Eksponensiële Moving Average Kern

Een moontlike benadering hier is 'n metode wat die kern terug te hê. Van wat ek kan sien, sal insette om hierdie metode kerneltype wees. Ek. en otherInputs. 'N Eenvoudige benadering sou wees: Dit is natuurlik vreeslik rof, en 'n baie verbetering kan gemaak word, maar dit is bedoel om bloot te kry die punt oor. Ek sou 'n koppelvlak om te gebruik om 'n kern verteenwoordig, en het klasse afgelei per kern. In my ervaring, wat produseer genoeg leesbare en onderhou kode, maar Theres altyd ruimte vir verbetering. antwoord 1 Augustus 14 aan 20: 39One moontlike benadering hier is 'n metode wat die kern terug te hê. Van wat ek kan sien, sal insette om hierdie metode kerneltype wees. Ek. en otherInputs. 'N Eenvoudige benadering sou wees: Dit is natuurlik vreeslik rof, en 'n baie verbetering kan gemaak word, maar dit is bedoel om bloot te kry die punt oor. Ek sou 'n koppelvlak om te gebruik om 'n kern verteenwoordig, en het klasse afgelei per kern. In my ervaring, wat produseer genoeg leesbare en onderhou kode, maar Theres altyd ruimte vir verbetering. antwoord 1 Augustus 14 aan 20: 39Recipe6.4.Smoothing Data Gebruik geweegde gemiddeldes Youd graag data glad in 'n tydreeks. Oplossing Gebruik Excels eksponensiële gladstryking funksie in die analise ToolPak of bou 'n reëlmatige datareeks jouself met behulp van spreadsheet funksies en VBA. Bespreking Smoothing data is dikwels wenslik om ongewenste geraas te verwyder in 'n data-reeks. Berekening van bewegende gemiddeldes soos bespreek in Resep 6.3 is eintlik 'n glad proses. Behalwe die bewegende gemiddeldes metodes vroeër bespreek, daar is ander maniere om data te stryk. Excel bied 'n eksponensiële gladstryking funksie as deel van die analise ToolPak. Verder kan jy enige glad bedrywighede wat jy wil met behulp van standaard sigbladfunksies (en / of VBA) op te rig. Jy hierdie benadering in die vorige resep reeds gesien egter hierdie keer Siek wys jou hoe om 'n geweegde bewegende gemiddelde wat gebruik maak van 'n kubieke spline interpolasie kern maak gebruik. Eksponensiële gladstryking eksponensiële gladstryking is ook 'n geweegde-gemiddelde tegniek. Die idee agter geweegde gemiddelde is om datawaardes wat die naaste aan die waarde wat voorspel of beraamde groter belang, of invloed te gee, in teenstelling met waardes verder weg. Eksponensiële gladstryking gebruik die volgende formule: F N ​​1 is die waarde wat geskat op tyd interval N 1. 'n is 'n gewig faktor wat 'n dempingsfaktor in Excel genoem. F N is die vorige geskatte waarde, en Y N is die vorige werklike waarde in die oorspronklike data reeks. Om eksponensiële gladstryking gebruik, kies Tools Figuur 6-11. Eksponensiële dialoog Smoothing boks in die veld Input Range, tipe (of kies op die sigblad) die sel reeks met die insette data wat jy wil uit te stryk. Gee 'n dempingsfaktor in die dempingsfaktor veld of los dit leeg op die verstek waarde van 0,3 gebruik. Gee 'n verwysing na die boonste sel in die verlangde uitset sel reeks in die veld Uitgawe Range. Druk OK wanneer jy klaar en moet jy die resultate op jou spreadsheet sien. Figuur 6-12 toon 'n voorbeeld vir dieselfde jaarlikse temperatuur data wat in die vorige resep. Die gevolglike data reeks ná glad is vervat in kolom R. Figuur 6-12. Eksponensiële gladstryking resultate Net soos die bewegende gemiddelde hulpmiddel vroeër bespreek, die eksponensiële Smoothing hulpmiddel plaas 'n sel formule in plaas van 'n waarde in elke sel van die gevolglike data reeks. Op hierdie manier, as jou oorspronklike data veranderinge, die stryk data sal outomaties by te werk. Cell R10 gekies in Figuur 6-12, sodat jy kan sien wat die formules lyk. Die formule word in die formule bar en is van die vorm 0.7O90.3R9. Soos jy kan sien, hierdie formule ooreenstem met die eksponensiële gladstryking vergelyking ek jou gewys het vroeër. Natuurlik, kan jy hierdie formules jouself te betree, omleiding die behoefte om die analise ToolPak gebruik, as jy wil. Figuur 6-13 toon 'n plot van die reëlmatige data reeks wat bo-oor die oorspronklike reeks, sodat jy die verskil tussen die twee kan sien. Figuur 6-13. Eksponensieel stryk temperatuur data Ander geweegde gemiddelde tegnieke word algemeen gebruik in tydreeksanalise. In die volgende afdeling wys Siek jy een wat gebaseer is op 'n kubieke spline interpolasie kern. Kern glad In hierdie voorbeeld Siek wys jou 'n geweegde gemiddelde metode wat 'n kubieke spline interpolasie kern ontwerp om 'n Gaussiese kern benader gebruik. Jy kan allerhande verskillende pitte gebruik vir glad met slegs geringe