যদি আপনার মডেলটির উদ্দেশ্যটি ভবিষ্যদ্বাণী এবং পূর্বাভাস হয় তবে সংক্ষিপ্ত উত্তর হ্যাঁ হ্যাঁ, তবে স্তরেখাগুলি স্তরে হওয়ার দরকার নেই।
আমি ব্যাখ্যা করবো. আপনি যদি এর সর্বাধিক প্রাথমিক ফর্মটি পূর্বাভাস দিয়ে ফোঁড়া করে থাকেন তবে এটি আক্রমণকারীটির নিষ্কাশন হতে চলেছে। এটি বিবেচনা করুন: আপনি কী পরিবর্তন করছেন তা পূর্বাভাস দিতে পারবেন না। যদি আমি আপনাকে বলি যে আগামীকাল প্রতিটি কল্পনাপ্রসূত দিক থেকে আজকের চেয়ে আলাদা হতে চলেছে , আপনি কোনও ধরণের পূর্বাভাস তৈরি করতে সক্ষম হবেন না ।
এটি কেবলমাত্র যখন আপনি আজ থেকে আগামীকাল পর্যন্ত কোনও কিছু বাড়িয়ে দিতে সক্ষম হবেন, আপনি কোনও ধরণের পূর্বাভাস তৈরি করতে পারেন। আমি আপনাকে কয়েকটি উদাহরণ দেব।
- আপনি জানেন যে আগামীকালকের গড় তাপমাত্রার বিতরণটি আজকের মতোই হতে চলেছে । এই ক্ষেত্রে, আপনি আজকের তাপমাত্রা আপনার ভবিষ্যদ্বাণী হিসাবে আগামীকাল, সরল পূর্বাভাস নিতে পারেন এক্স টি + + 1 =এক্স^t + 1= এক্সটি
- আপনি রাস্তা 10 মাইল গতিতে মাইল প্রতি ঘন্টা গতিতে গাড়ি চালাচ্ছেন । এক মিনিটের মধ্যে সম্ভবত এটি 11 বা 9. মাইল প্রায় হতে চলেছে যদি আপনি জানেন যে এটি 11 মাইলের দিকে গাড়ি চালাচ্ছে, তবে এটি 11 মাইলের কাছাকাছি চলে যাবে 11 প্রদত্ত যে এর গতি এবং দিক স্থির রয়েছে । দ্রষ্টব্য, অবস্থানটি এখানে স্থির নয়, কেবল গতির হার। এই ক্ষেত্রে এটি এআরআইএমএ (পি, ১, কিউ) এর মত পার্থক্য মডেল বা এক্স টি ∼ ভি এর মত ধ্রুবক ট্রেন্ড মডেলের সাথে সাদৃশ্যপূর্ণv = 60এক্সটি∼ v t
- আপনার প্রতিবেশী প্রতি শুক্রবার মাতাল হয়। সে কি আগামী শুক্রবারে মাতাল হতে চলেছে? হ্যাঁ, যতক্ষণ না সে তার আচরণ পরিবর্তন করে না
- ইত্যাদি
যুক্তিসঙ্গত পূর্বাভাসের প্রতিটি ক্ষেত্রে, আমরা প্রথমে প্রক্রিয়া থেকে ধ্রুবক এমন কিছু বের করি এবং এটি ভবিষ্যতে প্রসারিত করি। অতএব, আমার উত্তর: হ্যাঁ, সময়ের ইতিহাস যদি আপনার ইতিহাস থেকে ভবিষ্যতের দিকে প্রসারিত করতে চলেছেন তবে তারতম্য এবং গড়গুলি যদি স্থির হয়ে ওঠে। তদ্ব্যতীত, আপনি নিবন্ধগুলি সম্পর্ক স্থিতিশীল করতে চান।
কেবলমাত্র আপনার মডেলটিতে আক্রমণকারী কী তা তা নির্ধারণ করুন, এটি একটি গড় স্তর, পরিবর্তনের হার বা অন্য কিছু। আপনি যদি আপনার মডেলটির কোনও পূর্বাভাস শক্তি রাখতে চান তবে এই জিনিসগুলিকে ভবিষ্যতে একই থাকতে হবে।
