Εισαγωγή στις Μεθόδους Προβλέψεων

Transcript

1 ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ Μονάδα Προβλέψεων & Στρατηγικής Forecasting & Strategy Unit Εισαγωγή στις Μεθόδους Προβλέψεων

2 Πρόβλεψη 02 Η μεγαλύτερη πρόκληση στην ανάλυση χρονοσειρών είναι η πρόβλεψη, δηλαδή πώς η ακολουθία των παρατηρήσεων θα συνεχιστεί στο μέλλον. Το ζητούμενο είναι να ακολουθεί μια διαδικασία που θα εξασφαλίσει ότι θα παραχθούν όσο τον δυνατόν πιο ακριβείς προβλέψεις, αξιοποιώντας στο έπακρο όλη την διαθέσιμη ιστορική πληροφορία.

3 Στατιστική Πρόβλεψη 03 Κριτική Πρόβλεψη Είδη Προβλέψεων

4 Πρόβλεψη Προϋπολογισμού 04 Τελική Πρόβλεψη Είδη Προβλέψεων

5 Στατιστική Πρόβλεψη Κυριότερες Στατιστικές Μέθοδοι Πρόβλεψης 05 Η πιο απλή στατιστική μέθοδος. Δεν παράγει ακριβείς προβλέψεις αλλά Naïve πολλές φορές χρησιμοποιείται ως benchmark για άλλες μεθόδους. Η πρόβλεψη θεωρείται πως είναι ίση με την τελευταία παρατήρηση της διαθέσιμης χρονοσειράς. F t+1 = y T R-code: naive(y, h)

6 Στατιστική Πρόβλεψη Κυριότερες Στατιστικές Μέθοδοι Πρόβλεψης 06 Seasonal Naïve Πρόκειται για μία παραλλαγή της naïve και είναι χρήσιμη για δεδομένα με έντονη εποχιακότητα. Η πρόβλεψη θεωρείται πως είναι ίση με την τελευταία παρατήρηση της διαθέσιμης χρονοσειράς από την αντίστοιχη εποχή του χρόνου όμως. F t+1 = y T+h km m= seasonal period, k= (h 1)/m +1, R-code: snaive(y, h)

7 Κινητοί Μέσοι Όροι για πρόβλεψη 07 Περίοδος Δεδομένα ΚΜΟ(3) ΚΜΟ(5) 1 106, , , ,2 111, ,9 114, ,7 117,30 113, ,6 117,60 115, ,0 117,07 117, ,7 117,77 117, ,4 123,10 120, ,2 128,03 123, ,43 125,18 R-code: ma(y, h, drift=true)

8 Στατιστική Πρόβλεψη Κυριότερες Στατιστικές Μέθοδοι Πρόβλεψης 08 Μέθοδοι Εκθετικής Εξομάλυνσης Αναπτύχθηκαν τις αρχές της δεκαετίας του 50. Από τότε έγιναν από τις πιο δημοφιλείς μεθόδους προβλέψεων μεταξύ των επιχειρηματιών κυρίως λόγω της ευκολίας τους, της ελάχιστης απαίτησης σε υπολογιστικό χρόνο και την ύπαρξη σχετικά λίγων παρατηρήσεων προκειμένου να παράγουν προβλέψεις. Οι μέθοδοι εξομάλυνσης είναι κατάλληλες για βραχυπρόθεσμες προβλέψεις ενός μεγάλου όγκου χρονοσειρών. Αποδίδουν καλύτερα σε δεδομένα που παρουσιάζουν στασιμότητα ή μικρό ρυθμό ανάπτυξης ή μείωσης ως προς το χρόνο. Κυριότερες μέθοδοι εξομάλυνσης: Simple Exponential Smoothing Holt Damped Winter

9 Τύποι Μοντέλων Εξομάλυνσης 09 Σταθερού Επιπέδου Για πρόβλεψη ενός βήματος. Για χρονοσειρές που περιέχουν υψηλό θόρυβο ή τυχαιότητα. Γραμμικής τάσης Για σταθερή αύξηση στο μέλλον. Εκθετικής τάσης Για εκθετική αύξηση στο μέλλον (π.χ. στις αρχές του κύκλου ζωής ενός προϊόντος). Είναι υπεραισιόδοξες για μακροπρόθεσμες προβλέψεις. Φθίνουσας τάσης Για μεσοπρόθεσμες προβλέψεις.

