भारित चलती - औसत - विधि - ऑफ-द पूर्वानुमान

भारित चलती औसत मॉडल पूर्वानुमान रणनीति में 14, हर ऐतिहासिक मूल्य का भारोत्तोलन पूर्वानुमान प्रोफ़ाइल में भारोत्स्तय समूह से एक भारित है। वेटेड मूविंग औसत के लिए फॉर्मूला। भारित मूविंग औसत मॉडल आपको वर्तमान ऐतिहासिक डेटा को अधिक भारी औसत का निर्धारण करते समय पुराने आंकड़े आप यह करते हैं कि अगर हालिया डेटा भविष्य की मांग का अधिक प्रतिनिधि है तो पुराने आंकड़ों की तुलना में अधिक होगा इसलिए, सिस्टम स्तर में बदलाव के लिए और अधिक तेज़ी से प्रतिक्रिया कर सकता है। इस मॉडल की सटीकता काफी हद तक निर्भर करती है भारोत्तोलक कारकों की आपकी पसंद यदि समय श्रृंखला के पैटर्न में परिवर्तन होता है, तो आपको भारिंग कारकों को भी अनुकूलित करना चाहिए। जब ​​एक भारोत्तोलन समूह बनाते हैं, तो आप भारित कारकों को प्रतिशत के रूप में दर्ज करते हैं भारित कारकों का योग 100 होनी नहीं है। पूर्व पद भविष्यवाणी की गणना इस पूर्वानुमान की रणनीति से की जाती है। चलती औसत और भारित चलती औसत के बीच अंतर क्या है। कीमतों के आधार पर 5-अवधि की चलती औसत। उपरोक्त, निम्न सूत्र का उपयोग करके गणना की जाएगी। ऊपर समीकरण पर आधारित, ऊपर सूचीबद्ध अवधि के औसत मूल्य 90 66 चलती औसत का उपयोग करना मजबूत मूल्य में उतार-चढ़ाव को दूर करने के लिए एक प्रभावी तरीका है महत्वपूर्ण सीमा यह है कि पुराने डेटा से डेटा अंक डेटा सेट की शुरुआत के निकट डेटा पॉइंट्स की तुलना में किसी भी अलग तरह से भारित नहीं किया जाता है यह वह जगह है जहां भारित मूविंग एल्स प्ले में आती हैं। वे औसत दर्जे से अधिक वर्तमान डेटा बिंदुओं को भारी भार देते हैं क्योंकि वे दूर के समय में डेटा पॉइंट से अधिक प्रासंगिक हैं। भार को 1 या 100 तक जोड़ना चाहिए सरल चलती औसत के मामले में, वेटिंग समान रूप से वितरित की जाती है, यही वजह है कि वे ऊपर तालिका में नहीं दिखाए जाते हैं। एएपीएल की कीमत को बंद करना। सबसे आसान तरीका औसत लेना होगा जनवरी से मार्च तक और अप्रैल के बिक्री का अनुमान लगाने के लिए उपयोग करते हैं। 12 9 134 122 3 128 333. हां, मार्च के माध्यम से जनवरी के बिक्री के आधार पर, आप अनुमान लगाते हैं कि अप्रैल में बिक्री 128,333 होगी, जब एक बार अप्रैल की वास्तविक बिक्री आती है, तो आप मई के पूर्वानुमान के लिए फरवरी से फरवरी का उपयोग करेंगे आपको औसत पूर्वानुमान लगाने के लिए उपयोग की जाने वाली समयावधि के अनुरूप होना चाहिए. आप अपने चलती औसत पूर्वानुमानों में उपयोग की जाने वाली समयावधि में मनमाना हैं, आप अपने पूर्वानुमानों को उत्पन्न करने के लिए केवल दो-अवधि या पांच या छह अवधि का उपयोग कर सकते हैं। उपरोक्त दृष्टिकोण एक सरल चलती औसत है, कभी-कभी, हाल के महीनों की बिक्री आने वाले महीनों की बिक्री के प्रभावशाली प्रभावशाली हो सकती है, इसलिए आप अपने पूर्वानुमान मॉडल में उन महीनों के अधिक वजन देना चाहते हैं यह एक भारित चलती औसत है और ये संख्या समय के लिए, आपके द्वारा जो वजन सौंपा जाता है वह विशुद्ध रूप से मनमाना है चलो कहते हैं कि आप मार्च की बिक्री 50 वजन, फरवरी के 30 वजन और जनवरी 20 को देना चाहते हैं। फिर अप्रैल के लिए आपका पूर्वानुमान 127,000 122 50 134 30 12 9 20 127. एल होगा मूविंग औसत तरीकों की नकल औसत स्थानांतरित करना एक चिकनाई अनुमान तकनीक माना जाता है क्योंकि आप समय के साथ औसत ले रहे हैं, आप डेटा के भीतर अनियमित घटनाओं के प्रभाव को नरम कर रहे हैं या चौरसाई कर रहे हैं, नतीजतन, ऋतु, व्यवसाय चक्र और अन्य के प्रभाव यादृच्छिक घटनाओं में नाटकीय रूप से पूर्वानुमान की भविष्यवाणी में वृद्धि हो सकती है एक पूर्ण वर्ष के मूल्य के आंकड़ों पर एक नज़र डालें और 3-अवधि की चलती औसत और 5-अवधि की चलती औसत की तुलना करें.