare meno per la seconda prova e così si ottiene un 73. Ora, che sono tutti di interessati e indifferente andare a anticipare avrete sulla vostra terza prova ci sono due approcci molto probabili per loro di sviluppare una stima indipendentemente dal fatto che condivideranno con voi. Essi possono dire a se stessi, quotThis ragazzo è sempre soffia il fumo delle sue intelligenza. Hes andando ad ottenere un altro 73 se hes fortuna. Forse i genitori cercano di essere più solidali e dire, quotWell, finora youve acquistasti un 85 e un 73, quindi forse si dovrebbe capire su come ottenere circa una (85 73) 2 79. Non so, forse se l'avete fatto meno festa e werent scodinzolante la donnola tutto il luogo e se hai iniziato a fare molto di più lo studio si potrebbe ottenere una maggiore score. quot Entrambe queste stime sono in realtà in movimento le previsioni medie. Il primo sta usando solo il tuo punteggio più recente di prevedere le prestazioni future. Questo si chiama una previsione media mobile utilizzando uno periodo di dati. Il secondo è anche una previsione media mobile ma utilizzando due periodi di dati. Lascia supporre che tutte queste persone busting sulla vostra grande mente hanno sorta di voi incazzato e si decide di fare bene sulla terza prova per le proprie ragioni e di mettere un punteggio più alto di fronte al vostro quotalliesquot. Si prende il test e il punteggio è in realtà un 89 Tutti, compreso te stesso, è impressionato. Così ora avete la prova finale del semestre in arrivo e come al solito si sente il bisogno di pungolare tutti a fare le loro previsioni su come youll fare l'ultimo test. Beh, speriamo che si vede il motivo. Ora, si spera si può vedere il modello. Quale credi sia la più accurata Whistle mentre lavoriamo. Ora torniamo alla nostra nuova impresa di pulizie ha iniziato dal sorellastra estraniato chiamato Whistle mentre lavoriamo. Hai alcuni dati di vendita del passato rappresentata dalla sezione seguente da un foglio di calcolo. Per prima cosa presentiamo i dati per un periodo di tre movimento previsione media. La voce per cella C6 dovrebbe essere Ora è possibile copiare questa formula cella verso le altre cellule C7-C11. Si noti come le mosse medi durante il più recente dei dati storici, ma utilizza esattamente i tre periodi più recenti disponibili per ogni previsione. Si dovrebbe anche notare che noi non veramente bisogno di fare le previsioni per i periodi precedenti al fine di sviluppare la nostra più recente previsione. Questo è sicuramente diverso dal modello di livellamento esponenziale. Ive ha incluso il predictionsquot quotpast perché li useremo nella pagina web successiva per misurare la previsione di validità. Ora voglio presentare i risultati analoghi per un periodo di movimento previsione media di due. La voce per cella C5 dovrebbe essere Ora è possibile copiare questa formula cella verso le altre cellule C6-C11. Notate come ora solo i due più recenti pezzi di dati storici sono utilizzati per ogni previsione. Ancora una volta ho incluso il predictionsquot quotpast a scopo illustrativo e per un uso successivo nella convalida del tempo. Alcune altre cose che sono importanti per notare. Per un periodo di m-movimento previsione media solo il m valori dei dati più recenti sono usati per fare la previsione. Nient'altro è necessario. Per un periodo di m-movimento previsione media, quando si effettua predictionsquot quotpast, si noti che la prima previsione si verifica nel periodo m 1. Entrambi questi aspetti sarà molto significativo quando sviluppiamo il nostro codice. Sviluppare la Moving Average funzione. Ora abbiamo bisogno di sviluppare il codice per la previsione media mobile che può essere utilizzato in modo più flessibile. Il codice segue. Si noti che gli ingressi sono per il numero di periodi che si desidera utilizzare nella previsione e la matrice dei valori storici. È possibile memorizzare in qualsiasi cartella di lavoro che si desidera. Media mobile Funzione (storici, NumberOfPeriods) As Single Dichiarazione e inizializzazione delle variabili ARTICOLO Dim come variante Dim contatore come Integer Dim accumulo As Single Dim HistoricalSize come numero intero inizializzazione delle variabili contatore 1 Accumulo 0 Determinazione della dimensione della matrice storica HistoricalSize Historical. Count per il contatore 1 Per