هموارسازی نمایی

توابع پیش بینی و هموار سازی نمایی از مدل های هموار سازی نمایی برای پیش بینی مقادیر آینده بر اساس تجزیه و تحلیل داده های سری زمانی تاریخی استفاده می کنند. این مدلها به منظور پیش بینی مقادیر آینده بر اساس روندهای نوظهور ، یک وزن کاهش دهنده را به داده های تاریخی اعمال می کنند و می توانند اثرات فصلی را در نظر بگیرند.

این توابع به طور معمول با یک محور تاریخ/زمان استفاده می شوند اما با یک سلسله مراتب عددی یا اندازه گیری به عنوان اولین ورودی نیز کار می کنند. همچنین به دنبال گزینه تجزیه و تحلیل پیش بینی شده در منوی Visualize مجدد باشید تا این توابع را بطور خودکار اعمال کنید.

توجه داشته باشید

1. نحو

شما می توانید از دو عملکرد برای انجام پیش بینی با استفاده از هموار سازی نمایی در Dundas BI: ExpsMooth یا عملکرد ساده پیش بینی شده استفاده کنید.

عملکرد پیش بینی بسیاری از پارامترهای موجود برای ExpsMooth را به وجود می آورد تا مقادیر پیش فرض آنها عملی شود. به طور پیش فرض ، بسیاری از این پارامترها پس از تجزیه و تحلیل داده های خود ، یک تنظیم مؤثر را برای شما به طور خودکار انتخاب می کنند.

1. 1پیش بینی

پیش بینی (D0 ، D1 ، S0 ، S1)

خطای باند فوقانی:

FORECASTING_UPPER (D0 ، D1 ، S0 ، S1)

خطای باند پایین:

FORECASTING_LOWER (D0 ، D1 ، S0 ، S1)

از همین نحو همچنین می توان برای بازگشت محور با پیش بینی و طول فصل با طول پیش بینی شده استفاده کرد.

1. 2بازو

ExpsMooth (D0 ، D1 ، S0 ، S1 ، S2 ، S3 ، S4 ، S5 ، S6 ، S7 ، S8 ، S9 ، S10)

خطای باند فوقانی:

expsmooth_upper (D0 ، D1 ، S0 ، S1 ، S2 ، S3 ، S4 ، S5 ، S6 ، S7 ، S8 ، S9 ، S10)

خطای باند پایین:

expsmooth_lower (D0 ، D1 ، S0 ، S1 ، S2 ، S3 ، S4 ، S5 ، S6 ، S7 ، S8 ، S9 ، S10)

از همین نحو می توان برای بازگشت آلفا (expsmoothalpha) ، محور (expsmoothaxis) ، بتا (expsmoothbeta) ، گاما (expsmoothgamma) ، میانگین خطای مربع (expsmoothmse) ، phi (expsmoothphi) ، طول فصل (expsmoothingseasonleasonleason) ، فصل (ExpsMoothSeasonType) و نوع روند (ExpsMoothTrendType).

2. ورودی

توابع هموار سازی نمایی به سری ورودی های زیر نیاز دارد:

• D0 - سلسله مراتب روند - سلسله مراتبی که برای انجام پیش بینی (به عنوان مثال محور DateTime) انجام می شود.
• D1 - مقادیر پایه - مجموعه مقادیر داده های تاریخی که در فرمول مورد استفاده قرار می گیرد.

3. پارامترها

• S0 - طول پیش بینی - تعداد دوره های پیش بینی پس از پایان داده های تاریخی. مقدا ر-1 مقدار پیش فرض را نشان می دهد ، که 1/3 طول داده های تاریخی است.
• S1 - طول فصل - طول فصل ، در دوره هایی ، که برای آن برای یافتن الگوهای فصلی. مقدا ر-1 نشان دهنده استفاده از پیش فرض است که به طور خودکار توسط Dundas BI انتخاب می شود.
• S2 - سطح اطمینان - احتمال اینکه داده های آینده در خطاهای باند بالا و پایین قرار بگیرند. مقدار پیش فرض 0. 95 است.
• S3 - نتیجه کامل را نشان دهید - نشان می دهد که آیا فقط پیش بینی یا نتایج را در تمام دوره ها نشان می دهد. پیش فرض 0 (نادرست) است.
• S4 - بهینه ساز عبور می کند - تعداد داده ها بهینه ساز می شوند تا مقادیر پیش بینی آلفا ، بتا ، گاما و PHI را بهینه پیدا کنند. مقدار پیش فرض 10 است.
• S5 - نوع هموار سازی روند - روش هموار سازی روند مورد استفاده. گزینه های ذیل در دسترس هستند:
  • - 1-به طور خودکار انتخاب کنید (پیش فرض)
  • 0 - بدون هموار سازی روند
  • 1 - افزودنی
  • 2 - افزودنی مرطوب
  • 3 - ضرب
  • 4 - ضربان چند برابر
  • - 1-به طور خودکار انتخاب کنید (پیش فرض)
  • 0 - بدون هموار سازی روند
  • 1 - افزودنی
  • 2 - ضرب

  4. خروجی

  توابع صاف کننده نمایی خروجی های زیر را ایجاد می کند:

  • هموار سازی نمایی - مجموعه نتیجه هموار سازی نمایی.
  • خطای باند فوقانی - مرز خطای بالا بر اساس انحراف استاندارد و خطای پیش بینی.
  • خطای باند پایین - مرز خطای پایین بر اساس انحراف استاندارد و خطای پیش بینی.
  • آلفا - عامل صاف کننده.
  • محور - محور پیش بینی.
  • بتا - فاکتور هموار سازی روند.
  • گاما - عامل هموار سازی فصلی.
  • میانگین خطای مربع - میانگین انحراف از داده های تاریخی.
  • PHI - عامل میرایی روند.
  • طول فصل - طول فصل.
  • نوع فصل - روش هموار سازی فصل مورد استفاده قرار می گیرد.
  • Trend Type - روش هموار سازی روند استفاده شده.