इस उदाहरण में मैंने पूर्वानुमान नहीं बनाया, बल्कि केंद्रित चलती औसत: पहली 3 महीने की चलती औसत फरवरी के लिए है, और यह जनवरी, फरवरी और मार्च की औसत है I 5 माह की औसत के लिए भी इसी तरह की है अब निम्न चार्ट पर एक नज़र डालें.तुम क्या देख रहे हो नहीं तीन महीने चलती औसत श्रृंखला वास्तविक बिक्री श्रृंखला की तुलना में बहुत चिकनी और कैसे के बारे में पांच महीने चलती औसत यह भी चिकनी है, इसलिए अधिक समय आप अपने चल औसत पर उपयोग करते हैं, चिकनी अपने समय इसलिए, भविष्यवाणी के लिए, एक सरल चलती औसत सबसे सटीक तरीके नहीं हो सकता है औसत तरीकों को आगे बढ़ाना काफी मूल्यवान साबित होता है जब आप अधिक उन्नत पूर्वानुमान विधियों के लिए समय-सीमा के मौसमी, अनियमित और चक्रीय घटक निकालने की कोशिश कर रहे हैं, जैसे प्रतिगमन और एआरआईएमए, और समय श्रृंखला को कमजोर करने में औसत बढ़ने के उपयोग को बाद में श्रृंखला में संबोधित किया जाएगा। एक मूविंग औसत मॉडल की शुद्धता को निर्धारित करना। सामान्यतया, आप एक पूर्वानुमान की विधि चाहते हैं जिसमें वास्तविक और पूर्वानुमानित परिणामों के बीच कम से कम त्रुटि है पूर्वानुमान सटीकता का सबसे आम उपाय मतलब पूर्ण निरंतरता है, इस दृष्टिकोण में, समय अवधि में प्रत्येक अवधि के लिए जिसके लिए आपने पूर्वानुमान उत्पन्न किया था, आप उस अवधि के वास्तविक और पूर्वानुमानित मानों के विचलन के बीच अंतर का पूर्ण मूल्य लेते हैं आप उन निरपेक्ष विचलनों की औसतता प्राप्त करते हैं और आप एक औसत अंक प्राप्त कर सकते हैं, जो आपको औसत की अवधि, और या उससे अधिक की संख्या पर निर्णय लेने में सहायक हो सकता है सामान्यतया, आप सबसे कम एमएडी में से एक का चयन करते हैं, जो कि मैड की गणना की जाती है। एमएडी केवल 8, 1 और 3 की औसत है। औसत की गणना औसत के लिए चलती औसत का उपयोग करते समय याद रखें। औसत की औसत सरल या भारित हो सकती है। आप अपने औसत के लिए उपयोग की जाने वाली समयावधि की संख्या, और आपके द्वारा दिए गए किसी भी वज़न सख्ती से मनमाने तरीके से होते हैं। मॉलिंग की औसत समय श्रृंखला डेटा में अनियमित पैटर्न को आसान बनाता है, जितनी अधिक समय के लिए उपयोग किया जाता है प्रत्येक डेटा बिंदु, अधिक से अधिक चौरसाई प्रभाव। चूंकि चौरसाई के कारण, अगले महीने की बिक्री के पूर्वानुमान के अनुसार हाल के कुछ महीनों की बिक्री के परिणामस्वरूप मौसम में होने वाली चकाचौंध, और अनियमित पैटर्न के कारण बड़े विचलन का परिणाम हो सकता है। और चौरसाई क्षमताओं चलती औसत विधि का अधिक उन्नत पूर्वानुमान विधियों के लिए समय श्रृंखला को कमजोर करने में उपयोगी हो सकता है। अगला सप्ताह घातीय चिकनाई अगले सप्ताह के पूर्वानुमान में शुक्रवार को हम घातीय चौरसाई विधियों पर चर्चा करेंगे , और आप देखेंगे कि वे औसत पूर्वानुमानकारी विधियों को आगे बढ़ने से कहीं ज्यादा बेहतर हो सकते हैं। अभी भी पता नहीं क्यों गुरुवार को हमारे पूर्वानुमान शुक्रवार के पदों पर दिखाई देते हैं। बाहर का पता लगाएं। पोस्ट नेविगेशन। एक उत्तर दें छोड़ दो उत्तर दें। मेरे पास 2 प्रश्न हैं .1 क्या आप पूर्वानुमानित करने के लिए केन्द्रित एमए दृष्टिकोण का उपयोग करें या सिर्फ मौसमी को हटाने के लिए .2 