第四篇我们介绍了时间序列经典的统计预测方法 ARIMA,包含公式内的两大模型 AR model、MA model,如何选择参数 d, p, q,以及自动化的参数搜寻解法。
第五篇接续介绍另一个以指数平滑法(Exponential Smoothing)为基础的统计方法 —— Holt's Model。
今日大纲:
Holt's Model 是 Charles C.Holt 於 1957 年的论文 提出,从 Exponential Smoothing 延伸而来,针对时间序列的属性分别做指数平滑。
只针对 Level(水平)、Trend(趋势)做指数平滑的是 Holt's Linear Trend Model;
後来 Holt 的学生 Winters 再加上了对 Seasonality(季节性)做指数平滑的预测方程,应用於有季节性的时序预测,被称为 Holt-Winters Model。
逻辑:
对 Level & Trend 分别做指数平滑,再做线性组合。
公式:
使用我们第一篇讲到的 decomposition plot,将 level, trend, seasonality, residual 画出来;如果 seasonality 和 level 互相独立,也就是 seasonality 不随着 level 改变,则为 Additive Seasonality;若 seasonality 会随着 level 改变,两着有相依关系,则为 Multiplicative Seasonality。
>>: Day 05 - IoC 容器与Servlet 容器
CI 持续整合。 为什麽要 CI 呢? 想想我们前面写了那麽辛苦的自动测试,结果有人不跑测试就上传。...
本系列文以制作专案为主轴,纪录小弟学习React以及GrahQL的过程。主要是记下重点步骤以及我觉...
前言 Hi, 我是鱼板伯爵今天要教大家 Stack(堆叠) 和 Positioned(位子),Sta...
需要发展「特徵工程」的另一个入门大问题,是没有想过会需要做特徵提取的工作,也就是从参数里面得到新的参...
select [LINKSERVER].dbNAME.[dbo].fn_test 出现讯息: 不允许...