Bạn có cái được gọi là nhu cầu không liên tục , nghĩa là một chuỗi thời gian nhu cầu được đặc trưng bởi "nhiều" số không. (Nếu chuỗi thời gian của bạn không phải là nhu cầu mỗi se, hầu hết những gì sau đây vẫn sẽ được áp dụng.) Vì vậy, một tìm kiếm trên web cho "dự báo nhu cầu không liên tục" sẽ hữu ích. Teunter và Duncan (2009, JORS) đưa ra một cái nhìn tổng quan về các phương pháp dự báo nhu cầu không liên tục.
Phương pháp tiêu chuẩn dự báo nhu cầu không liên tục là phương pháp của Croston. Sử dụng làm mịn theo cấp số nhân trong các khoảng thời gian giữa các nhu cầu và trên các kích thước nhu cầu khác không riêng biệt . Dự báo điểm sau đó là tỷ lệ của nhu cầu khác không được làm mịn với khoảng giữa các nhu cầu được làm mịn. Syntetos và Boylan (2001, IJPE) lưu ý rằng Croston hơi thiên vị và đề xuất sửa đổi, nhưng điều này thường không tạo ra nhiều sự khác biệt trong thực tế.
Một thay thế là các mô hình trung bình di chuyển tự động số nguyên (INARMA), điều chỉnh các mô hình chuỗi thời gian ARIMA tiêu chuẩn. Maryam Mohammadipour đã viết một luận án về những điều này.
Cá nhân tôi có nghi ngờ lớn về tính hữu ích của dự báo điểm kỳ vọng như vậy. Một chuỗi thời gian của 1 nhu cầu trong mỗi khoảng thời gian khác có kỳ vọng là 0,5 ... cũng như chuỗi thời gian là 2 nhu cầu trong mỗi khoảng thời gian thứ tư ... và cứ thế - mặc dù những điều này, tất nhiên, ngày càng ít Poisson-y . Tôi cho rằng việc hiểu toàn bộ phân phối nhu cầu trong tương lai (và dự đoán) sẽ hữu ích hơn nhiều. Vì vậy, tôi hoan nghênh bạn tìm kiếm khoảng dự đoán!
Tuy nhiên, công thức bạn tìm thấy chỉ áp dụng cho việc làm mịn theo cấp số nhân trên dữ liệu liên tục , thông qua mô hình ARIMA SES là tối ưu cho. Vì vậy, không thể áp dụng để đếm dữ liệu. Tôi muốn đề xuất rằng bạn nên dự đoán điểm của mình và sử dụng các lượng tử của phân phối Poisson với tham số . Điều này vẫn bỏ qua độ không đảm bảo ước tính tham số (cùng với độ không đảm bảo lựa chọn mô hình, v.v.), nhưng đó là một khả năng đơn giản và có khả năng tốt hơn công thức bạn có.y λ = yα ( n - 2 )y^λ = y^
Shenstone và Hyndman (2005, JoF) lưu ý rằng không có mô hình ngẫu nhiên nhất quán nào mà phương pháp của Croston là tối ưu - tất cả các mô hình ứng cử viên là (1) liên tục, không rời rạc và (2) có thể mang lại giá trị âm. Tuy nhiên, đối với những mô hình ứng cử viên đó, Shenstone và Hyndman cung cấp các khoảng dự đoán.
Cuối cùng, một lời cảnh báo: không sử dụng MAD để đánh giá tính chính xác của dự báo dữ liệu đếm, đặc biệt là không cho các nhu cầu không liên tục. MAD dự kiến được tối thiểu hóa bởi trung vị phân phối trong tương lai của bạn, không phải ý nghĩa của nó và nếu bạn viết rằng 65% dữ liệu của bạn là số không, thì trung vị bằng 0 ... ngụ ý rằng bạn có thể sẽ nhận được MAD thấp nhất bằng một căn hộ không dự báo, đó là thiên vị xấu và có khả năng vô dụng. Đây là một bài trình bày tôi đã trình bày tại Hội nghị quốc tế năm ngoái về Dự báo về vấn đề này. Hoặc nhìn vào Morlidge (2015, Tầm nhìn xa) .
Phần cuối cùng của việc tự quảng cáo không biết xấu hổ: Tôi có một bài viết trong IJF (Kolassa, 2016) trong đó xem xét dự báo dữ liệu đếm khối lượng thấp (chủ yếu là không liên tục), ở các biện pháp chính xác khác nhau và các phương pháp dự báo khác nhau, bao gồm cả các mô hình Poisson khác nhau. Điều này có thể hữu ích cho bạn.