হল্ট শীতকালীন উদাহরণ
মন্তব্যে হোল্ট উইন্টারস ফিল্টারটি উল্লেখ করা হয়েছিল। নির্দিষ্ট ধরণের মৌসুমী সিরিজটি মসৃণ করা এবং পূর্বাভাস দেওয়ার জন্য এটি একটি জনপ্রিয় পছন্দ এবং এটি ননস্টেশনারি সিরিজ মোকাবেলা করতে পারে। বিশেষত, এটি এমন সিরিজ পরিচালনা করতে পারে যেখানে সময়ের সাথে গড় স্তরটি রৈখিকভাবে বৃদ্ধি পায়। অন্য কথায় যেখানে opeাল স্থিতিশীল । আমার পরিভাষায় approachাল হ'ল অন্যতম আক্রমণকারী যা এই পদ্ধতিটি সিরিজ থেকে বের করে ext আসুন দেখুন opeালটি অস্থির হলে কীভাবে এটি ব্যর্থ হয়।
এই চক্রান্তে আমি ঘৃণ্য বৃদ্ধি এবং সংযোজনীয় মৌসুমীর সাথে ডেটিমিনিস্টিক সিরিজটি দেখছি। অন্য কথায়, opeাল সময়ের সাথে আরও বাড়তে থাকে:
আপনি দেখতে পাচ্ছেন যে ফিল্টারটি ডেটাটিকে খুব ভালভাবে ফিট করে। লাগানো লাইনটি লাল। তবে আপনি যদি এই ফিল্টারটি নিয়ে ভবিষ্যদ্বাণী করার চেষ্টা করেন তবে এটি খারাপভাবে ব্যর্থ। সত্যিকারের লাইনটি কালো, এবং যদি পরের প্লটের উপর নীল আস্থা রেখে সজ্জিত লাল থাকে:
কেন এটি ব্যর্থ হয় তার কারণ হল্ট উইন্টারস মডেল সমীকরণগুলি পরীক্ষা করে দেখতে সহজ । এটি অতীত থেকে slাল বের করে এবং ভবিষ্যতে প্রসারিত করে। Opeাল স্থিতিশীল থাকলে এটি খুব ভালভাবে কাজ করে, তবে যখন এটি ধারাবাহিকভাবে বৃদ্ধি পাচ্ছে তখন ফিল্টারটি ধরে রাখতে পারে না, এটি এক ধাপ পিছনে থাকে এবং প্রভাবটি একটি বর্ধমান পূর্বাভাস ত্রুটিতে জমে।
আর কোড:
t=1:150
a = 0.04
x=ts(exp(a*t)+sin(t/5)*sin(t/2),deltat = 1/12,start=0)
xt = window(x,0,99/12)
plot(xt)
(m <- HoltWinters(xt))
plot(m)
plot(fitted(m))
xp = window(x,8.33)
p <- predict(m, 50, prediction.interval = TRUE)
plot(m, p)
lines(xp,col="black")
এই উদাহরণে আপনি কেবল সিরিজের লগ করে ফিল্টার কার্যকারিতা উন্নত করতে সক্ষম হতে পারেন। আপনি যখন দ্রুত বর্ধমান সিরিজের লগারিদম নেন, আপনি আবার এর ,ালটিকে স্থিতিশীল করে তুলুন এবং এই ফিল্টারটিকে একটি সুযোগ দিন। এখানে উদাহরণ:
আর কোড:
t=1:150
a = 0.1
x=ts(exp(a*t)+sin(t/5)*sin(t/2),deltat = 1/12,start=0)
xt = window(log(x),0,99/12)
plot(xt)
(m <- HoltWinters(xt))
plot(m)
plot(fitted(m))
p <- predict(m, 50, prediction.interval = TRUE)
plot(m, exp(p))
xp = window(x,8.33)
lines(xp,col="black")