Datasets:
Vikhrmodels
/
programming_books_rus

Dataset card Data Studio Files
xet
 Community
1
text
stringlengths
0
1.95k
i
x
i
+
=
+
=
-
-
n
x
ˆ
x
1
-
=
n
2
i
h
-
n
1
3.
Сезонный "наивный" метод: прогнозом считаются значения, зафиксированные в те
же самые календарные даты последнего наблюдаемого цикла
период сезонности (например, m = 12 месяцам в году), k = (h - 1)/m + 1.
x
+ =|
ˆ
tht
x
kmhn
-+
, где m –
Как отмечалось выше, одной из альтернатив по отношению к методам
прогнозирования на основе детерминированных моделей является использование
различных процедур аппроксимации. Поскольку многие процессы содержат тенденцию,
сочетающуюся с ярко выраженными сезонными колебаниями, эффективным способом их
описания являются адаптивные сезонные модели, основанные на экспоненциальном
сглаживании. Особенность адаптивных моделей заключается в том, что по мере
поступления новой информации происходит "мягкая" корректировка параметров модели,
их приспособление, адаптация к изменяющимся во времени условиям развития процесса.
Базовая модель с аддитивным сезонным эффектом, предложенная Г. Тейлом и
С. Вейджем (Тейл, 1971), имела вид :
где ft отражает тенденцию развития процесса, gt, gt - 1, ..., gt-k+1 – аддитивные коэффициенты
сезонности; k – количество опорных временных интервалов (фаз) в полном сезонном
цикле; εt – "белый шум".
xt = ft + gt + εt,
263
,
s
++-
mhmt
l
-
-
t
1
-
C. Хольт и его студент П. Винтерс (Holt, 1957; Winters, 1960; цит. по Hyndman et
al., 2008) развили эти идеи и разработали весьма изощренный метод, позволяющий
успешно справляться с среднесрочными и с долгосрочными прогнозами. Модели Хольта-
Винтерса для любой точки ряда последовательно вычисляют сглаженное значение
прогнозируемой величины на основе данных предыдущего периода с учетом тренда и
сезонных изменений. Наиболее полная модель включает уравнение для прогнозирования
и три уравнения для расчета параметров сглаживания: a – для оценки средневзвешенного