অনিয়মিত বিরতিতে কীভাবে একীভূত তথ্যের ভিত্তিতে পূর্বাভাস দেওয়া যায়?

আমি ভেন্ডিং মেশিনে পণ্য বিক্রির পূর্বাভাস দেওয়ার চেষ্টা করছি। সমস্যাটি হ'ল মেশিনটি অনিয়মিত বিরতিতে ভরাট হয় এবং প্রতিটি ভরাতে আমরা কেবলমাত্র মেশিনের শেষ ভরাট (অর্থাত্ আমাদের প্রতিদিনের বিক্রয় ডেটা নেই) থেকে সমষ্টিগত বিক্রয় রেকর্ড করতে পারি। সুতরাং মূলত আমাদের কাছে অনিয়মিত বিরতিতে একীভূত বিক্রয়ের জন্য ডেটা রয়েছে। ব্যবধানগুলি সাধারণত 2 দিন থেকে 3 সপ্তাহের মধ্যে থাকে। এখানে একটি ভেন্ডিং মেশিন এবং একটি পণ্যের জন্য ডেটা উদাহরণ রয়েছে:

27/02/2012 48
17/02/2012 24
09/02/2012 16
02/02/2012 7
25/01/2012 12
16/01/2012 16
05/01/2012 16
23/12/2011 4
16/12/2011 14
09/12/2011 4
02/12/2011 2

আমাদের বর্তমান নিষ্পাপ অ্যালগরিদমটি গত 90 দিনের মধ্যে 90% দ্বারা বিক্রি হওয়া মোট পরিমাণকে ভাগ করে প্রতিদিন গড়ে বিক্রয় গণনা করা হয়।

প্রতিদিন বিক্রির পূর্বাভাস কীভাবে উন্নত করা যায় সে সম্পর্কে আপনার কী ধারণা আছে? আমার ভবিষ্যদ্বাণী করা দরকার যে মেশিনের পরবর্তী ভিজিটে কী বিক্রি হবে। আমাদের ডেটার প্রকৃতিটি দেওয়া কি কোনও ধরণের ঘন ঘন স্মুথিং অ্যালগরিদম ব্যবহার করা সম্ভব?

আগাম ধন্যবাদ!

আপডেট: সমস্ত উত্তর এবং মন্তব্যের জন্য আপনাকে অনেক ধন্যবাদ। আমাকে আরও কিছু প্রসঙ্গ দেওয়ার চেষ্টা করা যাক (প্রশ্নের পিছনে ব্যবসায়ের কেস - খুব সহজভাবে অবশ্যই)। আমাদের কাছে শত শত ভেন্ডিং মেশিন রয়েছে। প্রতিদিন আমাদের সিদ্ধান্ত নিতে হবে যে তাদের মধ্যে 20 টি রিফিলের জন্য ঘুরে দেখা উচিত। এটি করার জন্য আমরা মেশিনগুলির বর্তমান অবস্থা কী তা অনুমান করতে এবং "খালি" 20 মেশিনগুলি নির্বাচন করার চেষ্টা করছি। প্রতিটি মেশিন এবং পণ্যের জন্য আমরা উপরে বর্ণিত নিষ্পাপ আলগোরিদম ব্যবহার করে প্রতিদিন গড়ে বিক্রয় (এসপিডি) গণনা করছি। তারপরে আমরা মেশিনের শেষ ভরাট হওয়ার পর থেকে এসপিডিটিকে বহুগুণ করি এবং ফলাফলটি পূর্বাভাসের পরিমাণ বিক্রি হয়।

time-series forecasting

— ইভান দিমিত্রভ
সূত্র

আমি মনে করি এটি একটি আকর্ষণীয় প্রশ্ন। আপনার সঠিক প্রশ্ন এবং ডেটাসেটের আমার উত্তরটি: এটির কোনও গুরুত্ব নেই? এবং: আরও ডেটা পান। এছাড়াও, আমি মনে করি এটি ভেন্ডিং মেশিনের সক্ষমতা কী তা জানা দরকারী।