veranderinge aan die tegniek Siek teenwoordig. Die kern Siek gebruik is: r verteenwoordig die afstand tussen datapunte en h verteenwoordig die effektiewe radius glad gedeel deur 2. Swak gebruik hierdie smoothing funksie om gewigte bereken wanneer die berekening van geweegde gemiddeldes van die tydreeks. Om hierdie taak makliker te maak, ek het bygevoeg 'n VBA funksie genoem WCS dat jy 'n beroep van die sigblad. Voorbeeld 6-1 toon my VBA implementering vir hierdie smoothing kern. Voorbeeld 6-1. Kubieke spline kern Dit is 'n redelik eenvoudige implementering van die vergelyking wat ek vroeër gewys, so ek sal nie gaan oor elke reël van die kode. Verwys na Hoofstuk 2 as julle nie reeds op hoogte oor die gebruik van VBA en die toevoeging van persoonlike funksies en subroetines. Siek gebruik hierdie funksie om gewigte op te wek om dieselfde temperatuur data vroeër bespreek glad. Figuur 6-14 toon 'n gewig tafel Ek bereken die gebruik van hierdie funksie. Figuur 6-14. Gewig tafel Die eerste kolom in die tabel, gemerk r. bevat relatiewe indekse om die vierde indeks, gemerk 0. Ons kan dit doen hier om r te bereken omdat die tydreeksdata is getoets op eweredig gespasieer tussenposes. Die tweede kolom bevat formules soos WCS (U10,2). Dit is die formule wat in sel V10. Al die ander selle bevat soortgelyke formules. Die som van die gewigte (bereken met behulp van die sommeskadeleer getoon in sel V14) is nodig om die geweegde gemiddelde berekening normaliseer. Jy kan hierdie stap te vermy as jou kern integreer om eenheid oor sy reeks van ondersteuning. Nou, na die stryk datareeks bereken, stel ek 'n ander kolom in my spreadsheet, soos getoon in Figuur 6-15. Figuur 6-15. Kern-smoothing resultate Die stryk data is vervat in kolom S onder die opskrif kern Smoothing. Ek gekies die eerste stryk datawaarde in sel S10 in die figuur, sodat jy die sel formule kan sien. Die formule is SUMPRODUCT (R7: R13, V7: V13) / V14. Soos jy kan sien, is dit gebruik die SUMPRODUCT formule om die som van die produkte van elke ooreenstemmende kwartaal in die twee gegewe sel wissel bereken (sien Hoofstuk 7 vir meer inligting oor hierdie en ander handige funksies). In hierdie geval, die eerste sel reeks ooreenstem met die ses data items rondom die gegewe data item, insluitend die gegewe data item. Dit beteken dat die geweegde gemiddelde in hierdie geval is gesentreer oor die i ste data-item en sluit die geweegde invloed van die drie vorige items en die drie volgende items. Die tweede sel reeks bevat die in Figuur 6-14 gewigte. Verdere, te deel deur die som van gewigte, soos vervat in sel V14, normaliseer die resultaat. Sodra die eerste formule is gestig, ek eenvoudig gekopieer en geplak dit in die oorblywende selle in die data-reeks. Let daarop dat ons nie verloor data. Spesifiek, ons verloor die eerste en laaste drie data-items in die reeks as gevolg van die omvang van die invloed van die gewig funksie wat ek gebruik. Jy kan die omvang van invloed te verhoog deur die verhoging van die waarde vir die h parameter geslaag in WCS. of jy dit kan verlaag deur 'n vermindering van hierdie waarde. Hoe groter die verskeidenheid van invloed (vandaar die groter die aantal data-items in die reeks gemiddeld vir elke stryk gevolg), die gladder die gevolglike data reeks. Figuur 6-16 toon 'n plot van die reëlmatige data reeks in vergelyking met die oorspronklike data reeks die effek van smoothing is duidelik. Figuur 6-16. - Kern stryk temperatuur data Sien ook Sien resep 6.3 om te leer hoe om nie-geweegde bewegende gemiddeldes te bereken in Excel. Glad data met behulp van die tegnieke in hierdie en die vorige resep is eintlik 'n vorm van filter. Jy kan ook data in die frekwensiedomein filter in Excel gebruik van Fourier-transforms lees resep 6.10 tot more. Moving gemiddelde leer in Statistiek. 'n bewegende gemiddelde. ook bekend as rollende gemiddelde. beweeg gemiddelde. rollende gemiddelde. gly tydelike gemiddelde. of hardloop gemiddelde. is 'n soort van eindige impulsrespons filter wat gebruik word om 'n stel datapunte analiseer deur die skep van 'n reeks van gemiddeldes van verskillende onderafdelings van die volle datastel. Gegewe 'n reeks van getalle en 'n vaste subset grootte, is die eerste element van die bewegende gemiddelde verkry deur die gemiddelde van die aanvanklike vaste subset van die aantal reeks. Toe die subset is gewysig deur die verskuiwing na vore, dit is, met uitsluiting van die eerste getal van die reeks en met die volgende getal na die oorspronklike subset in die reeks. Dit skep 'n nuwe subset van getalle, wat gemiddeld. Hierdie proses word herhaal oor die hele data-reeks. Die plot lyn verbind al die (vaste) gemiddeldes is die bewegende gemiddelde. 