10 Μοντέλο Σταθερού Επιπέδου SES 03

11 Μοντέλο Σταθερού Επιπέδου SES (0) 04 Εξίσωση Σφάλματος e = Y t-1 F t-1 Εξίσωση Επιπέδου & Πρόβλεψης F t = F t-1 + αe F t = F t-1 + α(y t-1 F t-1 ) F t = αy t-1 + (1-α)F t-1

12 Μοντέλο Σταθερού Επιπέδου SES (I) 05 Εξίσωση Σφάλματος e = Y t-1 F t-1 F t = αy t-1 + (1-α)F t-1 Εξίσωση Επιπέδου & Πρόβλεψης F t+1 = αy t + (1-α)F t F t+1 = αy t + α(1-α) Y t-1 + (1-α) 2 F t-1 Ομοίως αντικαθιστώντας στην (3) το F t-1, κοκ, προκύπτει: F t+1 = αy t + α(1-α) Y t-1 + α(1-α) 2 Υ t-2 + α(1-α) 3 Υ t-3 α(1-α) 4 Υ t α(1-α) t-1 Υ 1 +(1-α) t F 1

13 Μοντέλο Σταθερού Επιπέδου SES (II) 06 Από την εξίσωση (4) παρατηρούμε Ότι οι συντελεστές (βάρη) των των ιστορικών δεδομένων Υ μειώνονται εκθετικά για αυτό και το όνομα της μεθόδου «εκθετική εξομάλυνση». Ότι ο τελευταίος όρος είναι ο (1-α) t F 1. Αυτό σημαίνει ότι η αρχική πρόβλεψη παίζει ρόλο σε όλες τις επόμενες προβλέψεις. Στο παράδειγμα μας υπολογίζονται τα βάρη για t = 11, ισχύει : (1-α) t = αν α=0.1 (1-α) t = αν α=0.5 (1-α) t = αν α=0.9

14 Μοντέλο Σταθερού Επιπέδου SES (III) 07 Όσο μικρότερη τιμή του α επιλέξουμε τόσο μεγαλύτερο ρόλο παίζει η πρώτη τιμή της πρόβλεψης που θα επιλέξουμε F1. Όσο περισσότερα δεδομένα έχουμε τόσο μεγαλύτερη είναι η τιμή του t, οπότε τόσο μικρότερο είναι το βάρος του F1. Π.χ. για t = 12 και α=0.1 το βάρος ισούται με για t = 24 και α=0.1 το βάρος ισούται με

15 Μοντέλο Σταθερού Επιπέδου (ΙV) 08 Επιχειρηματικές Προβλέψεις: Μέθοδοι & Τεχνικές

16 Μοντέλο Σταθερού Επιπέδου SES (VI) 09 Σαν αρχική πρόβλεψη συνήθως χρησιμοποιούμε: Μέσος όρος των παρατηρήσεων Μέσος όρος των τεσσάρων ή πέντε πρώτων παρατηρήσεων Πρώτη παρατήρηση Σταθερό επίπεδο από μοντέλο γραμμικής παλινδρόμησης

17 Μοντέλο Σταθερού Επιπέδου SES (VII) 10 Εύρεση Βέλτιστου Συντελεστή Εξομάλυνσης Η βέλτιστη τιμή του α καθορίζεται από την ελαχιστοποίηση του σφάλματος (MSE, MAPE, ή άλλων) Το α μπορεί να είναι διαφορετικό όταν στοχεύουμε στην ελαχιστοποίηση του MSE, και άλλο για την ελαχιστοποίηση του MAPE, κλπ Το α κυμαίνεται μεταξύ του διαστήματος [0,1]. Υπολογίζουμε τα σφάλματα για κάθε τιμή του α, για κάθε τιμή του in sample