— অ্যাডাম

@ অ্যাডাম এই পণ্যটির জন্য ক্ষমতা 50 টি বোতল। সমস্যা সম্পর্কে আমার বর্ণনাটি যথেষ্ট পরিষ্কার নয়। আরও প্রসঙ্গ দেওয়ার জন্য আমি এটি কিছুটা সম্পাদনা করার চেষ্টা করব। মূলত আমি কীভাবে সাধারণ সমস্যা সমাধান করবেন সেই ধারণাগুলি সন্ধান করছি এবং এ পর্যন্ত সমস্ত মন্তব্যের জন্য আমি অত্যন্ত কৃতজ্ঞ। নির্দিষ্ট ডেটাসেটটি ডেটা দেখতে কেমন লাগে তার উদাহরণ হিসাবে দেওয়া হয়। অন্যান্য ভেন্ডিং মেশিনের জন্য আমি অনেক দীর্ঘ সময়ের জন্য ডেটা সরবরাহ করতে পারি।

— ইভান দিমিত্রভ

@ ইভানডিমিট্রোভ: আপনার ডেটাতে কলাম দুটি ঠিক কী?

— কাইল ব্র্যান্ড্ট

@ কাইলব্র্যান্ড কলাম দুটি হ'ল ভেন্ডিং মেশিনে শেষ দেখার পর থেকে বিক্রি হওয়া বোতলগুলির সংখ্যা। সুতরাং শীর্ষ সারিতে 48 নম্বরের অর্থ 48 টি বোতল 17/02 থেকে 27/02 এর মধ্যে বিক্রি হয়েছিল

— ইভান দিমিত্রভ

উত্তর:

আসুন ব্যবসায়ের সমস্যায় ফোকাস করি, এটিকে মোকাবিলার জন্য একটি কৌশল বিকাশ করি এবং সেই কৌশলটি একটি সহজ উপায়ে বাস্তবায়ন শুরু করি। পরবর্তীতে, প্রচেষ্টা এটির সতর্কতা থাকলে এটি উন্নত করা যেতে পারে।

ব্যবসা সমস্যা লাভের পূর্ণবিস্তার অবশ্যই, হয়। এটি এখানে হারানো বিক্রয় ব্যয়ের তুলনায় রিফিলিং মেশিনগুলির ব্যয়কে ভারসাম্য বজায় রেখেই করা হয়। এর বর্তমান সূচনায়, মেশিনগুলিকে রিফিলিংয়ের জন্য খরচ নির্ধারণ করা হয়েছে: প্রতিদিন 20 টি পুনরায় পূরণ করা যেতে পারে। হারানো বিক্রয় ব্যয় অতএব নির্ভর করে যে মেশিনগুলি খালি রয়েছে তার উপর।

পূর্ববর্তী তথ্যের ভিত্তিতে প্রতিটি মেশিনের জন্য ব্যয় নির্ধারণের জন্য কিছু উপায় তৈরি করে এই সমস্যার জন্য একটি ধারণাগত পরিসংখ্যানের মডেল পাওয়া যেতে পারে। প্রত্যাশিতআজ কোনও মেশিনকে পরিবেশন না করার ব্যয়টি এটি যে হারে ব্যবহৃত হয় তার দ্বিগুণ সুযোগের সমান হয়ে যায়। উদাহরণস্বরূপ, যদি কোনও মেশিনের আজ খালি থাকার 25% সম্ভাবনা থাকে এবং গড়ে প্রতিদিন 4 টি বোতল বিক্রি করে, তার প্রত্যাশিত ব্যয় হারানো বিক্রয়ের 25% * 4 = 1 বোতল সমান। (এটি আপনার ডলার হিসাবে অনুবাদ করুন, এটি ভুলে যাবেন না যে একটি হারানো বিক্রয় অদম্য মূল্য ব্যয় করতে পারে: লোকে একটি খালি মেশিন দেখে, তারা তার উপর নির্ভর করতে শেখে না etc. ইত্যাদি) আপনি এমনকি কোনও যন্ত্রের অবস্থান অনুযায়ী এই ব্যয়টি সামঞ্জস্য করতে পারেন; কিছুটা অস্পষ্ট থাকতে পারে কিছুক্ষণের জন্য মেশিনগুলি খালি চলতে পারে যার ফলে অল্প অল্প দামের ব্যয় হতে পারে)) মেশিনটি রিফিল করা অবিলম্বে সেই প্রত্যাশিত ক্ষতিটিকে শূন্যে রিসেট করে দেবে - এটি বিরল হওয়া উচিত যে কোনও মেশিন প্রতিদিন খালি হয়ে যায় (আপনি চান না)। ..)। সময় যত যায়,