'N bewegende gemiddelde is 'n versameling getalle, elk van wat is die gemiddelde van die ooreenstemmende subset van 'n groter stel datum punte. 'N bewegende gemiddelde kan ook gebruik ongelyke gewigte vir elke datum waarde in die subset om bepaalde waardes te beklemtoon in die subset. 'N bewegende gemiddelde is algemeen gebruik word met tydreeksdata te stryk korttermynskommelings en na vore te bring die langer termyn tendense of siklusse. Die drumpel tussen korttermyn - en langtermyn hang af van die aansoek, en die parameters van die bewegende gemiddelde dienooreenkomstig opgestel. Byvoorbeeld, is dit dikwels gebruik in tegniese ontleding van finansiële data, soos aandele pryse. opbrengste of verhandelingsvolumes. Dit word ook gebruik in die ekonomie tot die bruto binnelandse produk, diens of ander makro-ekonomiese tydreekse ondersoek. Wiskundig n bewegende gemiddelde is 'n tipe van konvolusie en dus is dit kan gesien word as 'n voorbeeld van 'n laaglaatfilter gebruik in seinverwerking. Wanneer dit gebruik word met 'n nie-tydreeksdata, 'n bewegende gemiddelde filters hoër frekwensie komponente sonder enige spesifieke verbinding met tyd, hoewel tipies 'n soort van bestel word geïmpliseer. Beskou simplisties kan dit beskou word as glad die data. Inhoud Eenvoudige bewegende gemiddelde wysig 'n eenvoudige bewegende gemiddelde (SMA) is die ongeweegde gemiddelde van die vorige N datum punte in die finansiële programme. Maar in wetenskap en ingenieurswese die gemiddelde is gewoonlik geneem uit 'n gelyke aantal data aan weerskante van 'n sentrale waarde. Dit verseker dat variasies in die gemiddelde is in lyn met die verskille in die data eerder as verskuif in die tyd. 'N Voorbeeld van 'n eenvoudige ewe geweegde hardloop beteken vir 'n N-dag monster van sluitingsprys is die gemiddeld van die vorige N dae sluiting pryse. As die pryse is dan die formule By die berekening van opeenvolgende waardes, 'n nuwe waarde in werking die som en 'n ou waarde druppels uit, wat beteken dat 'n volledige opsomming elke keer is onnodig vir hierdie eenvoudige geval, die geselekteerde periode hang af van die tipe beweging van rente, soos kort, intermediêre, of langtermyn. In finansiële terme bewegende gemiddelde vlakke kan geïnterpreteer word as ondersteuning in 'n stygende mark, of weerstand in 'n dalende mark. As die gebruik van data nie gesentreer rondom die gemiddelde, 'n eenvoudige bewegende gemiddelde loop agter die jongste datum punt deur die helfte van die breedte monster. 'N SBG kan ook buite verhouding beïnvloed word deur ou datum punte val uit of nuwe data inkom. Een eienskap van die SMA is dat as die data het 'n periodieke skommeling, dan aansoek doen 'n SMA van daardie tydperk sal dit variasie (die gemiddelde altyd met skakel een volledige siklus). Maar 'n perfek gereelde siklus is selde teëgekom. 1 Vir 'n aantal aansoeke is dit voordelig om die verskuiwing veroorsaak deur die gebruik van slegs die verlede data te vermy. Vandaar 'n sentrale bewegende gemiddelde kan bereken word, met behulp van data eweredig gespasieerde weerskante van die punt in die reeks waar die gemiddelde bereken word. Dit vereis die gebruik van 'n onewe aantal datum punte in die monster venster. Kumulatiewe bewegende gemiddelde wysig In 'n kumulatiewe bewegende gemiddelde. die data kom in 'n geordende datum stroom en die statistikus wil die gemiddeld van al die data op te staan ​​tot die huidige datum punt. Byvoorbeeld, kan 'n belegger wil die gemiddelde prys van al die voorraad transaksies vir 'n bepaalde voorraad tot die huidige tyd. Soos elke nuwe transaksie plaasvind, kan die gemiddelde prys ten tyde van die transaksie word bereken vir al die transaksies tot op daardie punt met behulp van die kumulatiewe gemiddelde, tipies 'n ewe geweegde gemiddelde van die volgorde van i waardes x 1. x i tot die huidige tyd: Die brute krag metode om hierdie te bereken sal wees om al die data te stoor en bereken die som en deel dit deur die aantal datum punte elke keer as 'n nuwe datum punt aangekom. Dit is egter moontlik om kumulatiewe gemiddelde eenvoudig te werk as 'n nuwe waarde XI 1 beskikbaar raak, met behulp van die formule: So het die huidige kumulatiewe gemiddelde vir 'n nuwe datum punt is gelyk aan die vorige kumulatiewe gemiddelde plus die verskil tussen die jongste datum punt en die vorige gemiddelde gedeel deur die aantal punte tot dusver ontvang. Wanneer al die datum punte kom (i N), sal