18 Μοντέλο Σταθερού Επιπέδου SES (VII) 11 Εύρεση Βέλτιστου Συντελεστή Εξομάλυνσης Η βέλτιστη τιμή του α καθορίζεται από την ελαχιστοποίηση του σφάλματος (MSE, MAPE, ή άλλων) Το α μπορεί να είναι διαφορετικό όταν στοχεύουμε στην ελαχιστοποίηση του MSE, και άλλο για την ελαχιστοποίηση του MAPE, κλπ Το α κυμαίνεται μεταξύ του διαστήματος [0,1]. Υπολογίζουμε τα σφάλματα για κάθε τιμή του α, για κάθε τιμή του in sample Ένας τρόπος για τη βελτιστοποίηση του α είναι ο υπολογισμόςτου MSE για κάποιο αριθμό τιμών του α (πχ 0.1, 0.2,..., 0.9) και επιλογή εκείνου που δίνει το μικρότερο σφάλμα MSE. Εναλλακτικός τρόπος είναι η χρήση ενός μη γραμμικού αλγορίθμου βελτιστοποίησης.

19 t Y , , ??? Μοντέλο Σταθερού Επιπέδου 1ο Παράδειγμα (Ι) Μηνιαία δεδομένα t Αριθμός μηνιαίων φορτώσεων Υ t Ζητείται η πρόβλεψη Δεκεμβρίου. 12

20 Μοντέλο Σταθερού Επιπέδου 1ο Παράδειγμα (IΙ) 13 t Y F e S = F + a*e S = a*y + (1-a)*F S 0 167, ,5 32,5 167, * 32,5 0.2 * * 167,5 174, ,0-39, * * * , ,2 28,8 166, * 28,8 0.2 * * 166,2 172, ,5 172,0 25, * 25,5 0.2 * 197, * , ,1 132,9 177, * 132,9 0.2 * * 177,1 203, ,7-28,7 203, * -28,7 0.2 * * 203,7 197, ,9-42,9 197, * -42,9 0.2 * * 197,9 189, ,3-59,3 189, * -59,3 0.2 * * 189,3 177, ,5 42,5 177, * 42,5 0.2 * * 177,5 186, ,5 186,0 91, * 91,5 0.2 * 277, * , ,3 30,7 204, * 30,7 0.2 * * 204,3 210,4 12??? 210,4

21 Μοντέλο Σταθερού Επιπέδου 1ο Παράδειγμα (IIΙ) 14 t Y F e S = F + a*e S = a*y + (1-a)*F S 0 167, ,5 32,5 167, * 32,5 0.2 * * 167,5 174, ,0-39, * * * , ,2 28,8 166, * 28,8 0.2 * * 166,2 172, ,5 172,0 25, * 25,5 0.2 * 197, * , ,1 132,9 177, * 132,9 0.2 * * 177,1 203, ,7-28,7 203, * -28,7 0.2 * * 203,7 197, ,9-42,9 197, * -42,9 0.2 * * 197,9 189, ,3-59,3 189, * -59,3 0.2 * * 189,3 177, ,5 42,5 177, * 42,5 0.2 * * 177,5 186, ,5 186,0 91, * 91,5 0.2 * 277, * , ,3 30,7 204, * 30,7 0.2 * * 204,3 210,4 12??? 210,4

22 Μοντέλο Σταθερού Επιπέδου 1ο Παράδειγμα (IIΙ) α = 0.5 α = 0.8 t Y F e S 0 167, ,5 32,5 183, ,8-48,8 159, ,4 35,6 177, ,5 177,2 20,3 187, ,3 122,7 248, ,7-73,7 211, ,8-56,8 183, ,4-53,4 156, ,7 63,3 188, ,5 188,4 89,1 232, ,9 2,1 234,0 12??? 234,0 t Y F e S 0 167, ,5 32,5 193, ,5-58,5 146, ,7 48,3 185, ,5 185,3 12,2 195, ,1 114,9 287, ,0-112,0 197, ,4-42,4 163, ,5-33,5 136, ,7 83,3 203, ,5 203,3 74,2 262, ,7-27,7 240,5 12??? 240,5 15

23 Μοντέλο Σταθερού Επιπέδου 1ο Παράδειγμα (IV) 16

24 Μοντέλο Σταθερού Επιπέδου 1ο Παράδειγμα (V) 17 Η μεγαλύτερη τιμή του α = (0.8) εξομαλύνει πολύ λίγο το μοντέλο ενώ η μικρότερη α= (0.2) δίνει την καλύτερη εξομάλυνση.. Αν το α = 1, τότε η εκθετική εξομάλυνση γίνεται Naive, ενώ αν α = 0 τότε η πρόβλεψή μας είναι σταθερή και ίση με την αρχική πρόβλεψη

