Τεχνικές Προβλέψεων. Παράδειγμα Αποσύνθεσης

Transcript

1 ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ Μονάδα Προβλέψεων & Στρατηγικής Forecasting & Strategy Unit Τεχνικές Προβλέψεων Παράδειγμα Αποσύνθεσης - lesson@fsu.gr

2 Σκοπός της αποσύνθεσης: Απομόνωση των 4 βασικών συνιστωσών της χρονοσειράς: Κύκλος Τάση Εποχιακότητα Τυχαιότητα Χρονοσειρά

3 Blaine Port Number of Privately Owned Vehicles (POVs) Arriving at the Port. Perios POVs Perios POVs Perios POVs Perios POVs Δεκ Μαρ Ιουν Σεπ Ιαν Απρ Ιουλ Οκτ Φεβ Μαϊ Αυγ Νοε Μαρ Ιουν Σεπ Δεκ Απρ Ιουλ Οκτ Ιαν Μαϊ Αυγ Νοε Φεβ Ιουν Σεπ Δεκ Μαρ Ιουλ Οκτ Ιαν Απρ Αυγ Νοε Φεβ Μαϊ Σεπ Δεκ Μαρ Ιουν Οκτ Ιαν Απρ Ιουλ Νοε Φεβ Μαϊ Αυγ Δεκ Μαρ Ιουν Σεπ Ιαν Απρ Ιουλ Οκτ Φεβ Μαϊ Αυγ Νοε

4 Dec-96 Feb-97 Apr-97 Jun-97 Aug-97 Oct-97 Dec-97 Feb-98 Apr-98 Jun-98 Aug-98 Oct-98 Dec-98 Feb-99 Apr-99 Jun-99 Aug-99 Oct-99 Dec-99 Feb-00 Apr-00 Jun-00 Aug-00 Oct-00 Dec-00 Feb-01 Apr-01 Jun-01 Aug-01 Oct POVs

5 Data KKMO 1 Δεκ Ιαν Φεβ Μαρ Απρ Μαϊ Ιουν ,8 8 Ιουλ ,3 9 Αυγ ,6 10 Σεπ ,1 11 Οκτ ,6 12 Νοε ,4 13 Δεκ ,5 14 Ιαν ,2 15 Φεβ ,2 16 Μαρ ,4 17 Απρ ,3 18 Μαϊ ,3 19 Ιουν ,4 20 Ιουλ ,5 Βήμα 1 ο Εύρεση Κεντρικών Κινητών Μέσων Όρων Η σειρά που προκύπτει δεν περιέχει εποχιακότητα και τυχαιότητα. Δίνει όμως μια πολύ καλή εικόνα της τάσης της χρονοσειράς.

6 KKMO

7 Data KKMO Λ.Ε. 1 Δεκ Ιαν Φεβ Μαρ Απρ Μαϊ Ιουν ,8 103,83 8 Ιουλ ,3 101,67 9 Αυγ ,6 115,15 10 Σεπ ,1 132,84 11 Οκτ ,6 97,36 12 Νοε ,4 89,22 13 Δεκ ,5 99,59 14 Ιαν ,2 91,19 15 Φεβ ,2 88,85 16 Μαρ ,4 100,42 17 Απρ ,3 130,50 18 Μαϊ ,3 143,05 19 Ιουν ,4 175,07 20 Ιουλ ,5 184,27 Βήμα 2 ο Υπολογισμός των Λόγων Εποχιακότητας Η σειρά των Λόγων Εποχιακότητας περιέχει απαραίτητες πληροφορίες για την εποχιακή συμπεριφορά της χρονοσειράς.

8 ΜΗΝΑΣ Βήμα 3 ο Απαλοιφή Τυχαιότητας και Εύρεση Δεικτών Εποχιακότητας ΕΤΟΣ Δείκτες εποχιακότητας πριν την Κανονικοποίηση MIN MAX AVERAGE 1 91,19 71,43 75,44 78,78 71,43 91,19 77, ,37 79,87 73,27 78,81 73,27 84,37 79, ,89 76,44 79,89 67,69 67,69 84,89 78, ,43 95,07 90,23 90,60 90,23 97,43 92, ,97 102,57 95,03 97,56 94,97 102,57 96, ,87 103,29 108,43 101,90 101,90 108,43 103, ,67 95,97 107,38 110,49 95,97 110,49 104, ,16 128,67 129,16 134,28 115,16 134,28 128, ,84 137,33 129,00 134,74 129,00 137,33 133, ,36 117,45 113,46 121,07 97,36 121,07 115, ,22 102,30 110,43 106,95 89,22 110,43 104, ,59 82,19 77,88 79,41 77,88 99,59 80,80

9 ΔΕΙΚΤΕΣ ΕΠΟΧΙΑΚΟΤΗΤΑΣ ΧΩΡΙΣ ΚΑΝΟΝΙΚΟΠΟΙΗΣΗ (ΔΕΧ) ΔΕΙΚΤΕΣ ΕΠΟΧΙΑΚΟΤΗΤΑΣ ΜΕΤΑ ΤΗΝ ΚΑΝΟΝΙΚΟΠΟΙΗΣΗ (ΔΕΜ) 77,11 77,41 Συντελεστής Κανονικοποίησης: 79,34 79,64 78,17 78,46 92,84 93,19 96,29 96,66 103,58 103,98 104,53 104,93 128,92 129,41 133,79 134,30 115,46 115,90 104,63 105,03 80,80 81,11