die kumulatiewe gemiddelde finale gemiddelde gelyk. Die afleiding van die kumulatiewe gemiddelde formule is eenvoudig. Die gebruik van en insgelyks vir i 1. Dit is gesien dat belangrikheid van hierdie vergelyking vir GR i 1 resultate in: Geweegde bewegende gemiddelde wysig 'n Geweegde gemiddelde is geen gemiddelde wat faktore het vermenigvuldig om verskillende gewigte om data te gee op verskillende posisies in die monster venster. Wiskundig die bewegende gemiddelde is die konvolusie van die datum punte met 'n vaste gewig funksie. Een aansoek verwydering pixelisation van 'n digitale beeld grafiese. In tegniese ontleding van finansiële data, 'n geweegde bewegende gemiddelde (WBA) het die spesifieke betekenis van gewigte wat afname in rekenkundige progressie. 2 In 'n N - Day WBG die jongste dag het gewig N. die tweede jongste N 16087221601, ens af tot een. Lêer: Geweegde bewegende gemiddelde gewigte N15.png By die berekening van die WBG oor opeenvolgende waardes, die verskil tussen die tellers van WBG M 1 en WBG M is NP M 1 1608722160 p M 16087221601608722160 p M 8722n1. As ons aan te dui die som p M 160160160160 p M 8722 N 1 deur Total M. sal die grafiek op die regte toon hoe die gewigte te verminder, uit hoogste gewig vir die mees onlangse datum punte, af na nul. Dit kan vergelyk word met die gewigte in die eksponensiële bewegende gemiddelde wat volg. Eksponensiële bewegende gemiddelde wysig 'n eksponensiële bewegende gemiddelde (EMA), ook bekend as 'n eksponensieel geweeg bewegende gemiddelde (EWMA), 3 is 'n tipe van oneindige impulsrespons filter wat gewig faktore wat eksponensieel afneem van toepassing. Die gewig van elke ouer datum punt afneem eksponensieel, nooit bereik nul. Die grafiek regs toon 'n voorbeeld van die gewig vermindering. Die EMA vir 'n reeks Y kan rekursief bereken word: Die koëffisiënt verteenwoordig die mate van gewig afname, 'n konstante glad faktor tussen 0 en 1. 'n hoër afslag ouer Waarnemings vinniger. Alternatiewelik kan uitgedruk word in terme van N tydperke, waar 1601602 / (N 1) script fout script fout 91 verwysing benodig 93. Byvoorbeeld, as N 16.016.019 is gelykstaande aan 1.601.600,1, die halfleeftyd van die gewigte (die interval oor wat die gewigte te verminder met 'n faktor van twee) is ongeveer n /2.8854 (binne 1 as n 160gt1605). Y t is die waarde op 'n tydperk t. S t is die waarde van die EMO te eniger tyd t. S 1 ongedefinieerd is. S 1 kan in 'n aantal verskillende maniere, wat die algemeenste geïnisialiseer deur die oprigting van S 1 tot Y 1. alhoewel ander tegnieke bestaan, soos die opstel van S 1 tot 'n gemiddeld van die eerste 4 of 5 waarnemings. Die prominensie van die S 1 initializations uitwerking op die gevolglike bewegende gemiddelde is afhanklik van kleiner waardes maak die keuse van S 1 relatief belangriker as groter waardes, aangesien 'n hoër afslag ouer Waarnemings vinniger. Hierdie formulering is volgens Hunter (1986). 4 Deur herhaalde toepassing van hierdie formule vir verskillende tye, kan ons uiteindelik skryf S t as 'n geweegde som van die datum punte Y t. soos: 'n alternatiewe benadering deur Roberts (1959) gebruik Y t in plaas van Y t 87221. 5 Hierdie formule kan ook uitgedruk word in terme van tegniese ontleding soos volg, wys hoe die EMO stappe in die rigting van die nuutste datum punt, maar slegs deur 'n deel van die verskil (elke keer): Dit is 'n oneindige som met dalende terme. Die N periodes in 'n N - Day EMO slegs die faktor spesifiseer. N is nie 'n stop punt vir die berekening van die manier waarop dit is in 'n SMA of WBG. Vir groot genoeg N. Die eerste N datum punte in 'n EMO verteenwoordig sowat 86 van die totale gewig in die berekening: 6 Die krag formule hierbo gee 'n begin waarde vir 'n spesifieke dag, waarna die opeenvolgende dae formule eerste getoon kan word. Die vraag van hoe ver terug te gaan vir 'n aanvanklike waarde hang, in die ergste geval, op die data. Groot prys waardes in ou data sal beïnvloed op die totale selfs al hul gewig is baie klein. As pryse het 'n klein variasies dan net die gewig kan oorweeg word. Die gewig uitgelaat deur te stop nadat k terme is uit die totale gewig. Byvoorbeeld, om te hê 99,9 van die gewig bokant verhouding gelyk aan 0.1 stel en op te los vir k. vir hierdie voorbeeld (99,9 gewig). Gewysig bewegende gemiddelde wysig A gemodifiseerde bewegende gemiddelde (MMA), hardloop bewegende gemiddelde (RMA), of glad bewegende gemiddelde word gedefinieer as: Aansoek om die meting van werkverrigting van die rekenaar wysig Sommige rekenaar prestasie statistieke, bv die gemiddelde proses tou lengte, of die gemiddelde CPU gebruik, gebruik 'n vorm van eksponensiële bewegende gemiddelde. Hier word gedefinieer as 'n funksie van tyd tussen twee lesings. 