NumberOfPeriods accumulare il numero appropriato di più recenti valori precedentemente osservati accumulo accumulazione storica (HistoricalSize - NumberOfPeriods Counter) media mobile accumulo NumberOfPeriods il codice verrà spiegato in classe. Si desidera posizionare la funzione sopra il foglio in modo che il risultato del calcolo appare dove dovrebbe come il following. In praticare la media mobile fornirà una buona stima della media della serie tempo se la media è costante o lentamente variabile. Nel caso di una media costante, il più grande valore di m darà la migliore stima del mezzo sottostante. Un periodo di osservazione più lungo sarà mediare gli effetti della variabilità. Lo scopo di fornire una più piccola m è quello di permettere la previsione di rispondere ad un cambiamento nel processo sottostante. Per illustrare, proponiamo un insieme di dati che incorpora i cambiamenti nel mezzo di base della serie storica. La figura mostra la serie storica utilizzata per l'illustrazione insieme con la domanda media da cui è stata generata la serie. La media inizia come una costante a 10. Partendo tempo 21, aumenta di una unità in ciascun periodo fino a raggiungere il valore di 20 al momento 30. Allora diventa di nuovo costante. I dati vengono simulato aggiungendo alla media, un rumore casuale da una distribuzione normale con media nulla e deviazione standard 3. I risultati della simulazione sono arrotondati all'intero più vicino. La tabella mostra le osservazioni simulate utilizzati per l'esempio. Quando usiamo la tabella, dobbiamo ricordare che in un dato momento, solo i dati del passato sono noti. Le stime del parametro del modello, per tre diversi valori di m sono mostrati insieme con la media della serie storiche nella figura sottostante. La figura mostra la stima media mobile della media in ogni momento e senza la previsione. Le previsioni dovrebbero spostare le curve di media mobile a destra da punti. Una conclusione è immediatamente evidente dalla figura. Per tutte e tre le stime della media mobile è in ritardo rispetto l'andamento lineare, con il ritardo aumenta con m. Il ritardo è la distanza tra il modello e la stima della dimensione temporale. A causa del ritardo, la media mobile sottovaluta le osservazioni come la media è in aumento. La polarizzazione dello stimatore è la differenza in un momento specifico nel valore medio del modello e il valore medio previsto dalla media mobile. La polarizzazione quando aumenta la media è negativo. Per una media decrescente, la polarizzazione è positivo. Il ritardo nel tempo e la distorsione introdotta nella stima sono funzioni di m. Maggiore è il valore di m. maggiore è la grandezza di lag e polarizzazione. Per una serie sempre crescente con andamento a. i valori di ritardo e distorsione dello stimatore della media è data nelle equazioni seguenti. Le curve di esempio non corrispondono queste equazioni, perché il modello di esempio, non è in continuo aumento, piuttosto che inizia come una costante, modifiche a una tendenza e poi diventa di nuovo costante. Anche le curve di esempio sono influenzate dal rumore. La previsione media mobile di periodi nel futuro è rappresentato spostando le curve a destra. Il ritardo e pregiudizi aumentano proporzionalmente. Le equazioni di sotto indicano il ritardo e la polarizzazione di un periodi di previsione nel futuro rispetto ai parametri del modello. Di nuovo, queste formule sono per una serie temporale con un andamento lineare costante. Non dovremmo essere sorpresi di questo risultato. Lo stimatore media mobile è basata sull'ipotesi di una media costante, e l'esempio ha un andamento lineare nel mezzo durante una parte del periodo di studio. Poiché serie tempo reale raramente esattamente obbedire alle ipotesi di qualsiasi modello, dobbiamo essere preparati per tali risultati. Possiamo anche concludere dalla figura che la variabilità del rumore ha il più grande effetto per piccole m. La stima è molto più volatile per la media mobile 5 rispetto alla media mobile di 20. Abbiamo i desideri contrastanti per aumentare m per ridurre l'effetto della variabilità dovuta al rumore, e di diminuire m per rendere la previsione più sensibile alle variazioni in media. L'errore è la differenza tra i dati effettivi e il valore previsto. Se la serie temporale è veramente un valore costante il