2.1.1 Forecasting Models [7]Moving

2.1.1 Forecasting Models [7]
Moving Average: The moving average is moving because we look each time at the last N values. All these
values have the same importance.
Exponential Smoothing: All the past data give decreasing weights. The curves correspond to the forecasts
obtained using the exponential smoothing method with a factor
Linear Regression: The regression analysis aims at fitting a straight line in the set of points. Since there are
different ways of fitting the curve, an objective must be selected.
Double Exponential Smoothing: By using an exponential smoothing, decreasing weights will be given to the
data. The goal here is also to determine the model parameters and .
Winters' Method: The method here consists in a triple exponential smoothing by which all the model
parameters are updated when a new observation is obtained.
CMA Method: Two different methods will be described. The first method is CMA stands for centered moving
average. The second method is called triple exponential smoothing or method of Winters.
Seasonal times series: The CMA values can thus be seen as rough estimates of the real demand without
seasonal variation.

ผลลัพธ์ (ไทย) 1:

2.1.1 แบบ [7] การพยากรณ์ค่าเฉลี่ยเคลื่อนที่: ค่าเฉลี่ยเคลื่อนที่เคลื่อนไหว เพราะเราดูแต่ละครั้งค่า N ครั้งสุดท้าย ทั้งหมดเหล่านี้ค่ามีความสำคัญเหมือนกันเนน Smoothing: ข้อมูลทั้งหมดที่ผ่านมาให้น้ำหนักลดลง เส้นโค้งที่สอดคล้องกับการคาดการณ์ใช้วิธีให้เรียบเนน ด้วยปัจจัยถดถอยเชิงเส้น: การวิเคราะห์การถดถอยมีวัตถุประสงค์ที่เหมาะสมเส้นตรงในการตั้งค่าของจุด เนื่องจากมีต้องเลือกวิธีของโค้ง วัตถุประสงค์คู่เนน Smoothing: ใช้เนนเรียบ ลดน้ำหนักจะได้รับการการข้อมูล เป้าหมายของที่นี่ยังเป็นการ ตรวจสอบพารามิเตอร์การจำลอง และการวิธีของฤดูหนาว: วิธีประกอบด้วยเนนเรียบสามโดยที่ทุกรุ่นพารามิเตอร์จะถูกปรับปรุงเมื่อได้รับการตรวจสอบใหม่วิธีการรุ่น: 2 วิธีที่จะกล่าว วิธีแรกคือ รุ่นยืนสำหรับการย้ายศูนย์กลางค่าเฉลี่ย วิธีสองเรียกว่าสามเนนเรียบหรือวิธีของฤดูหนาวเวลาตามฤดูกาลชุด: ค่ารุ่นสามารถมองเห็นจึงเป็นการประมาณการคร่าว ๆ ของความจริงโดยไม่ต้องการเปลี่ยนแปลงตามฤดูกาล

ผลลัพธ์ (ไทย) 2:

2.1.1 แบบการพยากรณ์ [7]
ค่าเฉลี่ยเคลื่อนที่: ค่าเฉลี่ยของการเคลื่อนย้ายที่มีการเคลื่อนไหวเพราะเรามองไปในแต่ละครั้งที่ผ่านมาไม่มีค่า
ทั้งหมดเหล่านี้ค่ามีความสำคัญเหมือนกัน.
เอกมูท: ข้อมูลทั้งหมดที่ผ่านมาให้น้ำหนักลดลง เส้นโค้งที่สอดคล้องกับการคาดการณ์ที่ได้รับโดยใช้วิธีการปรับให้เรียบชี้แจงกับปัจจัยการถดถอยเชิงเส้น: การวิเคราะห์การถดถอยมีจุดมุ่งหมายที่เหมาะสมเป็นเส้นตรงอยู่ในชุดของจุด เนื่องจากมีรูปแบบที่แตกต่างกันของการปรับเส้นโค้งวัตถุประสงค์จะต้องเลือก. คู่เอกมูท: โดยใช้เรียบชี้แจงน้ำหนักลดลงจะได้รับการข้อมูล เป้าหมายที่นี่ยังเป็นในการกำหนดรูปแบบและพารามิเตอร์. ฤดูหนาววิธีการ: วิธีการที่นี่ประกอบไปด้วยในการปรับให้เรียบสามชี้แจงโดยที่ทุกรูปแบบพารามิเตอร์ที่มีการปรับปรุงเมื่อสังเกตใหม่จะได้รับ. ซีเอ็มเอวิธีการ: สองวิธีที่แตกต่างกันจะอธิบาย วิธีแรกคือ CMA ยืนสำหรับการย้ายศูนย์กลางเฉลี่ย วิธีที่สองเรียกว่าเรียบสามชี้แจงหรือวิธีการของฤดูหนาว. ซีรีส์ฤดูกาลครั้ง: ค่า CMA จึงสามารถมองเห็นเป็นประมาณการคร่าวๆของความต้องการที่แท้จริงโดยไม่ต้องเปลี่ยนแปลงตามฤดูกาล