'N Voorbeeld van 'n koëffisiënt gee groter gewig aan die huidige lees, en kleiner gewig aan die ouer lesings is byvoorbeeld 'n 15-minuut gemiddelde L van 'n proses tou lengte Q. gemeet elke 5 sekondes (tydsverskil is 5 sekondes), word bereken as Ander gewigte wysig Ander gewig stelsels soms 8211 word byvoorbeeld in aandeleverhandeling n volume gewig sal elke tydperk in verhouding tot sy handel volume gewig. 'N Verdere gewig, wat gebruik word deur aktuarisse, is Spencer 15-punt bewegende gemiddeld 11 ( 'n sentrale bewegende gemiddelde). Die simmetriese gewig koëffisiënte is -3, -6, -5, 3, 21, 46, 67, 74, 67, 46, 21, 3, -5, -6, -3. Buite die wêreld van finansies, geweegde hardloop middel het baie vorms en aansoeke. Elke gewig funksie of kern het sy eie kenmerke. In ingenieurswese en wetenskap die frekwensie en fase van die filter is dikwels van groot belang in die begrip van die gewenste en ongewenste verdraaiings dat 'n bepaalde filter sal van toepassing wees op die data. 'N gemiddelde nie net glad die data. 'N gemiddelde is 'n vorm van laaglaatfilter. Die gevolge van die betrokke filter gebruik moet verstaan ​​word ten einde 'n gepaste keuse te maak. Op hierdie punt, die Franse weergawe van hierdie artikel bespreek die spektrale effekte van 3 soorte middel (kumulatiewe, eksponensiële, Gauss). Moving mediaan wysig Uit 'n statistiese oogpunt, die bewegende gemiddelde, wanneer dit gebruik word om die onderliggende tendens in 'n tydreeks te skat, is vatbaar vir seldsame gebeurtenisse soos vinnige skokke of ander onreëlmatighede. 'N meer robuuste skatting van die neiging is die eenvoudige beweeg mediaan oor N tyd punte: waar die mediaan is gevind deur, byvoorbeeld, sorteer die waardes binne die hakies en die vind van die waarde in die middel. Vir groter waardes van n. die mediaan kan doeltreffend bereken deur die opdatering van 'n geïndekseer skiplist. 12 Statisties, die bewegende gemiddelde is optimaal vir die herstel van die onderliggende tendens van die tyd reeks wanneer die skommelinge oor die tendens normaal versprei is. Dit beteken egter die normaalverdeling nie plaas 'n hoë waarskynlikheid op 'n baie groot afwykings van die tendens wat verduidelik waarom sulke afwykings n buite verhouding groot invloed op die tendens beraming sal hê. Dit kan aangetoon word dat indien die skommelinge in plaas word aanvaar dat Laplace te versprei. dan die bewegende gemiddelde is statisties optimale. 13 Vir 'n gegewe variasie, die Laplace verspreiding plaas hoër waarskynlikheid op seldsame geleenthede as wel die normale, wat verklaar waarom die bewegende gemiddelde skokke beter as die bewegende gemiddelde verdra. Wanneer die eenvoudige beweeg mediaan bo staan ​​sentraal, die smoothing is identies aan die mediaan filter wat aansoeke in, byvoorbeeld, beeld seinverwerking het. Sien ook Wysig hierdie artikel sluit 'n lys van verwysings. maar sy bronne bly onduidelik omdat dit onvoldoende inline aanhalings. Help asseblief om hierdie artikel te verbeter deur die instelling van meer akkurate aanhalings. 32 (Februarie 2010) Eksponensiële Smoothing verduidelik word. kopie Kopiereg. Die inhoud van InventoryOps is kopiereg beskerm en is nie beskikbaar vir herdruk. Wanneer mense eers die term Eksponensiële Smoothing teëkom kan hulle dink dit klink soos 'n hel van 'n baie glad. alles glad is. Hulle het toe begin om 'n ingewikkelde wiskundige berekening wat waarskynlik vereis 'n graad in wiskunde te verstaan ​​voor oë, en ek hoop daar is 'n ingeboude EXCEL funksie beskikbaar indien hulle ooit nodig het om dit te doen. Die realiteit van eksponensiële gladstryking is veel minder dramatiese en baie minder traumaties. Die waarheid is, eksponensiële gladstryking is 'n baie eenvoudige berekening wat 'n redelik eenvoudige taak accomplishes. Dit het net 'n ingewikkelde naam want wat tegnies gebeur as gevolg van hierdie eenvoudige berekening is eintlik 'n bietjie ingewikkeld. Om eksponensiële gladstryking verstaan, help dit om te begin met die algemene konsep van glad en 'n paar ander algemene metodes wat gebruik word om glad te bereik. Wat is glad Smoothing is 'n baie algemene statistiese proses. Trouens, ons gereeld reëlmatige data in verskeie vorme in ons dag-tot-dag lewe teëkom. Enige tyd wat jy 'n gemiddelde gebruik om iets te beskryf, gebruik jy 'n reëlmatige nommer. As jy dink oor die rede waarom jy 'n gemiddelde gebruik om iets te beskryf, sal jy