এই রেখাগুলির পাশাপাশি একটি সাধারণ পরিসংখ্যানের মডেল প্রস্তাব দেয় যে কোনও যন্ত্রের ব্যবহারের ক্ষেত্রে ওঠানামা এলোমেলোভাবে উপস্থিত হয় appear এটি একটি পইসন মডেল প্রস্তাব করে । বিশেষত, আমরা পোজ করতে পারি যে একটি মেশিনের দৈনিক বিক্রয় হার বোতল রয়েছে এবং এটি যে পরিমাণ সময়কাল দিনের মধ্যে বিক্রি হয়েছে তা প্যারামিটার- সহ পোইসন বিতরণ রয়েছে । (বিক্রয়গুলির গুচ্ছগুলির সম্ভাবনা পরিচালনা করার জন্য অন্যান্য মডেলগুলি তৈরি করা যেতে পারে; এটি ধারণা করে যে বিক্রয় স্বতন্ত্র, অন্তর সময়ে এবং একে অপরের থেকে স্বতন্ত্র।) $\theta$ $x$ $\theta x$

বর্তমান উদাহরণে, পর্যবেক্ষণের সময়সীমাগুলি এবং এর সাথে সম্পর্কিত বিক্রয়গুলি । সম্ভাবনা : এই মেশিনটি প্রতিদিন প্রায় দুটি বোতল বিক্রি করে। আরও জটিল জটিল মডেলের প্রয়োজন রয়েছে তা বোঝাতে ডেটা ইতিহাস যথেষ্ট দীর্ঘ নয়; এটি এখন পর্যন্ত যা পরিলক্ষিত হয়েছে তার পর্যাপ্ত বিবরণ। $x=(7, 7, 7, 13, 11, 9, 8, 7, 8, 10)$ $y=(4, 14, 4, 16, 16, 12, 7, 16, 24, 48)$ $\hat{\theta} = 1.8506$

আসল বনাম ফিট

লাল বিন্দু বিক্রয় ক্রম দেখায়; নীল বিন্দুগুলি সাধারণ বিক্রয় হারের সর্বাধিক সম্ভাবনার প্রাক্কলনের উপর ভিত্তি করে অনুমান করা হয়।

একটি আনুমানিক বিক্রয় হার নিয়ে সজ্জিত, আমরা এই সম্ভাবনাটি গণনা করতে যেতে পারি যে কোনও মেশিন দিনের পরে খালি থাকতে পারে : এটি মেশিনের ক্ষমতার মূল্যায়ন হিসাবে পোয়েসন বিতরণের পরিপূরক संचयी বিতরণ ফাংশন (সিসিডিএফ) দ্বারা দেওয়া হয় (ধারণা করা হয়) পরের চিত্র এবং নীচের উদাহরণে 50 হতে হবে)। আনুমানিক বিক্রয় হারের সাথে গুণ করা শেষ রিফিলের পর থেকে সময়ের বিপরীতে বিক্রয়ে প্রত্যাশিত দৈনিক ক্ষতির একটি প্লট দেয় : $t$

সময়ের সাথে সাথে ক্ষতি

স্বাভাবিকভাবেই এই দিন সময় নিকটতম দ্রুত বৃদ্ধি পাচ্ছে যখন মেশিনটি ফুরিয়ে যাওয়ার সম্ভাবনা বেশি থাকে। এটি আমাদের বোধগম্যে যা যুক্ত করে তা হ'ল এটি দেখানো যে একটি প্রশংসনীয় উত্থান আসলে এর চেয়ে এক সপ্তাহ আগে শুরু হয়েছিল। অন্যান্য হার সহ অন্যান্য মেশিনগুলির স্টিপার বা অগভীর বৃদ্ধি হবে: এটি দরকারী তথ্য। $50/1.85 = 27$

