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?