25 Μοντέλο Σταθερού Επιπέδου 1ο Παράδειγμα (IIΙ) 18 t Y F (α=0.2) Ε ΑΕ APE SAPE ,5 32,50 32,50 0,163 0, ,0-39,00 39,00 0,289 0, ,2 28,80 28,80 0,148 0, ,5 172,0 25,54 25,54 0,129 0, ,1 132,93 132,93 0,429 0, ,7-28,65 28,65 0,164 0, ,9-42,92 42,92 0,277 0, ,3-59,34 59,34 0,456 0, ,5 42,53 42,53 0,193 0, ,5 186,0 91,52 91,52 0,330 0, ,3 30,72 30,72 0,131 0, ,4 α=0.2 19,51 50,41 0,25 0,25 α=0.5 12,08 54,39 0,27 0,27 α=0.8 8,30 58,13 0,29 0,29

26 Μοντέλο Σταθερού Επιπέδου SES 10

27 Μοντέλο Γραμμικής Τάσης (Holt) 11 e t = Y t F t S t = S t 1 + T t 1 + a e t T t = T t 1 + a b e t F t+m = S t + mt t Οι συντελεστές α και β πρέπει να υπολογίζονται, ώστε να ελαχιστοποιείται συνήθως το μέσο τετραγωνικό σφάλμα (MSE), όπου 0<α<1, 0<β<a Χρειάζεται προσοχή στην αρχικοποίηση του μοντέλου. Πρέπει να εκτελείται μία γραμμική παλινδρόμηση, με το χρόνο ως ανεξάρτητη μεταβλητή. Ως αρχικό επίπεδο συνήθως ορίζεται η σταθερά A της παλινδρόμησης. Ως αρχική τάση συνήθως ορίζεται η κλίση B της παλινδρόμησης.

28 Μοντέλο Γραμμικής Τάσης (Holt) 12

29 Μοντέλο Μη Γραμμικής Τάσης (Damped) 13 e t = Y t F t S t = S t 1 + φt t 1 + a e t T t = φt t 1 + a b e t m F t+m = S t + φ i T t i=1 Οι συντελεστές α και β πρέπει να υπολογίζονται, ώστε να ελαχιστοποιείται συνήθως το μέσο τετραγωνικό σφάλμα (MSE), όπου 0<α<1, 0<β<a Χρειάζεται προσοχή στην αρχικοποίηση του μοντέλου. Πρέπει να εκτελείται μία γραμμική παλινδρόμηση, με το χρόνο ως ανεξάρτητη μεταβλητή. Ως αρχικό επίπεδο ορίζεται η σταθερά A της παλινδρόμησης. Ως αρχική τάση ορίζεται η κλίση b της παλινδρόμησης.

30 Μοντέλο Μη Γραμμικής Τάσης (Damped) 14 e t = Y t F t S t = S t 1 + φt t 1 + a e t T t = φt t 1 + a b e t m F t+m = S t + φ i T t i=1 Οι συντελεστές α και β πρέπει να υπολογίζονται, ώστε να ελαχιστοποιείται συνήθως το μέσο τετραγωνικό σφάλμα (MSE), όπου 0<α<1, 0<β<a Το μοντέλο Μη Γραμμικής Τάσης μπορεί να χρησιμοποιηθεί σαν ένα αυτόματο μοντέλο πρόβλεψης για κάθε μη εποχιακή χρονοσειρά, ανάλογα με τον damping factor που θα επιλέξουμε: 0,σταθερού επιπέδου 1,φθίνουσας τάσης 1,γραμμικής τάσης 1,εκθετικής τάσης

31 Μοντέλο Μη Γραμμικής Τάσης (Damped) 15

32 Σύγκριση Μοντέλων Γραμμικής & Μη Γραμμικής Τάσης 16

33 Μοντέλο Σταθερού Επιπέδου με Πολ/κή Εποχιακότητα 17

34 Στατιστική Πρόβλεψη Κυριότερες Στατιστικές Μέθοδοι Πρόβλεψης 20 Μέθοδος Theta Η μέθοδος πρόβλεψης Theta βασίζεται στην τροποποίηση των τοπικών καμπυλοτήτων της χρονοσειράς. Η αρχική χρονοσειρά αποσυντίθεται σε δύο ή περισσότερες γραμμές Theta. Κάθε μία από αυτές προεκτείνεται ξεχωριστά και οι προβλέψεις τους συνδυάζονται.