প্রতিটি মেশিনের জন্য এই জাতীয় একটি চার্ট দেওয়া হয়েছে (যার মধ্যে এটি মনে হয় কয়েক শতাধিক রয়েছে), আপনি সহজেই 20 টি মেশিন সনাক্ত করতে পারেন যা বর্তমানে সর্বাধিক প্রত্যাশিত ক্ষতির মুখোমুখি হচ্ছে: তাদের পরিষেবা দেওয়া সর্বোত্তম ব্যবসায়ের সিদ্ধান্ত। (নোট করুন যে প্রতিটি মেশিনের নিজস্ব আনুমানিক হার থাকবে এবং এটি সর্বশেষ সার্ভিস করা কখন তার উপর নির্ভর করে তার বক্ররেখার সাথে তার নিজস্ব বিন্দুতে থাকবে)) আসলে কারও এই চার্টগুলির দিকে নজর দিতে হবে না: এই ভিত্তিতে পরিষেবা দেওয়ার জন্য মেশিনগুলি সনাক্ত করা সহজেই একটি সাধারণ প্রোগ্রাম বা এমনকি একটি স্প্রেডশিট দিয়ে স্বয়ংক্রিয়।

এটা মাত্র শুরু। সময়ের সাথে সাথে অতিরিক্ত ডেটা এই সাধারণ মডেলটিতে পরিবর্তনের পরামর্শ দিতে পারে: আপনি সপ্তাহান্তে এবং ছুটির দিনগুলি বা বিক্রয় সম্পর্কিত অন্যান্য প্রত্যাশিত প্রভাবগুলির জন্য অ্যাকাউন্ট করতে পারেন; একটি সাপ্তাহিক চক্র বা অন্যান্য alতুচক্র থাকতে পারে; পূর্বাভাসে অন্তর্ভুক্ত করার জন্য দীর্ঘমেয়াদী প্রবণতা থাকতে পারে। আপনি মেশিনগুলিতে অপ্রত্যাশিত ওয়ান-টাইম রানের প্রতিনিধিত্বকারী বহিরাগত মানগুলি ট্র্যাক করতে এবং ক্ষতির অনুমান ইত্যাদিতে এই সম্ভাবনাটি অন্তর্ভুক্ত করতে চাইতে পারেন I যে কোনও কারণের জন্য কোনও প্রক্রিয়া।

ওহ, হ্যাঁ: একজন এমএল অনুমান কীভাবে পান? আমি একটি সংখ্যাসূচক অপটিমাইজার ব্যবহার করেছি, তবে সাধারণভাবে আপনি সাময়িক সময়ের মধ্যে মোট বিক্রয়কে সাম্প্রতিক সময়ের মধ্যে ভাগ করে কেবল খুব কাছাকাছি পাবেন। এই ডেটাগুলির জন্য যে 12/9/2011 থেকে 2/27/2012 এর মধ্যে 163 বোতল বিক্রি হয়েছে, এটি 87 দিনের সময়সীমা: ta বোতল। যথেষ্ট বন্ধ করুন এবং কার্যকর করা অত্যন্ত সহজ, যাতে যে কেউ এই এই গণনা শুরু করতে পারে। (অন্যদের মধ্যে আর এবং এক্সেল সহজেই পোইসন সিসিডিএফের গণনা করবে: এর পরে গণনার মডেল করবে $\hat{\theta} = 1.87$ $1.8506$

1-POISSON(50, Theta * A2, TRUE)

এক্সেলের জন্য ( A2এটি এমন একটি ঘর যা শেষ রিফিলের সময় থেকে সময় ধারণ করে এবং Thetaএটি দৈনিক বিক্রয় হারের আনুমানিক মূল্য) এবং

1 - ppois(50, lambda = (x * theta))

আর এর জন্য)