vinnig verstaan ​​die konsep van gladstryking. Byvoorbeeld, ons het net ervaar die warmste winter op rekord. Hoe is ons in staat was om te kwantifiseer hierdie Wel ons begin met datastelle van die daaglikse hoë en lae temperature vir die tydperk wat ons Winter bel vir elke jaar in die geskiedenis. Maar dit laat ons met 'n klomp van die nommers wat spring om nogal 'n bietjie (sy nie soos elke dag hierdie winter was warmer as die ooreenstemmende dae vanaf alle vorige jaar). Ons moet 'n getal wat al hierdie spring rond verwyder uit die data, sodat ons kan makliker vergelyk een winter na die volgende. Die verwydering van die spring rond in die data heet glad, en in hierdie geval kan ons net gebruik om 'n eenvoudige gemiddelde tot die smoothing bereik. In vraag vooruitskatting, gebruik ons ​​glad ewekansige variasie (geraas) van ons historiese vraag te verwyder. Dit stel ons in staat om die vraag patrone (hoofsaaklik tendens en seisoenaliteit) en vlakke vraag wat gebruik kan word om toekomstige vraag te skat beter te identifiseer. Die geraas in die vraag is dieselfde konsep as die daaglikse spring rond van die temperatuur data. Nie verrassend nie, die mees algemene manier waarop mense verwyder geraas uit die geskiedenis vraag is om 'n eenvoudige averageor meer spesifiek gebruik, 'n bewegende gemiddelde. 'N bewegende gemiddelde net gebruik 'n vooraf gedefinieerde aantal periodes om die gemiddelde te bereken, en diegene periodes beweeg met verloop van tyd. Byvoorbeeld, as Im met behulp van 'n 4-maand bewegende gemiddelde, en vandag is 1 Mei, Im met behulp van 'n gemiddeld van vraag wat plaasgevind het in Januarie, Februarie, Maart en April. Op 1 Junie sal ek wees met behulp van die vraag vanaf Februarie, Maart, April en Mei. Geweegde bewegende gemiddelde. By die gebruik van 'n gemiddelde ons aansoek doen dieselfde belangrikheid (gewig) aan elke waarde in die datastel. In die 4-maand bewegende gemiddelde, elke maand verteenwoordig 25 van die bewegende gemiddelde. By die gebruik van die geskiedenis vraag na die toekomstige vraag (en veral toekomstige tendens) - projek, sy logiese om tot die gevolgtrekking gekom dat jy wil graag meer onlangse geskiedenis 'n groter impak op jou voorspelling het gekom. Ons kan ons bewegende gemiddelde berekening te pas by verskillende gewigte van toepassing op elke tydperk aan ons gewenste resultate te kry. Ons spreek hierdie gewigte as persentasies, en die totaal van alle gewigte vir alle tye moet tot 100. Daarom voeg, as ons besluit ons wil aansoek doen 35 as die gewig vir die naaste tydperk in ons 4 maande geweeg bewegende gemiddelde, ons kan aftrek 35 van 100 om uit te vind ons het 65 oorblywende om verdeeld oor die ander 3 periodes. Byvoorbeeld, kan ons uiteindelik met 'n gewig van 15, 20, 30, en 35 onderskeidelik vir die 4 maande (15 20 30 35 100). Eksponensiële gladstryking. As ons teruggaan na die konsep van die toepassing van 'n gewig aan die mees onlangse tydperk (soos 35 in die vorige voorbeeld) en die verspreiding van die oorblywende gewig (bereken deur die mees onlangse tydperk gewig van 35 uit 100 te kry 65), het ons die basiese boustene vir ons eksponensiële gladstryking berekening. Die beheer van insette van die eksponensiële gladstryking berekening staan ​​bekend as die smoothing faktor (ook bekend as die glad konstante). Dit verteenwoordig in wese die toepassing op die mees onlangse vraag tydperke gewig. So, waar ons gebruik 35 as die gewig vir die mees onlangse tydperk in die geweegde bewegende gemiddelde berekening, kan ons ook kies om te gebruik 35 as die glad faktor in ons eksponensiële gladstryking berekening om 'n soortgelyke effek te kry. Die verskil met die eksponensiële gladstryking berekening is dat in plaas van ons om te ook uit te vind hoeveel gewig om aansoek te doen om elke vorige tydperk, die smoothing faktor is wat gebruik word om dit outomaties te doen. So hier kom die eksponensiële deel. As ons gebruik 35 as die glad faktor, sal die gewig van die mees onlangse vraag tydperke wees 35. Die gewig van die volgende mees onlangse vraag tydperke (die tydperk voor die mees onlangse) sal wees 65 van 35 (65 kom van aftrekking 35 van 100). Dit is gelykstaande aan 22,75 gewig vir daardie tydperk as jy die wiskunde te doen. Die volgende mees onlangse vraag tydperke sal wees 65 van 65 van 35, wat gelykstaande is aan 14,79. Die tydperk voor daardie gelaai sal word as 65 van 65 van 65 van 35, wat gelykstaande is aan 9,61, en so aan. En dit gaan oor terug deur al jou vorige tydperke al die pad terug na die begin van tyd (of die punt waar jy