35 Το Μοντέλο Θ (1/3) 21 Η Μέθοδος Θ : Μια μέθοδος παραγωγής προβλέψεων βασισμένη σε μια διαφορετική προσέγγιση της αποσύνθεσης Η μέθοδος Θ (Assimakopoulos et. al. 1999, 2000) είναι μια μονοδιάστατη μέθοδον πρόβλεψης. Η μέθοδος βασίζεται στην μεταβολή των τοπικών καμπυλοτήτων μιας χρονοσειράς μέσα από την παράμετρο θ (Theta), η οποία εφαρμόζεται απευθείας (πολλαπλασιαστικά) στις διαφορές δεύτερης τάξης των δεδομένων. Η καινούργια χρονοσειρά που δημιουργείται διατηρεί την μέση τιμή και κλίση (παλινδρόμησης) της αρχικής χρονοσειράς αλλά όχι και τις τοπικές καμπυλότητες. Οι χρονοσειρές που παράγονται με αυτή την διαδικασία ονομάζονται γραμμές Θ (Theta Lines). Βασικό ποιοτικό χαρακτηριστικό αυτών των γραμμών είναι η καλύτερη προσέγγιση της μακροπρόθεσμης συμπεριφοράς τάσης των δεδομένων ή ανάδειξη-τονισμός των βραχυπρόθεσμων χαρακτηριστικών, ανάλογα με την τιμή της παραμέτρου θ (<,>1).

36 Το Μοντέλο Θ (2/3) 22 Η Μέθοδος Θ : Μια μέθοδος παραγωγής προβλέψεων βασισμένη σε μια διαφορετική προσέγγιση της αποσύνθεσης Η προτεινόμενη μέθοδος αποσυνθέτει (διαχωρίζει) την αρχική χρονοσειρά σε δύο ή περισσότερες γραμμές Theta. Η κάθε γραμμή Theta προεκτείνεται στο μέλλον ξεχωριστά (με την ίδια ή και με διαφορετικές μεθόδους πρόβλεψης) και οι παραγόμενες προβλέψεις συνδυάζονται για να προκύψει η τελική πρόβλεψη. Ο απλός συνδυασμός δύο γραμμών Theta, για θ=0 (ευθεία γραμμή) και θ=2 (διπλασιασμός των τοπικών καμπυλοτήτων) χρησιμοποιήθηκε για την παραγωγή προβλέψεων για τις 3003 χρονοσειρές του διεθνούς διαγωνισμού προβλέψεων Μ3 (Makridakis et al., 2000). Η μέθοδος παρήγαγε πολύ καλά αποτελέσματα, με μικρά σφάλματα προβλεπτικής ακρίβειας, ιδιαίτερα για τις μηνιαίες χρονοσειρές και τα μικροοικονομικά δεδομένα.

37 Το Μοντέλο Θ (3/3) 23 Η Μέθοδος Θ : Μια μέθοδος παραγωγής προβλέψεων βασισμένη σε μια διαφορετική προσέγγιση της αποσύνθεσης Η μέθοδος Theta εισήγαγε μια διαφορετική προσέγγιση της αποσύνθεσης. Ο διαχωρισμός των αποεποχικοποιημένων δεδομένων γίνεται σε συνιστώσες (γραμμές Theta) μακροπρόθεσμης και βραχυπρόθεσμης τάσης. Η πρόκληση για τη συγκεκριμένη μέθοδο ήταν να αυξήσει το βαθμό αξιοποίησης της χρήσιμης πληροφορίας που είναι κρυμμένη μέσα στα δεδομένα, πριν την εφαρμογή ενός μοντέλου επέκτασης των δεδομένων στο μέλλον (extrapolation model). Ουσιαστικά, η μέθοδος Theta λειτουργεί σαν ένας μεγεθυντικός φακός μέσα από τον οποίο οι διακυμάνσεις της χρονοσειράς μεγεθύνονται ή μικραίνουν. Ο γραμμικός συνδυασμός των προβλέψεων των συνιστωσών, γίνεται, μέσα από αυτήν την διαδικασία, πιο αποδοτικός.

