На головну

 ПРИКЛАД 2 |  ПРИКЛАД 3 |  ПРИКЛАД 4 |  ПРИКЛАД 5 |  ПРИКЛАД 6 |  ПРИКЛАД 7 |  УЗАГАЛЬНЕННЯ |  ЩО ТАКЕ ПРОГНОЗУВАННЯ? |  ПРОГНОЗНІ НАБЛИЖЕННЯ |  Тимчасові ІНТЕРВАЛИ ПРОГНОЗУВАННЯ |

ПРИКЛАД 3

  1.  III. Приклади фізіологічного будови тварин
  2.  Nbsp; Приклад 7.3 / Змінивши умови прикладу 7.1: відсотки нараховуються 3 рази в рік за ставкою 15% річних і платежі по ренті здійснюються 3 рази в рік.
  3.  UML. Концептуальний рівень. Діаграма класів і правила її побудови. Приклад.
  4.  VII. Тематика випускних кваліфікаційних робіт з дисципліни. (Орієнтовна тематика).
  5.  VII. Тематика випускних кваліфікаційних робіт з дисципліни. (Орієнтовна тематика).
  6.  А раз МЕНЕ БОГА поки з Руху самі вигнали, стали під управління Темряви, то і Буду вам знову Показувати на прикладах - як воно жити без МЕНЕ, без БОГА.
  7.  А тепер відгадайте, хто їй сподобався і хто за нею інтенсивно доглядав? Правильно! Саме він - єдиний алкоголік в клініці. І таких прикладів можна навести безліч.

У січні дилер передбачав лютневий попит для конкретної моделі автомобіля Ford рівним 142. Поточний лютневий попит був 153 автомобіля. Використовуючи ковзаючу постійну ? = 20, ми можемо прогнозувати попит березня з допомогою моделі експоненціального згладжування. Підставляючи а в формулу, ми маємо:

Новий прогноз (для попиту березня) = 142 + .2 (153 - 142) = 144,2.

Таким чином, попит в березні цієї моделі Ford після округлення дорівнює 144.


Константа згладжування ? може бути змінена для додання більшої ваги поточними даними (коли ? висока) або більшої ваги минулим даними (коли ? низька). Для демонстрації цього підходу до ваг рівняння (4.4) може бути переписано алгебраїчно в такій формі:


де сума ваг прагне до 1.

Кожна з цих тимчасових серій проходить п періодів (де п може бути дуже велике); важливо, що минулі періоди зменшуються швидше, коли а зростає. Коли а прагне до 1,0 і досягає 1,0, тоді рівняння (4.5) має вигляд Ft - 1 = 1,0 Аt - 1 . Всі інші значення зникають, і прогноз стає ідентичним найпростішої моделі, описаній раніше в цьому розділі. У цьому випадку прогноз попиту для наступного періоду є точно таким, як попит в поточному періоді.

Попередня таблиця допоможе проілюструвати це положення. Наприклад, коли ? = 5, ми можемо побачити, що новий прогноз базується, головним чином, на попиті в минулі три або чотири періоди. Коли ? = 1, прогноз має малі ваги в поточному і ряді попередніх періодів (близько 19) значень попиту.

Вибір константи згладжування.Метод експоненціального згладжування простий у використанні і може бути успішно застосований в банках, виробничих компаніях, оптової торгівлі та інших організаціях. Визначення значення константи згладжування а може дати відмінності між точним прогнозом і неточним прогнозом. Вибираючи значення константи згладжування, домагаються більш точних прогнозів. Загалом, точність моделі прогнозування може бути визначена порівнянням прогнозного значення з поточним, або спостерігаються, значенням. Помилка прогнозу визначається формулою

Помилка прогнозу = Попит - Прогноз.

Вимірювання всіх помилок прогнозу для моделі є середнім абсолютним відхиленням (MAD). Воно розраховується підсумовуванням абсолютних значення індивідуальних помилок прогнозу і діленням на число періодів даних п:

MAD = [? ¦Ошібкі прогноза¦] / n (4.6)

Розглянемо додаток з тестуванням помилок для двох значень ? в прикладі 4.



 ПРИКЛАД 2 |  ПРИКЛАД 4
© um.co.ua - учбові матеріали та реферати