valore atteso dell'errore è zero e la varianza dell'errore è costituito da un termine che è una funzione di e un secondo termine che è la varianza del rumore,. Il primo termine è la varianza della media stimata con un campione di m osservazioni, assumendo i dati provengono da una popolazione con una media costante. Questo termine viene minimizzato rendendo m più grande possibile. Una grande m rende la previsione risponde ad un cambiamento nelle serie temporali sottostante. Per rendere la previsione sensibile ai cambiamenti, vogliamo M più piccolo possibile (1), ma questo aumenta la varianza dell'errore. previsione pratica richiede un valore intermedio. Previsione con Excel Il componente aggiuntivo Forecasting implementa le formule media mobile. L'esempio seguente mostra l'analisi fornita dal componente aggiuntivo per i dati di esempio nella colonna B. I primi 10 osservazioni sono indicizzati -9 attraverso 0. Rispetto alla tabella di cui sopra, gli indici di periodo sono spostati da -10. I primi dieci osservazioni forniscono i valori di avvio per la stima e vengono utilizzati per calcolare la media mobile per il periodo 0. Il MA (10) della colonna (C) mostra le medie mobili calcolate. La media mobile parametro m è nella cella C3. La parte anteriore (1) colonna (D) mostra una previsione per un periodo nel futuro. L'intervallo di previsione è in cella D3. Quando l'intervallo di tempo viene modificato in un numero maggiore i numeri nella colonna Fore sono spostati verso il basso. La colonna Err (1) (E) mostra la differenza tra l'osservazione e la previsione. Ad esempio, l'osservazione al tempo 1 è 6. Il valore previsto fatta dalla media mobile al tempo 0 è 11.1. L'errore quindi è -5.1. La deviazione standard e media deviazione media (MAD) sono calcolati in celle E6 ed E7 respectively. OR-Notes sono una serie di note introduttive su argomenti che rientrano nella ampia intestazione del campo di operazioni di ricerca (OR). Essi sono stati inizialmente utilizzati da me in un introduttivo o corso do presso l'Imperial College. Essi sono ora disponibili per l'uso con qualsiasi studenti e docenti interessati o soggette alle seguenti condizioni. Un elenco completo degli argomenti disponibili in OR-Notes può essere trovato qui. Esempi Previsione Previsione esempio 1996 UG esame la domanda di un prodotto in ciascuno degli ultimi cinque mesi è mostrato sotto. Utilizzare una media mobile due mesi per generare una previsione per la domanda nel mese 6. Applicare livellamento esponenziale con una costante livellamento del 0,9 per generare una previsione per la domanda per la domanda nel mese 6. Quale di queste due previsioni si preferisce e whythe due mesi in movimento media per mesi 2-5 è dato da: le previsioni per il sesto mese è solo la media mobile per il mese prima che cioè la media mobile per mese 5 m 5 2350. l'applicazione di livellamento esponenziale con una costante livellamento di 0,9 otteniamo: Come prima le previsioni per il mese sei è solo la media per il mese 5 M 5 2386 per confrontare le due previsioni si calcola la media al quadrato la deviazione (MSD). Se facciamo questo troviamo che per la media mobile MSD (15 - 19) sup2 (18 - 23) sup2 (21 - 24) sup23 16,67 e per la media esponenziale lisciato con una costante livellamento di 0,9 MSD (13-17) sup2 (16,60-19) sup2 (18,76-23) sup2 (22,58-24) sup24 10.44 Nel complesso, allora vediamo che livellamento esponenziale sembra dare il meglio un mese di anticipo le previsioni in quanto ha un MSD inferiore. Quindi preferiamo la previsione di 2386 che è stato prodotto da livellamento esponenziale. Previsione esempio 1994 esame UG La tabella seguente mostra la richiesta di un nuovo dopobarba in un negozio per ciascuno degli ultimi 7 mesi. Calcolare una media mobile due mesi per mesi due a sette. Quale sarebbe la vostra previsioni per la domanda nel mese di otto Applicare livellamento esponenziale con una costante livellamento del 0,1 per ricavare una previsione per la domanda nel mese di otto. Quale delle due previsioni per il mese di otto fanno preferisci e perché il negoziante ritiene che i clienti stanno passando a questo nuovo dopobarba da altre marche. Discutere di come si potrebbe modellare questo comportamento di commutazione e indicano i dati che si richiederebbe per confermare se questo passaggio sta avvenendo o meno. La