38 Γραμμές Θ Y Theta Line(0,75) Theta Line(0,5) Theta Line(0,25) Theta Line(0)

39 Γραμμές Θ Y Theta Line(1,5) Theta Line(2)

40 Γραμμές Θ Y Theta Line(0) Theta Line(2)

41 Το κλασσικό Μοντέλο Θ στην πράξη 27 Βήμα 0. Τεστ Εποχιακότητας Η κάθε χρονοσειρά ελέγχεται για εποχιακή συμπεριφορά με κριτήριο την τιμή του συντελεστή αυτοσυσχέτησης με καθυστέρηση ένα έτος (π.χ. για μηνιαία δεδομένα 12) συγκρινόμενη με την τιμή (τιμή της t-κατανομής για πιθανότητα 0.1) Βήμα 1. Αποεποχικοποίηση Η χρονοσειρά αποεποχικοποιείται με την κλασσική μέθοδο αποσύνθεσης Βήμα 2. Αποσύνθεση Κάθε χρονοσειρά αποσυντίθεται σε δύο γραμμές Θ, για θ=0 και θ=2. Βήμα 3. Πρόβλεψη Η γραμμή θ=0 προεκτείνεται με απλή γραμμική παλινδρόμηση (LRL) ενώ η γραμμή θ=2 με απλή εκθετική εξομάλυνση (SES) Βήμα 4. Συνδυασμός Οι προηγούμενες προβλέψεις συνδυάζονται με ίσα βάρη Βήμα 5. Εποχικοποίηση Οι τελικές προβλέψεις εποχικοποιούνται

42 Υπολογίζοντας τις γραμμές Theta 28 Για το κλασσικό μοντέλο Theta (παράμετροι 0 και 2) οι γραμμές Theta υπολογίζονται ως εξής: Theta Line(0) = LRL Theta Line(2) = 2 x Data LRL Γενικότερα ισχύει*: Theta Line(θ) = θ x Data + (1-θ) x LRL Ισοδύναμα: Theta Line(θ) = LRL + θ x elrl * Konstantinos Nikolopoulos, Vassilios Assimakopoulos, Nikolaos Bougioukos and Fotios Petropoulos (2008) Advances in the Theta model, Working Paper

43 Παράδειγμα Theta (1/5) 29 Period Data TxC SxRx100 I=SxR=S TxCxR , , , , ,00 97,14 98, , ,25 99,54 102, , ,75 105,58 101, , ,50 95,12 97, , ,00 98,65 98, , ,38 103,69 102, , ,50 101,15 101, , ,63 96,90 97, , ,63 97,71 98, , ,00 103,98 102, , ,13 99,54 101, , ,13 97,36 97, , ,88 101,65 98, , ,13 99,95 102, , ,25 101,70 101, , ,75 99,32 97, , , , , ,46 min max average (w/o min & max) SI 105,58 101,15 99,54 101,70 99,54 105,58 101,43 101,79 95,12 96,90 97,36 99,32 95,12 99,32 97,13 97,48 97,14 98,65 97,71 101,65 97,14 101,65 98,18 98,54 99,54 103,69 103,98 99,95 99,54 103,98 101,82 102,19 sum 398,559 Σ.Κ. 0,9964

44 Παράδειγμα Theta (2/5) 30 X Y Numerator Denominator ThetaLine(0) Period Data X-Mean(X)=A Y-Mean(Y)=B A*B (X-Mean(X))^2 LRL ,68-9,5-233, ,87 90,25 b=slope ,13-8,5-296, ,88 72,25 a=constant ,03-7,5-371, ,92 56, ,43-6,5-408, ,95 42, ,95-5,5-137,40 755,68 30, ,51-4,5-320, ,79 20, ,82-3,5-180,53 631,86 12, ,71-2,5-101,64 254,11 6, ,20-1,5-151,15 226,72 2, ,70-0,5-114,65 57,32 0, ,24 0,5-83,11-41,55 0, ,74 1,5 79,39 119,09 2, ,54 2,5-2,81-7,02 6, ,63 3,5 160,28 560,98 12, ,85 4,5 368, ,24 20, ,93 5,5 207, ,71 30, ,30 6,5 345, ,64 42, ,25 7,5 462, ,78 56, ,47 8,5 411, ,53 72, ,46 9,5 366, ,06 90, Average 10,5 4270,329 Sum

