앙상블 시계열 모델

시계열 예측을 자동화해야하며 해당 계열의 기능 (계절, 추세, 노이즈 등)을 미리 알지 못합니다.

내 목표는 각 시리즈에 가장 적합한 모델을 얻는 것이 아니라 매우 나쁜 모델을 피하는 것입니다. 다시 말해, 매번 작은 오류를 얻는 것은 문제가되지 않지만 가끔 큰 오류를 얻는 것은 문제가됩니다.

다른 기법으로 계산 된 모델을 결합하여이를 달성 할 수 있다고 생각했습니다.

즉, ARIMA가 특정 시리즈에 가장 적합한 방법이지만 다른 시리즈에 가장 적합하지 않을 수도 있습니다. 지수 평활에 대해서도 동일합니다.

그러나 각 기법에서 하나의 모델을 결합하면 한 모델이 좋지 않더라도 다른 모델은 추정치를 실제 값에 더 가깝게 만듭니다.

ARIMA는 장기적으로 잘 작동하는 시리즈에서 더 잘 작동하는 반면 지수 평활은 단기적으로 노이즈가 많은 시리즈에서 두드러집니다.

• 내 생각은보다 강력한 예측을 얻기 위해 두 기술에서 생성 된 모델을 결합하는 것입니다.

이러한 모델을 결합하는 방법에는 여러 가지가있을 수 있습니다.

• 이것이 좋은 접근 방법이라면 어떻게 결합해야합니까?

간단한 예측 평균은 옵션이지만 모델의 양호도에 따라 평균에 가중치를 부여하면 더 나은 예측을 얻을 수 있습니다.

• 모형을 결합 할 때 분산 처리는 무엇입니까?

예측을 결합하는 것은 훌륭한 아이디어입니다. (이것이 학술 예측 자들이 동의하는 몇 안되는 것 중 하나라고 말하는 것은 과장된 것이 아니라고 생각합니다.)

나는 가중치 예측에 대한 다른 방법을 다시 보면서 논문을 작성했습니다. http://www.sciencedirect.com/science/article/pii/S0169207010001032 기본적으로 (Akaike) 가중치를 사용하면 조합이 지속적으로 향상되지 않았습니다 단순하거나 손질 된 / 윈저 화 된 수단 또는 중간 값에 비해, 나는 개인적으로 두 번 생각할 것입니다. 복잡한 절차를 수행하기 전에 확실한 이점을 얻지 못할 수도 있습니다 (정보 기준에 따라 선택 단일 방법을 지속적으로 능가한다는 점을 상기하십시오). 이것은 물론 특정 시계열에 따라 달라질 수 있습니다.

위의 논문에서 예측 간격을 결합하는 것을 보았지만 분산을 결합하는 것은 아닙니다. 나는 이 주제 에 대해 IJF에 오래 전의 논문을 회상하고있는 것 같습니다. 따라서 IJF 의 역호 를 통해 "조합"또는 "조합"을 검색하고 싶을 수도 있습니다.

예측을 결합 살펴 보았다 몇 가지 다른 논문은 여기에 (1989 년부터,하지만 리뷰) 와 여기 와 여기 (또한 밀도에서 보이는) 와 여기 와 여기에. 이들 중 다수는 왜 예측 조합이 단일 선택된 모델보다 자주 성능을 능가하는지 여전히 잘 이해하지 못한다고 지적합니다. 마지막 두 번째 논문은 M3 예측 경쟁에 관한 것입니다. 그들의 주요 발견 중 하나는 "다양한 방법의 조합 정확도는 평균적으로 특정 방법이 결합되어 다른 방법과 비교하여 성능이 뛰어나며"라는 것이었다. 마지막 백서에서는 조합이 단일 모델보다 더 나은 성능을 발휘할 필요는 없지만 치명적인 오류 (목표 중 하나)의 위험을 상당히 줄일 수 있음을 발견했습니다. 더 많은 문학은에서 쉽게 찾을 수 있어야 예측의 국제 저널 의 예측의 저널 계량 경제학 또는 공급망 문헌에서보다 구체적으로 적용 할 수 있습니다.

왜 더 지정하지 않습니까? 나는 당신이 생산할 모델이 특정 선택보다 더 좋거나 좋을 것이라고 생각하지 않습니다.

그렇기 때문에 테스트 할 수있는 범위로 선택 범위를 좁힐 수 있고 데이터 입력을 표준화 할 수 있다면 R에서 자동 테스트 절차를 작성하지 않는 이유는 무엇입니까?

데이터가 5 개의 모델과 1 개의 "대체"로 추정되는 범위 내에 속한다고 결정했다고 가정 해보십시오. 다른 테스트로 입력을 특성화 할 수 있다고 가정하십시오. 그런 다음 계속 진행하여 R (또는 이와 유사한 프로그램) 알고리즘을 작성하십시오. 테스트 데이터를 기반으로 실행할 모델의 플로우 차트를 작성할 수있는 경우 (즉 의사 결정 트리의 포인트가 2 진인 경우)에 작동합니다.

결정이 이진이 아니기 때문에 이것이 옵션이 아닌 경우 적용 가능한 테스트를 기반으로 등급 시스템을 구현하고 그리드를 통해 일부 "극단적 사례"시뮬레이션 데이터를 실행하여 결과가 원하는 결과인지 확인하는 것이 좋습니다.

예를 들어, 정상이 아닌 테스트는 예-아니오로 정의 될 수 있지만 다른 속성은 다중 공선 성과 같은 범위에 속할 수 있습니다.
먼저 종이에이 그림을 그린 다음 구축하고 알려진 분포로 시뮬레이션 할 수 있습니다.

그런 다음 새로운 데이터가 도착할 때마다 R 프로그램을 실행하십시오. 여러 모델을 현재 보유하고있는 계산 기능과 결합 할 필요가 없습니다.

두 가지 예측 방법을 결합하기위한 훌륭하고 간단한 공식이 있습니다. 첫 번째와 a를 곱하고 (1-a)를 곱하면 가중치가 적용됩니다. 여기서 a는이 결합 된 예측의 분산을 최소화하여 발견됩니다. 두 예측 방법의 오류를 알고 있으므로 조합의 오류는 "a"에 따라 달라질 수 있습니다. 각 방법의 평균이 0 인 경우 계산이 간단합니다. 2 개 이상의 방법을 결합하는 경우 수식을 분석적으로 "수동으로"계산하거나 EXCEL의 Solver 옵션을 사용할 수 있다는 의미에서 "단순"합니다.