  5. تجزیه و تحلیل پیش بینی خودکار

  هنگام نمایش نمودار با داده های تاریخ/زمان در امتداد محور پایین ، مجدداً در نوار ابزار Visualize را انتخاب کرده و تجزیه و تحلیل پیش بینی را تحت توصیه پیدا کنید.

  

  این گزینه به طور خودکار عملکرد ExpsMooth را با پارامترهای پیش فرض اعمال می کند تا داده های شما مورد تجزیه و تحلیل قرار گیرد تا بهترین گزینه های پیش بینی مناسب را پیدا کند ، و سپس پارامترهای بهینه در فرمول ذخیره می شوند تا نتیجه دفعه دیگر با کارآیی بیشتری محاسبه شود.

  برای دیدن این موضوع ، روی دکمه FX در اندازه گیری پیش بینی جدید در پانل تجزیه و تحلیل داده ها کلیک کنید.

  

  برای خواندن راحت تر این پارامترها ، برای باز کردن گفتگوی فرمول ، روی نام عملکرد ExpsMooth کلیک کنید ، سپس برای دیدن توضیحات آن و مقدار فعلی ، برای گسترش بخش برای هر پارامتر کلیک کنید.

  

  6. مثالها

  برای مثال های زیر از اعمال توابع صاف کننده نمایی به صورت دستی ، ابتدا یک نمودار نقطه ایجاد کنید.

  یک اندازه گیری (TotalDue) ، یک سلسله مراتب زمانی (OrderDate) و یک برش (Onlineorderflag) اضافه کنید.

  سلسله مراتب OrderDate را ویرایش کرده و سطح آن را به ماه تغییر دهید.

  برش را فیلتر کنید تا فقط مقادیر واقعی را نشان دهید.

  

  6. 1. هموار سازی تک نمایی

  برای برخی از اطلاعات پیش زمینه در مورد هموار سازی تک نمایی ، این مقاله را از موسسه ملی استاندارد و فناوری مشاهده کنید.

  با نمودار انتخاب شده در بوم ، به نوار ابزار بروید ، روی Data Tools کلیک کنید و سپس Add Formula را انتخاب کنید.

  در نوار فرمول ، روی Visualization کلیک کنید و نمودار خط را انتخاب کنید ، سپس موارد زیر را تایپ کرده و روی Apply کلیک کنید:

  ExpsMooth ($ orderdate $ ، $ totaldue $ ، -1 ، -1 ، 0. 95 ، 1 ، 10 ، 0 ، 0)

  

  در اینجا تمام پارامترها روی مقادیر پیش فرض خود تنظیم شده اند ، غیر از سه مورد زیر:

  • S3 روی 1 تنظیم شده است تا کل نتیجه را نشان دهد
  • S5 روی 0 تنظیم شده است ، این بدان معنی است که هیچ صافی روند وجود ندارد
  • S6 روی 0 تنظیم شده است ، این بدان معنی است که هیچ صافی فصلی وجود ندارد

  نتیجه یک پیش بینی پیش بینی میانگین متحرک نمایی است.

  

  6. 2. هموار سازی نمایی مضاعف

  برای برخی از اطلاعات پیش زمینه در مورد هموار سازی نمایی مضاعف ، این مقاله را از موسسه ملی استاندارد و فناوری مشاهده کنید.

  پانل تجزیه و تحلیل داده ها را برای نمودار باز کرده و فرمول اندازه گیری جدید را ویرایش کنید.

  پارامتر S5 را به 1 تغییر دهید ، که باعث هموار سازی روند افزودنی به نتیجه صاف کننده نمایی واحد می شود. هموار سازی روند میانگین حرکت نمایی شیب بین نقاط است.

  

  6. 3. هموار سازی نمایی سه گانه

  برای برخی از اطلاعات پیش زمینه در مورد هموار سازی نمایی سه گانه ، این مقاله را از موسسه ملی استاندارد و فناوری مشاهده کنید.

  دوباره فرمول را ویرایش کرده و پارامتر S6 را به 1 تغییر دهید. با این کار ، هموار سازی فصل افزودنی به نتیجه هموار سازی نمایی مضاعف اضافه می شود. هموار سازی فصل یک میانگین متحرک نمایی از مقادیر در طول تکرار فصول است.

  

  توجه کنید که اولین و آخرین نقاط داده بسیار کم است و احتمالاً پیش بینی را از بین می برد.

  برای تصحیح آن ، به حالت مشاهده تغییر دهید ، روی اولین نقطه داده کلیک راست کرده و مقدار صحیح را انتخاب کنید. مقدار جدید را روی 500000 تنظیم کنید.

  به طور مشابه ، آخرین نقطه داده را به 2250000 اصلاح کنید.

  

  7. یادداشت ها

  • پیش بینی فقط تا پایان بعد زمان یا تا پایان سلسله مراتب زمان OLAP پیش خواهد رفت.

  8. همچنین ببینید

  • با استفاده از توصیه های Dundas BI
  • اضافه کردن فرمول ها
  • لیست فرمول ها
  • فرمول: میانگین متحرک نمایی
  • فرمول: روند و پیش بینی