ফ্যানসিয়ার মডেলগুলি (যা ট্রেন্ডস, চক্র ইত্যাদি অন্তর্ভুক্ত করে) তাদের অনুমানের জন্য পোয়েসন রিগ্রেশন ব্যবহার করতে হবে।

এনবি আফিকোনাডোর জন্য: আমি আনুমানিক ক্ষতির বিষয়ে অনিশ্চয়তার যে কোনও আলোচনা এড়িয়ে চলেছি purpose এগুলি পরিচালনা করা গণনাগুলি উল্লেখযোগ্যভাবে জটিল করতে পারে। আমি সন্দেহ করি যে এই অনিশ্চয়তা সরাসরি ব্যবহার করা সিদ্ধান্তে প্রশংসনীয় মূল্য যুক্ত করবে না। তবে, অনিশ্চয়তা এবং তাদের আকারগুলি সম্পর্কে সচেতন হওয়া কার্যকর হতে পারে; এটি দ্বিতীয় চিত্রটিতে ত্রুটি ব্যান্ডের মাধ্যমে চিত্রিত হতে পারে। সমাপ্তিতে, আমি কেবল সেই চিত্রটির প্রকৃতিতে পুনরায় জোর দিতে চাই: এটি এমন সংখ্যার প্লট করে যার প্রত্যক্ষ এবং স্পষ্ট ব্যবসায়ের অর্থ রয়েছে; যথা, প্রত্যাশিত ক্ষতি; এটি চারপাশের আত্মবিশ্বাসের ব্যবধানের মতো আরও বিমূর্ত বিষয়গুলির পরিকল্পনা করে না। , যা পরিসংখ্যানবিদদের পক্ষে আগ্রহী হতে পারে তবে সিদ্ধান্ত গ্রহণকারীর পক্ষে এতটা শব্দ হবে। $\theta$

— whuber
সূত্র

আমার কাছে ধারণা যে বিক্রয় / ইভেন্টগুলি একে অপরের থেকে স্বতন্ত্র, কারণ এটি একই নচিনের সাথে সময়ের সাথে নেওয়া পরিমাপ। আপনার পদ্ধতির কীভাবে স্বয়ংক্রিয়-সম্পর্কিত সম্পর্কযুক্ত বিক্রয় ডেটার সাথে ডিল হবে যেটির স্তর পরিবর্তন হতে পারে? উৎসুক ?

— আইরিশস্ট্যাট

আমি বিশ্বাস করি যে "স্বতঃসংশোধন" এর সম্ভাব্য ফর্মগুলির মূল্যায়ন ও মোকাবেলার জন্য আমি একটি পথ তৈরি করেছি s নিয়মিত ব্যবধানযুক্ত ডেটা পাওয়া গেলেও aতিহ্যবাহী সময় সিরিজের বিশ্লেষণে এগুলি প্রকাশিত হবে না। অস্থায়ী পারস্পরিক সম্পর্ক বাইরের কারণগুলির মধ্যে পারস্পরিক সম্পর্কের ফলে সাপ্তাহিক বা seasonতুচক্র হিসাবে দেখা দেয়। একটি আকর্ষণীয় ফর্ম ক্রয়ের টেম্পোরাল ক্লাস্টারিং থেকে উদ্ভূত হবে (উদাঃ, কেবল মধ্যাহ্নভোজনের পরে বা সাপ্তাহিক ছুটির দিনে)। "স্তরের নেট পরিবর্তনগুলি" ট্রেন্ড ফিটিং দ্বারা পরিচালিত হতে পারে, যদি প্রয়োজন হয় তবে কেবল একটি চলমান গড় ব্যবহার করলে তা স্বয়ংক্রিয়ভাবে মোকাবেলা করতে পারে।

