Mô hình chuỗi thời gian tập hợp

Tôi cần tự động hóa dự báo chuỗi thời gian và tôi không biết trước các tính năng của chuỗi đó (tính thời vụ, xu hướng, tiếng ồn, v.v.).

Mục đích của tôi không phải là để có được mô hình tốt nhất có thể cho mỗi loạt, mà là để tránh các mô hình khá xấu. Nói cách khác, để có được lỗi nhỏ mỗi lần không phải là vấn đề, nhưng thỉnh thoảng lại gặp lỗi lớn.

Tôi nghĩ rằng tôi có thể đạt được điều này bằng cách kết hợp các mô hình được tính toán với các kỹ thuật khác nhau.

Đó là, mặc dù ARIMA sẽ là cách tiếp cận tốt nhất cho một loạt cụ thể, nhưng nó có thể không phải là cách tốt nhất cho một loạt khác; tương tự cho làm mịn theo cấp số nhân.

Tuy nhiên, nếu tôi kết hợp một mô hình từ mỗi kỹ thuật, ngay cả khi một mô hình không tốt, mô hình kia sẽ đưa ước tính gần hơn với giá trị thực.

Người ta biết rằng ARIMA hoạt động tốt hơn đối với các chuỗi hoạt động tốt trong thời gian dài, trong khi làm mịn theo cấp số nhân nổi bật với các chuỗi nhiễu ngắn hạn.

• Ý tưởng của tôi là kết hợp các mô hình được tạo ra từ cả hai kỹ thuật để có được dự báo mạnh mẽ hơn, liệu nó có ý nghĩa?

Có thể có nhiều cách để kết hợp những mô hình đó.

• Nếu đây là một cách tiếp cận tốt, tôi nên kết hợp chúng như thế nào?

Một dự báo đơn giản là một lựa chọn, nhưng có lẽ tôi có thể có được những dự đoán tốt hơn nếu tôi cân nhắc giá trị trung bình theo một số đo lường mức độ tốt của mô hình.

• Điều gì sẽ được điều trị phương sai khi kết hợp các mô hình?

Kết hợp dự báo là một ý tưởng tuyệt vời. (Tôi nghĩ rằng đó không phải là một cường điệu khi nói rằng đây là một trong số ít những điều mà các nhà dự báo học thuật đồng ý.)

Tôi tình cờ đã viết một bài báo trước đây về các cách khác nhau để dự báo trọng số khi kết hợp chúng: http://www.scTHERirect.com/science/article/pii/S0169207010001032 Về cơ bản, sử dụng trọng lượng (Akaike) không nhất quán cải thiện các kết hợp trên các phương tiện hoặc trung bình đơn giản hoặc được cắt xén / thắng, vì vậy cá nhân tôi sẽ suy nghĩ kỹ trước khi thực hiện một quy trình phức tạp có thể không mang lại lợi ích nhất định (tuy nhiên, việc kết hợp đó luôn vượt trội so với các phương pháp lựa chọn theo tiêu chí thông tin). Điều này có thể phụ thuộc vào chuỗi thời gian cụ thể mà bạn có, tất nhiên.

Tôi đã xem xét kết hợp các khoảng dự đoán trong bài báo ở trên, nhưng không phải là kết hợp phương sai như vậy. Tôi dường như nhớ lại một bài báo không dài trong IJF với trọng tâm này, vì vậy bạn có thể muốn tìm kiếm "kết hợp" hoặc "kết hợp" thông qua các vấn đề trở lại của IJF.

Một vài bài báo khác đã xem xét kết hợp các dự báo ở đây (từ năm 1989, nhưng đánh giá) và ở đây và ở đây (cũng xem xét mật độ) và ở đây và đây. Nhiều người trong số này lưu ý rằng vẫn chưa hiểu rõ tại sao các kết hợp dự báo thường xuyên vượt trội hơn các mô hình được chọn duy nhất. Bài viết thứ hai đến cuối cùng là về cuộc thi dự báo M3; một trong những phát hiện chính của họ là (số (3) trên trang 45) rằng "Độ chính xác của sự kết hợp các phương pháp khác nhau vượt trội hơn, trung bình, các phương pháp cụ thể được kết hợp và so sánh tốt với các phương pháp khác." Bài báo cuối cùng cho thấy các kết hợp không nhất thiết phải hoạt động tốt hơn các mô hình đơn lẻ, nhưng chúng có thể làm giảm đáng kể nguy cơ thất bại thảm khốc (là một trong những mục tiêu của bạn). Nhiều tài liệu nên được tìm thấy trong Tạp chí Dự báo Quốc tế , Tạp chí Dự báo và cho các ứng dụng cụ thể hơn trong kinh tế lượng hoặc tài liệu chuỗi cung ứng.

Tại sao không chỉ định thêm? Tôi không nghĩ rằng bất kỳ một mô hình nào bạn sẽ sản xuất có thể tốt hơn hoặc đủ tốt hơn một lựa chọn cụ thể.

Như đã nói, nếu bạn có thể thu hẹp lựa chọn của mình một chút cho những lựa chọn mà bạn có thể kiểm tra và dữ liệu đầu vào có thể được chuẩn hóa, vậy tại sao bạn không viết quy trình kiểm tra tự động trong R?

Giả sử bạn quyết định dữ liệu của mình sẽ nằm trong phạm vi được ước tính theo năm mô hình cũng như một "dự phòng". Nói rằng bạn có thể đặc trưng hóa đầu vào bằng các thử nghiệm khác nhau. Sau đó, chỉ cần tiếp tục và viết một thuật toán R (hoặc một chương trình như vậy) chạy nó cho bạn. Điều này hoạt động nếu bạn có thể tạo ra một sơ đồ mô hình nào sẽ chạy dựa trên dữ liệu thử nghiệm, đó là nếu bất kỳ điểm nào của cây quyết định là nhị phân.

Nếu đây không phải là một lựa chọn vì quyết định có thể không phải là nhị phân, tôi khuyên bạn nên triển khai hệ thống xếp hạng dựa trên các thử nghiệm áp dụng và chạy một số "trường hợp cực đoan" dữ liệu mô phỏng qua lưới của bạn để xem kết quả có phải là điều bạn đang tìm kiếm không.

Bạn có thể kết hợp những thứ này một cách rõ ràng, ví dụ, việc kiểm tra tính không cố định có thể được đưa ra một cách xác định có - không, trong khi các thuộc tính khác có thể rơi vào một phạm vi như đa cộng tuyến.
Bạn có thể vẽ nó ra giấy trước, sau đó xây dựng nó, mô phỏng nó với các bản phân phối đã biết mà bạn mong muốn có.

Sau đó, chỉ cần chạy chương trình R mỗi khi có dữ liệu mới. Tôi thấy không cần kết hợp một số mô hình với các khả năng tính toán mà bạn có khả năng có trong tay.

Có một công thức hay và đơn giản để kết hợp hai phương pháp dự báo, bạn chỉ cần cân chúng nhân số đầu tiên với a và phương pháp khác (1 - a), trong đó a được tìm thấy bằng cách giảm thiểu phương sai của dự báo kết hợp này. Như bạn đã biết lỗi của cả hai phương pháp dự báo, bạn có thể tính toán các lỗi của kết hợp sẽ phụ thuộc vào "a". Phép tính đơn giản khi giá trị trung bình của mỗi phương thức là = 0. Để kết hợp nhiều hơn 2 phương thức, các công thức vẫn "đơn giản" theo nghĩa là bạn có thể tính toán nó bằng tay "bằng tay" hoặc cũng có thể sử dụng tùy chọn Bộ giải từ EXCEL