media mobile a due mesi per mesi 2-7 è data da: Le previsioni per il mese di otto è solo la media mobile per il mese prima che cioè la media mobile per il mese 7 m 7 46. L'applicazione di livellamento esponenziale con una costante livellamento di 0,1 noi ottenere: come prima le previsioni per il mese di otto è solo la media per il mese 7 M 7 31.11 31 (come non possiamo avere la domanda frazionaria). Per confrontare le due previsioni si calcola la media al quadrato la deviazione (MSD). Se facciamo questo troviamo che per la media mobile e per la media esponenziale lisciato con una costante livellamento di 0,1 Nel complesso, allora vediamo che la media mobile due mesi sembra dare il meglio un mese di anticipo le previsioni in quanto ha un MSD inferiore. Quindi preferiamo la previsione di 46 che è stato prodotto dalla media mobile a due mesi. Per esaminare il passaggio avremmo bisogno di utilizzare un modello di processo di Markov, dove afferma marche e avremmo bisogno di informazioni allo stato iniziale e il passaggio dei clienti probabilità (dalle indagini). Avremmo bisogno di eseguire il modello sui dati storici per vedere se abbiamo una misura tra il modello e il comportamento storico. Previsione esempio 1992 esame UG La tabella seguente mostra la richiesta di una particolare marca di rasoio in un negozio per ognuno degli ultimi nove mesi. Calcolare una media mobile a tre mesi per mesi tre a nove. Quale sarebbe la vostra previsioni per la domanda nel mese dieci Applicare livellamento esponenziale con una costante livellamento del 0,3 per ricavare una previsione per la domanda nel mese dieci. Quale delle due previsioni per il mese dieci preferisci e perché La media mobile a tre mesi per i mesi da 3 a 9 è data da: Le previsioni per il mese 10 è solo la media mobile per il mese prima che cioè la media mobile per il mese 9 m 9 20.33. Quindi (come non possiamo avere la domanda frazionaria) le previsioni per il mese 10 è 20. L'applicazione di livellamento esponenziale con una costante livellamento di 0,3 otteniamo: Come prima le previsioni per il mese 10 è solo la media per il mese 9 M 9 18.57 19 (come noi non può avere la domanda frazionaria). Per confrontare le due previsioni si calcola la media al quadrato la deviazione (MSD). Se facciamo questo troviamo che per la media mobile e per la media esponenziale lisciato con una costante livellamento di 0,3 Nel complesso, allora vediamo che la media mobile tre mesi sembra dare il meglio un mese di anticipo le previsioni in quanto ha un MSD inferiore. Quindi preferiamo la previsione di 20 che è stato prodotto dalla media mobile di tre mesi. Previsione esempio 1991 esame UG La tabella seguente mostra la richiesta di una particolare marca di fax in un grande magazzino in ciascuno degli ultimi dodici mesi. Calcolare la media mobile di quattro mesi per mesi 4 a 12. Quale sarebbe la vostra previsioni per la domanda nel mese 13 Applicare livellamento esponenziale con una costante livellamento del 0,2 per ricavare una previsione per la domanda nel mese 13. Quale delle due previsioni per il mese 13 fanno preferisci e perché Quali altri fattori, non considerati nel calcolo di cui sopra, potrebbe influenzare la domanda per la macchina di fax nel mese 13 la media mobile a quattro mesi per i mesi da 4 a 12 è data da: m 4 (23 19 15 12) 4 17.25 m 5 (27 23 19 15) 4 21 m 6 (30 27 23 19) 4 24.75 m 7 (32 30 27 23) 4 28 m 8 (33 32 30 27) 4 30,5 m 9 (37 33 32 30) 4 33 m 10 (41 37 33 32) 4 35.75 m 11 (49 41 37 33) 4 40 m 12 (58 49 41 37) 4 46.25 le previsioni per il mese 13 è solo la media mobile per il mese prima che cioè la media mobile per il mese 12 m 12 46.25. Quindi (come non possiamo avere la domanda frazionaria) le previsioni per il mese 13 è 46. L'applicazione di livellamento esponenziale con una costante livellamento di 0,2 otteniamo: Come prima le previsioni per il mese 13 è solo la media per il mese 12 M 12 38,618 39 (come noi non può avere la domanda frazionaria). Per confrontare le due previsioni si calcola la media al quadrato la deviazione (MSD). Se facciamo questo troviamo che per la media mobile e per la media esponenziale lisciato con una costante livellamento di 0,2 Nel complesso, allora vediamo che la media mobile quattro mesi sembra dare il meglio un mese di anticipo le previsioni in quanto ha un MSD inferiore. Quindi