45 Παράδειγμα Theta (3/5) 31 Period Data ThetaLine(0) ThetaLine(2) SES on ThetaLine(2) with a= , , , , , , , , , , , , , , , , , , , ,

46 Παράδειγμα Theta (4/5) 32 Period Data ThetaLine(0) ThetaLine(2) Theta Forecast SI Theta Forecast w Seasonality , , , , , , , , , , , , , , , , , , , , , , ,

47 Παράδειγμα Theta (5/5) Data Theta Line (0) Theta Line (2) Theta Forecast Theta Forecast w Seasonality

48 Στόχοι Διαγωνισμών Πρόβλεψης Δημιουργία ερεθίσματων στους ερευνητές για την υλοποίηση νέων μεθόδων πρόβλεψης 02 Σύγκριση και ταξινόμηση των μεθόδων πρόβλεψης με κριτήριο την ελαχιστοποίηση του σφάλματος 03 Έλεγχος της εγκυρότητας των αποτελεσμάτων προηγούμενων διαγωνισμών πρόβλεψης

49 35 Διαγωνισμός Μ 1982 Στατιστικά πολύπλοκες ή εξεζητημένες μέθοδοι δεν προσδίδουν απαραίτητα και πιο ακριβείς προβλέψεις από τις πιο απλές. Η σχετική κατάταξη της απόδοσης των διαφόρων μεθόδων ποικίλει ανάλογα με το κριτήριο ακρίβειας που χρησιμοποιείται. Η ακρίβεια μίας μεθόδου που είναι συνδυασμός απλών μεθόδων συνήθως είναι καλύτερη της ακρίβειας των μεθόδων αν αυτές εφαρμοσθούν ξεχωριστά. Η ακρίβεια των διαφόρων μεθόδων εξαρτάται από την έκταση του ορίζοντα πρόβλεψης που εφαρμόζεται.

50 Διαγωνισμός Μ3 36 Συνοπτικά Αποτελέσματα Μέθοδος Πρόβλεψης SMAPE των 1428 μηνιαίων χρονοσειρών SMAPE στο σύνολο των χρονοσειρών (3003) THETA ForecastPro ForcX COMB S-H-D DAMPEN THETAsm RBF B-J automatic AutomatANN SMARTFCS

51 Επαλήθευση 37 Method smape (all timeseries) SES 11.03% Holt 14.79% Damped 11.02% Linear Trend 23.45% Theta Classic 9.64% Theta Optimized 9.77%

52 Επαλήθευση 38 Method Yearly Quarterly Monthly Weekly Daily Other SES 25.40% 21.90% 6.44% 10.83% 19.68% 7.23% Holt 36.76% 23.20% 8.86% 10.78% 19.42% 5.25% Damped 28.76% 14.11% 6.78% 11.40% 20.63% 6.52% Linear Trend 39.21% 74.97% 12.56% 43.42% 36.32% 11.19% Theta Classic 22.20% 13.93% 6.30% 10.87% 19.76% 5.91% Theta Optimized 22.84% 15.55% 6.12% 11.24% 19.53% 6.00%

53 Ορίζοντας Πρόβλεψης 45 Σπάνια χρειαζόμαστε να προβλέψουμε μόνο την αμέσως επόμενη παρατήρηση της χρονοσειράς μας. Στην πράξη θα μας ζητείται να δώσουμε προβλέψεις για αρκετές περιόδους στο μέλλον Ο ορίζοντας πρόβλεψης είναι ο δείκτης που δείχνει πόσες παρατηρήσεις τις χρονοσειράς χρειαζόμαστε να προβλέψουμε Ανάλογα την τιμή του ορίζοντα πρόβλεψης, επιλέγεται και η κατάλληλη στατιστική μέθοδος πρόβλεψης, καθώς ως γνωστόν, δεν ενδείκνυνται όλες οι μέθοδοι για βραχυπρόθεσμη ή αντίστοιχα μακροπρόθεσμη πρόβλεψη