— whuber

আমি মনে করি আপনার কাছে নিয়মিত সময় সিরিজে রূপান্তর করার প্রথম ধাপ থাকবে। আপনি বলেছিলেন যে আপনি গড়ে 90 দিন সময় নেন। যেহেতু আপনার কাছে ডেটা রয়েছে যা তার থেকেও বেশি ঘন ঘন, তাই আমি মনে করি যে প্রতিটি পর্যবেক্ষণের মধ্যে দিন সময় নিয়ে যাওয়া এবং সেই সময়ের জন্য বিক্রি হওয়া আইটেমের সংখ্যা দ্বারা ভাগ করে আপনি যা ব্যবহার করেছেন তার বেশিরভাগটি ব্যবহার করা আরও বুদ্ধিমান হয়ে উঠেছে (ধরে নিলে এটি আপনার দ্বিতীয় কলামটি হ'ল)।

অস্বীকৃতি হিসাবে আমি মোট অপেশাদার, সুতরাং আপনি নিম্নলিখিত কোডের চেয়ে আইরিশস্ট্যাটের মতো বিশেষজ্ঞের পরামর্শ নিতে চান (উদাহরণস্বরূপ, তিনি বলেছিলেন যে ইটিএস একটি খারাপ মডেল, সুতরাং এটি কেবল খেলনার উদাহরণ হিসাবে বিবেচনা করুন), তবে আশায় এটি আপনাকে কিছুটা সময় সাশ্রয় করে, আপনি এখানে খেলতে পারেন এমন কিছু আর কোড রয়েছে:

library("xts")
library("forecast")

x = read.table(text="27/02/2012 48
17/02/2012 24
09/02/2012 16
02/02/2012 7
25/01/2012 12
16/01/2012 16
05/01/2012 16
23/12/2011 4
16/12/2011 14
09/12/2011 4
02/12/2011 2")

#Convert the data into an XTS object which works with irregular time series 
x.xts = xts(x[,2], as.POSIXct(x[,1], format="%d/%m/%Y"))

#Conver to a daily rate by taking the observed data and dividing it by 
#the number of days between observations
daily_rate <- lag(x.xts) / diff(index(x.xts))

#Generate a daily time series for the dates
dummy_dates <- seq(from=index(x.xts)[1], to=tail(index(x.xts), 1), by="day")

#Combine daily series with observered daily rate
m.xts <- merge(daily_rate, dummy_dates)

#Interpolate the daily sales -- kind of evil because we "invent" data
m.xts.interpolate <- na.approx(m.xts)

#Convert to regular time series
m.ts <- ts(m.xts.interpolate, freq=365, start=c(2011, 336))
#Clean up dimnames in case of stl forecast (just an R thing when converting from dataframes)
dim(m.ts) <- NULL

#Fit TS to an ETS model (Rudely ignoring IrishStat's advice that it is a bad model, but this is just an example)
fit <- ets(m.ts)

#Forecast and Plot
plot(forecast(fit, h=30))

ফলস্বরূপ প্লটটি হ'ল:

এখানে চিত্র বর্ণনা লিখুন

— কাইল ব্র্যান্ড
সূত্র

আপনি কি আমার প্রতিক্রিয়াটি পড়েছেন "সার্ভিসিংয়ের মধ্যবর্তী ব্যবধানে দিনের সংখ্যা দ্বারা প্রকৃত চাহিদা ভাগ করে আমরা আমরা একটি হারকে চাহিদা রূপান্তর করে সমাধান করেছি"। কোনও মডেলকে আপনি হিসাবে ধরে নেওয়ার পরিবর্তে, আমি একটি দরকারী মডেল চিহ্নিত করেছি। আপনার পূর্বাভাস বিস্ফোরক কারণ তারা সাম্প্রতিক "ব্যতিক্রমী হারগুলি" তাদের জন্য সামঞ্জস্য করার চেয়ে বিশ্বাস করে।

— আইরিশস্ট্যাট

@ আইরিশস্ট্যাট: হ্যাঁ, আমার কোডটিতে আমি একটি মন্তব্যও করেছি যাতে আপনি এটি একটি খারাপ মডেল বলেছিলেন বলে আমি ইঙ্গিত করেছিলাম, আমি কেবল ভেবেছিলাম যে কিছু আর কোড পরীক্ষা-নিরীক্ষার ভিত্তিতে মানুষকে সহায়তা করতে পারে।