preferiamo la previsione di 46 che è stato prodotto dalla media mobile di quattro mesi. domanda di pubblicità variazioni stagionali dei prezzi, sia questa marca e altri marchi generale situazione economica nuova tecnologia Previsione esempio 1989 UG esame La tabella seguente mostra la richiesta di una particolare marca di forno a microonde in un grande magazzino in ciascuno degli ultimi dodici mesi. Calcolare una media mobile di sei mesi per ogni mese. Quale sarebbe la vostra previsioni per la domanda nel mese 13 Applicare livellamento esponenziale con una costante livellamento del 0,7 per ricavare una previsione per la domanda nel mese 13. Quale delle due previsioni per il mese 13 preferisci e perché ora non possiamo calcolare un sei mese media mobile finché non avremo almeno 6 osservazioni - cioè possiamo calcolare solamente un tale media di mese 6 in poi. Quindi abbiamo: m 6 (34 32 30 29 31 27) 6 30.50 m 7 (36 34 32 30 29 31) 6 32,00 m 8 (35 36 34 32 30 29) 6 32.67 m 9 (37 35 36 34 32 30) 6 34.00 m 10 (39 37 35 36 34 32) 6 35.50 m 11 (40 39 37 35 36 34) 6 36.83 m 12 (42 40 39 37 35 36) 6 38.17 le previsioni per il mese 13 è solo la media mobile per la mese prima che cioè la media mobile per il mese 12 m 12 38.17. Quindi (come non possiamo avere la domanda frazionaria) le previsioni per il mese 13 è 38. L'applicazione di livellamento esponenziale con una costante livellamento di 0,7 otteniamo: metodi della serie Time Series Metodi tempo sono tecniche statistiche che fanno uso di dati storici accumulati in un periodo di tempo . metodi di serie storiche per scontato che ciò che è accaduto in passato, continueranno a verificarsi in futuro. Come suggerisce il nome della serie di tempo, questi metodi si riferiscono alla previsione di un solo fattore - il tempo. Essi comprendono la media mobile, livellamento esponenziale, e la linea di tendenza lineare e sono tra i metodi più diffusi per la previsione a corto raggio tra le società di servizi e di produzione. Questi metodi presuppongono che i modelli storici identificabili o tendenze della domanda nel corso del tempo si ripetono. Moving previsione media un tempo di serie può essere semplice come utilizzando domanda nel periodo in corso a prevedere la domanda nel prossimo periodo. Questo è talvolta chiamato una previsione ingenuo o intuitivo. 4 Per esempio, se la domanda è di 100 unità di questa settimana, la previsione per settimane la prossima domanda è di 100 unità se la domanda risulta essere invece 90 unità, quindi la seguente domanda settimane è di 90 unità, e così via. Questo tipo di metodo di previsione non tiene in considerazione il comportamento storico domanda si basa solo su richiesta nel periodo corrente. Esso reagisce direttamente ai normali movimenti casuali della domanda. Il metodo semplice media mobile utilizza diversi valori medi durante il recente passato per sviluppare una previsione. Ciò tende a smorzare o appianare, gli aumenti e diminuzioni casuali di una previsione che utilizza un solo periodo. La media mobile semplice è utile per la previsione della domanda che è stabile e non mostra alcun comportamento domanda pronunciata, come ad esempio una tendenza o andamento stagionale. Le medie mobili vengono calcolati per determinati periodi, come ad esempio tre mesi o cinque mesi, a seconda di quanto il previsore desideri per lisciare i dati relativi alla domanda. Più lungo è il periodo di media mobile, più uniforme sarà. La formula per il calcolo della media mobile semplice è calcolare una media mobile semplice La carta istantanea clip Office Supply Company vende e distribuisce forniture per ufficio per aziende, scuole e agenzie entro un raggio di 50 miglia del suo magazzino. L'azienda di forniture per ufficio è competitivo, e la capacità di consegnare gli ordini prontamente è un fattore di ottenere nuovi clienti e mantenere quelli vecchi. (Uffici in genere non ordine quando corrono a corto di rifornimenti, ma quando sono completamente esauriti. Di conseguenza, hanno bisogno immediatamente i loro ordini.) Il manager della società vuole essere determinati driver abbastanza e veicoli sono a disposizione per consegnare gli ordini prontamente e sono dotati di adeguate scorte in magazzino. Pertanto, il manager vuole essere in grado di prevedere il numero di ordini che si verificheranno nel