begin het met behulp van eksponensiële gladstryking vir daardie spesifieke item). Julle waarskynlik dink dis lyk soos 'n hele klomp van die wiskunde. Maar die skoonheid van die eksponensiële gladstryking berekening is dat eerder as om te herbereken teen mekaar vorige tydperk elke keer as jy 'n nuwe tydperke vraag te kry, moet jy eenvoudig die opbrengs van die eksponensiële gladstryking berekening gebruik van die vorige tydperk tot alle vorige tydperke verteenwoordig. Is jy verward nog Dit sal meer sin maak as ons kyk na die werklike berekening Tipies verwys ons na die uitset van die eksponensiële gladstryking berekening as die volgende tydperk skatting. In werklikheid, die uiteindelike voorspelling moet 'n bietjie meer werk nie, maar vir die doeleindes van hierdie spesifieke berekening, sal ons daarna verwys as die skatting. Die eksponensiële gladstryking berekening is soos volg: Die mees onlangse tye vra om 'vermenigvuldig met die smoothing faktor. PLUS Die mees onlangse tye voorspel vermenigvuldig met (een minus die smoothing faktor). D mees onlangse tydperke eis S die glad faktor wat in desimale vorm (so 35 sal verteenwoordig as 0.35). F die mees onlangse tye voorspel (die opbrengs van die smoothing berekening van die vorige tydperk). OF (met die aanvaarding 'n glad faktor van 0.35) (D 0.35) (F 0,65) Dit nie die geval kry baie makliker as dit. Soos jy kan sien, al wat ons nodig het vir data insette hier is die mees onlangse tydperke vraag en die mees onlangse tye voorspel. Ons pas die smoothing faktor (gewig) tot die mees onlangse tye op dieselfde manier sou ons in die geweegde bewegende gemiddelde berekening te eis. Ons het toe pas die oorblywende gewig (1 minus die smoothing faktor) om die mees onlangse tye voorspel. Sedert die mees onlangse tye voorspel is gemaak op grond van die vorige tydperke vraag en die vorige tydperke voorspel, wat gebaseer was op die vraag na die tydperk voor daardie en die voorspelling vir die tydperk voor dit, wat gebaseer was op die vraag na die tydperk voor dat en die voorspelling vir die tydperk voor dit, wat gebaseer is op die tydperk voor daardie. Wel, kan jy sien hoe alle vorige tydperke vraag word in die berekening sonder om werklik terug te gaan en iets herbereken. En dis wat gery die aanvanklike gewildheid van eksponensiële gladstryking. Dit was nie omdat dit nie 'n beter werk van glad as geweegde bewegende gemiddelde, was dit omdat dit makliker om te bereken in 'n rekenaarprogram was. En, omdat jy didnt nodig om te dink oor wat gewig te vorige tydperke of hoeveel vorige tydperke te gebruik gee, soos jy sou in geweegde bewegende gemiddelde. En, omdat dit net geklink koeler as geweegde bewegende gemiddelde. Trouens, dit kan aangevoer word dat geweegde bewegende gemiddelde bied groter buigsaamheid want jy het meer beheer oor die gewig van vorige tydperke. Die realiteit is een van hierdie kan gerespekteerde resultate lewer nie, so hoekom nie saam met makliker en koeler klinkende. Eksponensiële Smoothing in Excel Kom ons kyk hoe dit eintlik sou lyk in 'n sigblad met werklike data. kopie Kopiereg. Die inhoud van InventoryOps is kopiereg beskerm en is nie beskikbaar vir herdruk. In Figuur 1A, ons het 'n Excel spreiblad met 11 weke van die vraag, en 'n eksponensieel stryk voorspelling bereken vanaf daardie vraag. Ive gebruik 'n glad faktor van 25 (0.25 in sel C1). Die huidige aktiewe sel is Cell M4 wat die voorspelling vir week 12. Jy kan sien in die formule bar, die formule is (L3C1) (L4 (1-C1)) bevat. Dus is die enigste direkte insette tot hierdie berekening is die vorige tydperke vraag (Cell V3), die vorige tydperke voorspel (Cell L4), en die smoothing faktor (Cell C1, getoon as absolute selverwysing C1). Wanneer ons begin 'n eksponensiële gladstryking berekening, moet ons die waarde hand prop vir die 1ste skatting. So in Cell B4, eerder as om 'n formule, ons het net getik in die vraag van wat in dieselfde tydperk as die skatting. In Cell C4 het ons 1 eksponensiële gladstryking berekening (B3C1) (B4 (1-C1)). Ons kan dan kopieer Cell C4 en plak dit in die selle D4 deur M4 om die res van ons vooruitskatting selle te vul. Jy kan nou dubbel-kliek op 'n voorspelling sel om te sien dit is gebaseer op die vorige tydperke voorspel sel en die vorige tydperke te eis sel. So elke daaropvolgende eksponensiële gladstryking berekening erf die uitset van die vorige eksponensiële gladstryking berekening. Dis hoe elke vorige tydperke vraag word in die mees onlangse berekening tydperke alhoewel dit berekening diegene vorige tydperke nie direk verwys. As jy wil