— কাইল ব্র্যান্ড্ট

আপনার যা আছে তা হ'ল "আন্তঃসন্তান চাহিদা সমস্যা"। আমরা সার্ভিসিংয়ের মধ্যে ব্যবধানে দিনের সংখ্যা দ্বারা প্রকৃত চাহিদাকে ভাগ করে প্রকট চাহিদাকে হারে রূপান্তরিত করে সমাধান করেছি। ব্যবধানের পূর্বাভাসের ভিত্তিতে কোনও হারের পূর্বাভাস দেওয়ার জন্য এই হারটিকে ট্রান্সফার ফাংশন হিসাবে মডেল করা যেতে পারে। এই পূর্বাভাসের হারটি তখন চাহিদাতে রূপান্তরিত হতে পারে। হস্তক্ষেপ সনাক্তকরণের মাধ্যমে হারের কাঠামোগত শিফটগুলি সনাক্ত করার জন্য যত্ন নেওয়া উচিত। "ট্রান্সফার ফাংশন পদ্ধতি ব্যবহার করে ইন্টারমিটেন্ট ডিমান্ড মডেলিং পদ্ধতির" গুগল করার চেষ্টা করুন। ক্রোস্টন বা এক্সফোনেনশিয়াল স্মুথিংয়ের মডেল অনুমানমূলক পদ্ধতির সম্পর্কে খুব স্পষ্ট শ্র যেহেতু তারা যথেষ্ট ঘাটতি রয়েছে।

অতিরিক্ত বিশ্লেষণ:

আমি যখন ইন্টারভালের একটি ক্রিয়াকলাপ হিসাবে হারকে মডেল করি তখন আমি নিম্নলিখিতটি পাই। এই সমীকরণটির অতীত ব্যবহার করে ইন্টারভালের একটি পূর্বাভাস ব্যবহার করা তারপরে হারের পূর্বাভাস দিতে পারে যা চাহিদা পূর্বাভাস দেওয়ার জন্য ব্যবহার করা যেতে পারে। এই ধরণের মডেলটি হারে অটোরিগ্রেসিভ কাঠামোকে সংযোজন করার পাশাপাশি ডাল, স্তর স্তর এবং / অথবা স্থানীয় সময় প্রবণতার জন্য মঞ্জুরি দেয়।

      MODEL COMPONENT       LAG    COEFF     STANDARD      P       T

# (বিওপি) ত্রুটি মূল্য ভ্যালু

 Differencing                  1                                            
1CONSTANT                          .295       .840E-01   .0246     3.51

সিরিজ এক্স 1 ইন্টারভাল ইনপুট করুন

 Differencing                  1                                            
2Omega (input) -Factor #  1    0   .685E-01   .346E-01   .1193     1.98

ইনপুট সিরিজ এক্স 2 আই ~ P00002 12/03/11 পুলস

 Differencing                  1                                            
3Omega (input) -Factor #  2    0   1.43       .168       .0010     8.52

ইনপুট সিরিজ এক্স 3 আই ~ P00007 12/08/11 পুলস

 Differencing                  1                                            
4Omega (input) -Factor #  3    0  -.935       .168       .0051    -5.57

ইনপুট সিরিজ এক্স 4 আই ~ P00010 12/11/11 পুলস

 Differencing                  1                                            
5Omega (input) -Factor #  4    0   1.37       .260       .0062     5.27

— IrishStat
সূত্র

আমি মনে করি এটি প্রশ্নের সামান্য ভুল বোঝাবুঝি: মাঝে মাঝে তাঁর চাহিদা নেই যা তিনি মাঝেমধ্যে দাবি পর্যবেক্ষণ করেছেন , এবং তিনি প্রতিদিন নিয়মিত অন্তর্নিহিত চাহিদা গ্রহণ করে আপাতভাবে খুশি হন। প্রকৃতপক্ষে স্থানান্তর ফাংশন পদ্ধতির ক্ষেত্রে তিনি এখানে চেষ্টা করছেন বলে মনে হচ্ছে, যদিও এটি একটি লিনিয়ারিটি অনুমান, 90 দিনের উইন্ডো এবং কোনও কোভেরিয়েটস নেই। এফডব্লিউআইডাব্লু (গতকালীন) দিনের বিপরীতে চাহিদা পুনর্বিবেচনা করে প্রতি দিন প্রায় ২.২ টি আইটেম দাবি করে, তবে এই অনুমানের আশেপাশে উচ্চ অনিশ্চয়তা।