corso del mese successivo (cioè a prevedere la domanda di fornitura). Da record di ordini di consegna, gestione ha accumulato i seguenti dati per gli ultimi 10 mesi, da cui si vuole calcolare a 3 e 5 mesi medie mobili. Supponiamo che è la fine di ottobre. La previsione derivante sia dal 3- o la media mobile 5 mesi è tipicamente per il mese successivo nella sequenza, che in questo caso è novembre. La media mobile è calcolata dalla domanda di ordini per la prima 3 mesi in sequenza secondo la seguente formula: La media mobile 5 mesi viene calcolato dai precedenti 5 mesi di dati domanda come segue: Il 3 e 5 mesi spostando previsioni medie per tutti i mesi di dati domanda sono riportati nella tabella seguente. In realtà, solo le previsioni per novembre in base alla più recente domanda mensile sarebbe stato utilizzato dal gestore. Tuttavia, le previsioni precedenti per mesi precedenti ci permettono di confrontare le previsioni con la domanda effettiva per vedere come precisa il metodo di previsione è - che è, quanto bene lo fa. Tre e cinque mesi Medie Entrambi spostando le previsioni medie nella tabella precedente tendono ad appianare la variabilità che si verificano nei dati effettivi. Questo effetto lisciatura può essere osservato nella figura seguente in cui le medie di 3 mesi e 5 mesi sono state sovrapposte su un grafico dei dati originali: La media mobile 5 mesi nella figura precedente appiana fluttuazioni in misura maggiore la media mobile a 3 mesi. Tuttavia, la media a 3 mesi riflette più da vicino i dati più recenti disponibili al gestore di forniture per ufficio. In generale, le previsioni che utilizzano il più lungo periodo di media mobile sono più lenti a reagire ai recenti cambiamenti della domanda rispetto a quella che quelle fatte usando più breve periodo medie mobili. I periodi supplementari di dati smorzare la velocità con cui la previsione risponde. Stabilire il numero appropriato di periodi da utilizzare in una previsione media mobile spesso richiede una certa quantità di sperimentazione per tentativi ed errori. Lo svantaggio del metodo della media mobile è che non reagisce alle variazioni che si verificano per un motivo, come cicli e effetti stagionali. I fattori che causano i cambiamenti sono generalmente ignorati. Si tratta essenzialmente di un metodo meccanico, che riflette i dati storici in modo coerente. Tuttavia, il metodo della media mobile ha il vantaggio di essere facile da usare, veloce e relativamente economico. In generale, questo metodo può fornire una buona meteo per il breve periodo, ma non dovrebbe essere spinta troppo lontano nel futuro. Ponderata media mobile Il metodo della media mobile può essere regolata a più riflettere da vicino le fluttuazioni nei dati. Nella ponderata metodo della media mobile, i pesi sono assegnati ai dati più recenti, secondo la seguente formula: I dati domanda di PM Servizi computer (mostrato nella tabella per l'Esempio 10.3) sembra seguire un andamento lineare crescente. L'azienda vuole calcolare una linea di tendenza lineare per vedere se è più preciso del livellamento esponenziale e le previsioni di livellamento esponenziale corretti sviluppati negli esempi 10.3 e 10.4. I valori necessari per i meno calcoli quadrati sono i seguenti: L'utilizzo di questi valori, i parametri per la linea di tendenza lineare sono calcolati come segue: Pertanto, l'equazione linea di tendenza lineare è quello di calcolare una previsione per il periodo 13, siano x 13 nel lineari linea di tendenza: il grafico seguente mostra la linea di tendenza lineare rispetto ai dati effettivi. La linea di tendenza sembra riflettere molto attentamente i dati effettivi - che è, di essere una buona misura - e sarebbe quindi un buon modello di previsione per questo problema. Tuttavia, uno svantaggio della linea di tendenza lineare è che non adattarsi ad un cambiamento di tendenza, come i metodi di lisciatura previsione esponenziali sarà cioè, si presume che tutte le previsioni future seguire una linea retta. Questo limita l'uso di questo metodo per un breve lasso di tempo in cui si può essere relativamente certi che la tendenza non cambierà. Le rettifiche di stagione un andamento stagionale è un aumento ripetitivo e diminuzione della domanda. Molti poste a vista mostrano un comportamento stagionale. le vendite di abbigliamento seguono modelli