जब आप साधारण टी टी -1 टी -2 टीके के एमए का उपयोग करते हैं, तो एक अवधि का पूर्वानुमान करने के लिए, क्या संभव है कि 1 से अधिक अवधि की भविष्यवाणी करना संभव है, तो मैं अनुमान लगाता हूं अगली में खिलाने वाले अंक में से एक होगा। धन्यवाद, जानकारी और आपके स्पष्टीकरणों को प्यार करो। मुझे आपको खुशी है कि ब्लॉग मुझे पसंद है मुझे यकीन है कि कई विश्लेषकों ने पूर्वानुमान के लिए केन्द्रित एमए दृष्टिकोण का इस्तेमाल किया है, लेकिन मैं व्यक्तिगत रूप से उस दृष्टिकोण के परिणाम दोनों छोर पर अवलोकन की हानि में यह वास्तव में तब आपके दूसरे प्रश्न में संबंध है आम तौर पर, साधारण एमए का उपयोग केवल एक अवधि का पूर्वानुमान करने के लिए किया जाता है, लेकिन कई विश्लेषकों और मैं भी कभी-कभी मेरे एक अवधि के पूर्वानुमान का उपयोग एक इनपुट के रूप में करेंगे दूसरी अवधि आगे यह एस याद रखना जरूरी है कि भविष्य में आप पूर्वानुमान करने का प्रयास करेंगे, भविष्य की त्रुटि के अधिक से अधिक जोखिम यही कारण है कि मैं अंत में टिप्पणियों के नुकसान की भविष्यवाणी करने के लिए केन्द्रित एमए की सिफारिश नहीं करता, इसका अर्थ है कि खोए गए अवलोकन के पूर्वानुमान के लिए भरोसा करना, साथ ही साथ अवधि भी आगे बढ़ रही है, इसलिए पूर्वानुमान त्रुटि की अधिक संभावना है। आप इस पर तौलना करने वाले रेडरों को आमंत्रित करते हैं। क्या आपके पास इसके बारे में कोई विचार या सुझाव है। ब्रायन, आपकी टिप्पणी के लिए धन्यवाद और ब्लॉग पर आपकी प्रशंसा। पहल और अच्छा स्पष्टीकरण यह वास्तव में उपयोगी है.मैं एक ग्राहक के लिए कस्टम मुद्रित सर्किट बोर्डों का पूर्वानुमान करता हूं जो किसी भी पूर्वानुमान को नहीं देता है, मैंने चलती औसत का इस्तेमाल किया है, हालांकि यह बहुत सटीक नहीं है क्योंकि उद्योग ऊपर और नीचे जा सकता है हम बीच के मध्य की ओर देखते हैं गर्मियों की साल के अंत तक शिपिंग है कि पीसीबी एस ऊपर है तो हम साल की शुरुआत में देखते हैं कि नीचे कैसे धीमा हो जाता है मैं अपने डेटा के साथ और अधिक सटीक कैसे हो सकता हूं। कैटरीना, जो आपने मुझसे कहा था, यह आपकी मुद्रित सर्किट बोर्ड की बिक्री एक मौसमी घटक है, मैं कुछ अन्य पूर्वानुमानों में शुक्रवार को मौसम का पता लगाता हूं, आप एक और दृष्टिकोण का उपयोग कर सकते हैं जो आप उपयोग कर सकते हैं, जो बहुत आसान है, होल्ट-विंटर्स एल्गोरिथ्म है, जो खाते की मौसमी स्थिति में ले जाता है आप इसे का एक अच्छा स्पष्टीकरण पा सकते हैं यह निर्धारित करने के लिए कि क्या आपके मौसमी पैटर्न गुणनीय या योजक हैं, क्योंकि प्रत्येक के लिए एल्गोरिदम थोड़ी अलग है यदि आप कुछ वर्षों से अपने मासिक डेटा को साजिश करते हैं और देखें कि वर्ष के एक ही समय में मौसमी विविधताएं वर्ष भर निरंतर लगती हैं, तो ऋणात्मकता जोड़ती है यदि समय के साथ मौसमी विविधताएं बढ़ रही हैं, तो ऋतुमान गुणात्मक होता है सबसे मौसमी समय श्रृंखला गुणात्मक होगी यदि संदेह में, गुणात्मक शुभकामनाएँ ग्रहण करें। वहां, वहां उन तरीकों के बीच नवे का पूर्वानुमान लंबाई k या तो भारित चल औसत औसत या एक्सपेंनेशन चौरसाई जो उन मॉडलों को अद्यतन करने में से एक है जिनका उपयोग मुझे forecas डेटा के लिए मेरी राय के लिए, मैं औसत मूविंग के बारे में सोच रहा हूं लेकिन मुझे यह नहीं पता कि यह कैसे स्पष्ट और संरचित है। यह वास्तव में आपकी डेटा की मात्रा और गुणवत्ता पर निर्भर करता है और आपके पूर्वानुमान वाले क्षितिज दीर्घकालिक, मध्य अवधि , या अल्पकालिक।