— কনজুগেটপায়ার

@ কনজুগেটপ্রিয়র তিনি প্রকৃত চাহিদা এবং প্রতিদিনের নমুনাগুলি বিরল বিরতিতে পর্যবেক্ষণ করতে পারবেন না এটি মধ্যবর্তী সময়ে চাহিদা সমস্যার সমতুল্য। তাঁর "হার" 12/16; 2 এ 3 ব্যতিক্রম (ডাল) সহ এলোমেলো পদচারনা হিসাবে চিহ্নিত করা যায়; 2 / 02; 2/27। আমাদের ধারণাটি হ'ল অন্তরের ক্রিয়াকলাপ হিসাবে হারকে মডেল করা, তারপরে বিরতি পূর্বাভাস করুন এবং তারপরে দাবিটির পূর্বাভাস দিন You আপনি সাধারণ গড় হার প্রাপ্তির ব্যবধান হিসাবে এই দাবিকে মডেল করেছেন বলে মনে হয় যা এই ক্ষেত্রে গুরুতর / প্রতিকূল 3 টি অলমোলাস ডেটা পয়েন্ট দ্বারা প্রভাবিত হয় এবং স্বতঃগঠিত কাঠামোর প্রতিফলন করে না।

— আইরিশস্ট্যাট

অবশ্যই এটি এলোমেলো হাঁটাচলা হতে পারে না কারণ বিক্রয় কেবলমাত্র উপরে উঠতে বা একই থাকতে পারে (সমান সমান স্টকগুলি কেবল হ্রাস বা একই স্তরে থাকতে পারে) - নবায়ন প্রক্রিয়ার মতো আরও কিছু। এছাড়াও আমি নিশ্চিত না যে আপনি কীভাবে বুঝতে পেরেছেন যে ঠিক 3 পয়েন্টই বিদেশী। (বিটিডব্লিউ 'প্রস্তাবিত' বিশ্লেষণটি হ'ল তার নিজস্ব একটি সাধারণ সংস্করণ, যার মধ্যে একটি অবিরাম অযোগ্য ধারাবাহিক ধারণা, সুতরাং আমি ব্যক্তিগতভাবে এটিতে সন্তুষ্ট থাকব না))

— কনজুগেটপায়ার

@ কনজুগেটপ্রিয়র ব্যবধানের কার্য হিসাবে হারটি দেখিয়েছিল যে হারটি পূর্বের হারের উপর দৃ strongly়ভাবে নির্ভরশীল ছিল এবং তিনটি "অস্বাভাবিক হার" দ্বারা প্রভাবিত হয়েছিল। কোনও স্তরের স্থানান্তর চিহ্নিত করা যায়নি। আমার যা বলা উচিত ছিল তা হ'ল হারটি একটি ধ্রুবক ব্যতীত এলোমেলো হাঁটা ছিল, সুতরাং এখানে কোন প্রবণতা প্রবণতা নেই।

— আইরিশস্ট্যাট

@ আইরিশস্ট্যাট উত্তরের জন্য অনেক ধন্যবাদ। আমি একটি স্থানান্তর ফাংশন ব্যবহার করে ইন্টারমিটেন্ট ডিমান্ড সম্পর্কে পড়ব। একটি ছোট সংশোধন: আমাদের ইন্টারভালটির পূর্বাভাস দিতে হবে না। হারের পূর্বাভাসের ভিত্তিতে কখন আমাদের মেশিনটি পরিদর্শন করতে হবে তা আমাদের সিদ্ধান্ত নিতে হবে। উদাহরণস্বরূপ একটি ব্যবসায়ের নিয়ম হতে পারে "মেশিনটি যখন 60% খালি থাকে তখন যান"

— ইভান দিমিত্রোভ