54 Ορίζοντας Πρόβλεψης 46 Συμπερασματικά, Στατιστικές και Κριτικές Προβλέψεις είναι συνήθως συμπληρωματικές Βραχυπρόθεσμη πρόβλεψη (Inventory - Σχεδιασμός Αποθήκης) Συνήθως ορίζοντας πρόβλεψης <3 περιόδους Μεσοπρόθεσμη πρόβλεψη (Budget Οικονομικός Σχεδιασμός) Συνήθως ορίζοντας πρόβλεψης ~1+ οικονομικό έτος (δλδ 12-15, αν αναφερόμαστε σε μηνιαία δεδομένα) Μακροπρόθεσμη πρόβλεψη (Long Term Σχεδιασμός Επενδύσεων και Ανάπτυξης) Συνήθως ορίζοντας πρόβλεψης 3 έτη

55 Διαστήματα Εμπιστοσύνης 47 Στη Στατιστική, το διάστημα εμπιστοσύνης (Confidence Interval CI) είναι ένα διάστημα εκτίμησης μιας παραμέτρου. Αντί να εκτιμούμε την παράμετρο με μία μόνο τιμή, δίνουμε μαζί και το διάστημα πιθανότητας για την παράμετρο αυτή. Συνεπώς, τα διαστήματα εμπιστοσύνης χρησιμοποιούνται για υποδείξουν την εγκυρότητα της παραμέτρου που θέλουμε να προβλέψουμε. Η πιθανότητα της τιμής παραμέτρου να συμπεριλαμβάνεται από τα διαστήματα εμπιστοσύνης καθορίζεται από το επίπεδο εμπιστοσύνης (παράμετρος εμπιστοσύνης). Αυξάνοντας το επιθυμητό επίπεδο, το διάστημα εμπιστοσύνης «πλαταίνει». Για παράδειγμα, ένα διάστημα εμπιστοσύνης μπορεί να χρησιμοποιηθεί για να περιγράψει την εγκυρότητα των αποτελεσμάτων μιας δημοσκόπησης. Σε μια δημοσκόπηση για την πρόθεση ψήφου, το αποτέλεσμα θα μπορούσε να είναι 40% των ερωτηθέντων για ένα κόμμα. Ένα διάστημα εμπιστοσύνης 95% θα έδινε πως η πρόθεση ψήφου για το κόμμα αυτό θα μπορύσε να είναι 36%-44% στο σύνολο του πληθυσμού. Το αποτέλεσμα μιας δημοσκόπησης με μικρά διαστήματα εμπιστοσύνης είναι πιο έγκυρη από μια δημοσκόπηση με μεγάλα διαστήματα εμπιστοσύνης. Ένας από τους κύριους παράγοντες που επηρεάζουν αυτό το εύρος στην περίπτωση των δημοσκοπήσεων είναι το μέγεθος του δείγματος των ερωτηθέντων.

56 Διαστήματα Εμπιστοσύνης 48 Confidence t 99% % % % % 1.28 Όπου F είναι ο γραμμικός πίνακας των υπολογισμένων βάσει του μοντέλου σημειακών προβλέψεων, t είναι η παράμετρος εμπιστοσύνης, RMSE είναι η ρίζα του μέσου τετραγωνικού σφάλματος και n είναι το σύνολο των διαθέσιμων παρατηρήσεων.

57 Διαστήματα Εμπιστοσύνης 49

58 Η διαδικασία της πρόβλεψης στην επιχείρηση 50 Επιχείρηση Παντελόνια Πουκάμισα Μπλούζες Πα1 Πο1 Μ1 Πα2 Πο2 Μ2 Πα3 Πο3 Μ3 Πα4 Πο4 Μ4 Πα5 Πο5 Πο6

59 Η διαδικασία της πρόβλεψης στην επιχείρηση 51 Πρόβλεψη Προϊόντος

60 Η διαδικασία της πρόβλεψης στην επιχείρηση 52 Πρόβλεψη Κατηγορίας/Τμήματος

61 Η διαδικασία της πρόβλεψης στην επιχείρηση 53 Πρόβλεψη Επιχείρησης

62 Η διαδικασία της πρόβλεψης στην επιχείρηση 54

63 Fell free to say hi! We are friendly and social Ηρώων Πολυτεχνείου 9, Ζωγράφος Αττική, 15780, Ελλάδα info(at)fsu.gr Τηλέφωνο: Fax: Κτίριο της Σχολής Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών 2ος όροφος NTUA Μονάδα Προβλέψεων και Στρατηγικής ΕΜΠ lesson@fsu.gr