10 40.00 Δείκτες Εποχιακότητας

11 Data ΔΕ ΑΧ 1 Δεκ , ,7 2 Ιαν , ,9 3 Φεβ , ,9 4 Μαρ , ,6 5 Απρ , ,4 6 Μαϊ , ,8 7 Ιουν , ,2 8 Ιουλ , Αυγ , ,3 10 Σεπ , ,6 11 Οκτ , ,3 12 Νοε , ,9 13 Δεκ , ,7 14 Ιαν , Φεβ , ,8 16 Μαρ , ,4 17 Απρ , ,6 18 Μαϊ , ,6 19 Ιουν , ,9 20 Ιουλ , ,5 Βήμα 4 ο Εύρεση της Αποεποχικοποιημένης Χρονοσειράς Η σειρά που προκύπτει περιέχει τάση, κύκλο και τυχαιότητα.

12 Αποεποχικοποιημένη Χρονοσειρά (ΑΧ)

13 Σύγκριση Αυθεντικών Δεδομένων με Αποεποχικοποιημένη Χρονοσειρά

14 ΑΧ KMO(3) KMO(3x3 ) 1 Δεκ , ,4 2 Ιαν , , ,1 3 Φεβ , , ,9 4 Μαρ , , ,3 5 Απρ , , Μαϊ , , ,9 7 Ιουν , , ,1 8 Ιουλ , ,2 9 Αυγ , ,6 10 Σεπ , , Οκτ , , ,3 12 Νοε , ,7 13 Δεκ , , ,7 14 Ιαν , ,6 15 Φεβ , , ,7 16 Μαρ , , ,1 17 Απρ , , Μαϊ , , ,8 19 Ιουν , , ,6 20 Ιουλ , , ,2 Βήμα 5 ο Εύρεση της Σειράς Τάσης - Κύκλου Με το βήμα αυτό εξαλείφθηκε η τυχαιότητα, επομένως η σειρά που προκύπτει περιέχει τάση και κυκλικότητα

15 Εύρεση Οριακών Τιμών *ομοίως υπολογίζονται και οι 2 οριακές τιμές που λείπουν από το τέλος της σειρά

16 Σειρά Τάσης-Κύκλου

17 ΑΧ KMO(3x3) R 1 Δεκ , ,4 1, Ιαν , ,1 0, Φεβ , ,9 0, Μαρ , ,3 1, Απρ , , Μαϊ , ,9 0, Ιουν , ,1 0, Ιουλ ,2 1, Αυγ , ,6 0, Σεπ , , Οκτ , ,3 0, Νοε , ,7 0, Δεκ , ,7 1, Ιαν ,6 1, Φεβ , ,7 0, Μαρ , ,1 1, Απρ , , Μαϊ , ,8 0, Ιουν , ,6 1, Ιουλ , ,2 0, Απομόνωση της Τυχαιότητας

18 Διαχωρισμός Τάσης και Κυκλικότητας Χ Υ KMO(3x3) T 1 Δεκ , ,4 2 Ιαν , Φεβ , ,5 4 Μαρ , Απρ ,6 6 Μαϊ , ,1 7 Ιουν , ,6 8 Ιουλ , ,1 9 Αυγ , ,7 10 Σεπ ,2 11 Οκτ , ,7 12 Νοε , ,3 13 Δεκ , ,8 14 Ιαν , ,3 15 Φεβ , ,9 Παρατηρώντας το γράφημα της σειράς ΤxC, επιλέγουμε το γραμμικό μοντέλο τάσης που περιγράφει την σειρά ικανοποιητικά, οπότε εφαρμόζουμε απλή παλινδρόμηση.

19 Σύγκριση Σειράς Τάσης-Κύκλου και Καμπύλης Τάσης

20 KMO(3x3) T C 1 Δεκ , ,4 0,967 2 Ιαν , ,965 3 Φεβ , ,5 0,993 4 Μαρ , ,022 5 Απρ ,6 1,034 6 Μαϊ , ,1 1,007 7 Ιουν , ,6 0,963 8 Ιουλ , ,1 0,933 9 Αυγ , ,7 0, Σεπ ,2 0, Οκτ , ,7 0, Νοε , ,3 0, Δεκ , ,8 1, Ιαν , ,3 1, Φεβ , ,9 1, Μαρ , ,4 1, Απρ ,9 1, Μαϊ , ,4 1, Ιουν , , Ιουλ , ,5 0,990 Εύρεση Κυκλικών Δεικτών

21 0.2 Κυκλικοί Δείκτες Oct-01 Aug-01 Jun-01 Apr-01 Feb-01 Dec-00 Oct-00 Aug-00 Jun-00 Apr-00 Feb-00 Dec-99 Oct-99 Aug-99 Jun-99 Apr-99 Feb-99 Dec-98 Oct-98 Aug-98 Jun-98 Apr-98 Feb-98 Dec-97 Oct-97 Aug-97 Jun-97 Apr-97 Feb-97 Dec

22 Προετοιμασία Πρόβλεψης βασισμένης στην Αποσύνθεση