fancy te kry, kan jy uitblink spoor presedente funksie gebruik. Om dit te doen, klik op Cell M4, dan op die lint nutsbalk (Excel 2007 of 2010) op die blad Formules, kliek Trace Presedente. Dit sal connector lyne te vestig op die 1ste vlak van presedente, maar as jy hou kliek Trace Presedente sal dit connector lyne om alle vorige tydperke te trek om jou te wys die geërf verhoudings. Nou kan sien wat eksponensiële gladstryking vir ons gedoen het. Figuur 1 B toon 'n grafiek van ons eis en skatting. Jy geval sien hoe die eksponensieel stryk voorspelling verwyder die meeste van die jaggedness (die spring rond) van die weeklikse vraag, maar steeds daarin slaag om te volg wat lyk na 'n opwaartse neiging in die vraag wees. Jy sal ook agterkom dat die reëlmatige voorspelling lyn geneig laer as die vraag lyn te wees. Dit staan ​​bekend as tendens lag en is 'n newe-effek van die smoothing proses. Enige tyd wat jy glad gebruik wanneer 'n tendens teenwoordig is jou voorspelling sal agter die tendens. Dit is waar vir enige glad tegniek. Trouens, as ons hierdie sigblad voort en begin skryf laer vraag nommers ( 'n afwaartse neiging) jy sou die vraag lyn val, en die tendens lyn skuif bo dit voor die aanvang van die afwaartse neiging volg sien. Dis hoekom ek voorheen genoem die uitset van die eksponensiële gladstryking berekening dat ons 'n voorspelling te roep, moet nog 'n paar meer werk. Daar is 'n baie meer om vooruitskatting as net glad uit die knoppe in aanvraag. Ons moet bykomende aanpassings vir dinge soos tendens lag, seisoenaliteit, bekend gebeure wat die vraag, ens kan bewerkstellig Maar alles wat buite die bestek van hierdie artikel maak. Jy sal waarskynlik ook loop in terme soos dubbel-eksponensiële gladstryking en trippel-eksponensiële gladstryking. Hierdie terme is 'n bietjie misleidend aangesien jy nie weer glad die vraag meer as een keer (jy kan as jy wil, maar dis nie die punt hier). Hierdie terme verteenwoordig met behulp van eksponensiële gladstryking op bykomende elemente van die skatting. So met 'n eenvoudige eksponensiële gladstryking, is jy glad die vraag basis, maar met 'n dubbele-eksponensiële gladstryking jy glad die vraag basis plus die tendens, en met drie-eksponensiële gladstryking jy glad die vraag basis plus die tendens plus die seisoen. Die ander mees algemene vraag oor eksponensiële gladstryking is waar kry ek my glad faktor Daar is geen magiese antwoord hier, moet jy verskeie glad faktore toets met jou vraag data om te sien wat jy kry die beste resultate. Daar is berekeninge wat outomaties kan stel (en verandering) die smoothing faktor. Hierdie val onder die term aanpasbaar glad nie, maar jy moet versigtig wees om met hulle te wees. Daar is eenvoudig geen perfekte antwoord en jy moet nie blindelings te implementeer enige berekening sonder deeglike toetsing en ontwikkeling van 'n deeglike begrip van wat dit berekening doen. Jy moet ook hardloop what-if scenario's om te sien hoe hierdie berekeninge te reageer op veranderinge wat nog nie op die oomblik kan bestaan ​​in die vraag data wat jy gebruik vir die toets te eis. Die data voorbeeld wat ek voorheen gebruik is 'n baie goeie voorbeeld van 'n situasie waar jy regtig nodig het om 'n ander scenario's te toets. Daardie spesifieke data voorbeeld toon 'n ietwat konsekwent opwaartse neiging. Baie groot maatskappye met baie duur vooruitskatting sagteware het in groot moeilikheid in die nie-so-verre verlede toe hulle sagteware instellings wat tweaked vir 'n groeiende ekonomie didnt goed reageer wanneer die ekonomie begin stagneer of krimp. Dinge soos dit gebeur wanneer jy dit nie verstaan ​​wat jou berekeninge (sagteware) is eintlik. As hulle hul vooruitskatting stelsel verstaan, sou hulle geweet het wat hulle nodig het om in te spring en iets te verander wanneer daar skielike dramatiese veranderinge aan hul besigheid. So daar het jy dit die basiese beginsels van die eksponensiële gladstryking verduidelik. Wil jy meer oor die gebruik van eksponensiële gladstryking in 'n werklike vooruitsig, check out my boek Inventory Management Hoe weet. kopie Kopiereg. Die inhoud van InventoryOps is kopiereg beskerm en is nie beskikbaar vir herdruk. Dave Piasecki. is eienaar / operateur van Inventory Bedryf Consulting LLC. 'n raadgewende firma die verskaffing van dienste wat verband hou met voorraad beheer, materiaal hantering, en pakhuis bedrywighede. Hy het meer as 25 jaar ondervinding in die operasionele bestuur en kan bereik word deur middel van sy webwerf (www. inventoryops), waar hy verdere relevante inligting handhaaf. my Besigheid