annuali di stagione, con la domanda di vestiti caldi aumentare in autunno e in inverno e in calo in primavera e in estate, come la richiesta di più freddi aumenta di abbigliamento. La domanda di molti articoli al dettaglio, compresi i giocattoli, attrezzature sportive, abbigliamento, apparecchi elettronici, prosciutti, tacchini, vino e frutta, aumento durante la stagione estiva. Augurali domanda carta aumenta in concomitanza con giornate speciali come San Valentino e la Festa della Mamma. i modelli stagionali possono verificarsi anche su base mensile, settimanale o addirittura giornaliera. Alcuni ristoranti hanno una maggiore domanda di sera che a pranzo o durante il fine settimana in contrasto con i giorni feriali. Traffic - quindi le vendite - a centri commerciali raccoglie il Venerdì e Sabato. Ci sono diversi metodi per riflettere i modelli stagionali in una previsione di serie temporali. Descriveremo uno dei metodi più semplici che utilizzano un fattore stagionale. Un fattore stagionale è un valore numerico che viene moltiplicato per il tempo normale per ottenere una previsione destagionalizzato. Un metodo per sviluppare una domanda di fattori stagionali è di dividere la domanda di ciascun periodo stagionale dalla domanda annua totale, secondo la seguente formula: I fattori stagionali derivano tra 0 e 1.0 sono, in effetti, la porzione di domanda annuale totale assegnati ogni stagione. Questi fattori stagionali vengono moltiplicati per la domanda annua prevista per produrre previsioni adattate per ogni stagione. Calcolo di una previsione con aggiustamenti stagionali Wishbone Farms cresce tacchini di vendere ad una società di lavorazione della carne durante tutto l'anno. Tuttavia, la sua stagione è ovviamente nel corso del quarto trimestre dell'anno, da ottobre a dicembre. Wishbone Farms ha sperimentato la domanda per i tacchini per gli ultimi tre anni indicati nella tabella seguente: Perché abbiamo tre anni di dati relativi alla domanda, siamo in grado di calcolare i fattori stagionali dividendo domanda trimestrale complessivo per i tre anni dalla domanda totale in tutti i tre anni : Avanti, vogliamo moltiplicare la domanda prevista per il prossimo anno, 2000, da ciascuno dei fattori stagionali per ottenere la domanda prevista per ogni trimestre. Per fare questo, abbiamo bisogno di una domanda prevista per il 2000. In questo caso, dal momento che i dati relativi alla domanda della tabella sembrano mostrare una tendenza generalmente in aumento, si calcola una linea di tendenza lineare per i tre anni di dati nella tabella per ottenere un ruvido stima del tempo: Così, la previsione per il 2000 è 58.17, o di 58.170 tacchini. Utilizzando questa previsione annuale della domanda, le previsioni destagionalizzati, SF io, per il 2000 stanno confrontando queste previsioni trimestrali con i valori medi attuali nella tabella, che sembrerebbe essere relativamente buone stime di previsione, che riflette sia le variazioni stagionali dei dati e la tendenza al rialzo generale. 10-12. Come è il metodo della media mobile simile a esponenziale 10-13. Che effetto sul modello di livellamento esponenziale aumentando il costante livellamento hanno 10-14. Come funziona regolato livellamento esponenziale diverso dal esponenziale 10-15. Che cosa determina la scelta della costante di smoothing per trend in rettificato esponenziale modello di livellamento 10-16. Negli esempi del capitolo per i metodi di serie temporali, la previsione di partenza è sempre stato ipotizzato essere la stessa come domanda effettiva nel primo periodo. Suggerire altri modi che la previsione di partenza potrebbe essere derivato nell'uso reale. 10-17. Come funziona il modello di previsione linea di tendenza lineare differisce da un modello di regressione lineare per la previsione 10-18. Del tempo modelli della serie presentate in questo capitolo, tra cui la media mobile media ponderata e in movimento, livellamento esponenziale e regolato livellamento esponenziale, e la linea di tendenza lineare, che si consideri la migliore Perché 10-19. Quali sono i vantaggi regolata livellamento esponenziale avere su una linea di tendenza lineare per domanda prevista che presenta un trend 4 K. B. Kahn e J. T. Mentzer, Previsione di consumo e industriale, The Journal of Business Forecasting 14, n. 2 (estate 1995): 21-28.