시계열 예측이란 무엇인가요?

과거 확장 예측 방법이라고도 알려진 과거 데이터를 기반으로 한 확장 예측입니다. 시계열적으로 반영할 수 있는 사회·경제적 현상의 발전 과정과 규칙성을 외삽하여 발전 추세를 예측하는 방법이다. 시계열, 시계열, 과거 복소수 또는 동적 계열이라고도 합니다. 특정 통계지표의 값을 시간순으로 배열하여 형성된 시퀀스이다. 시계열 예측 방법은 시계열을 취합, 분석하고, 시계열에 반영된 발전과정, 방향, 추세를 토대로 유추 또는 확장하여 다음 기간 또는 도달할 수 있는 수준을 예측하는 것입니다. 앞으로 몇 년 안에. 그 내용은 다음과 같습니다: 특정 사회 현상에 대한 역사적 데이터를 수집 및 분류하고, 이러한 데이터를 확인하고 이를 순서대로 배열하며, 시간에 따라 변화하는 사회 현상의 법칙을 찾아 특정 패턴을 도출합니다. 이러한 사회 현상의 미래 상황을 예측하는 데 사용됩니다. 시계열 예측 방법의 단계: 첫 번째 단계는 과거 데이터를 수집하고 이를 정리한 후 시계열로 편집하고 시계열을 기반으로 통계 차트를 작성하는 것입니다. 시계열 분석은 일반적으로 영향을 미칠 수 있는 다양한 요인을 분류하며, 그 특성이나 효과에 따라 다양한 요인을 4가지 주요 범주로 분류합니다. (1) 계절 변화; ) 주기적 변화; (4) 불규칙한 변화. 두 번째 단계는 시계열을 분석하는 것입니다. 시계열의 각 기간의 값은 동시에 작용하는 다양한 요인의 종합적인 결과입니다. 세 번째 단계는 시계열의 장기추세(T) 계절변동(s)과 불규칙변동(I) 값을 찾고, 이를 표현하기 위한 대략적인 수학적 모델을 선택하는 것이다. 수학적 모델에서 알 수 없는 매개변수의 경우 적절한 기술 방법을 사용하여 해당 값을 찾습니다. 네 번째 단계는 시계열 데이터를 활용하여 장기 추세, 계절 변화 및 불규칙 변화에 대한 수학적 모델을 찾는 것입니다. 이를 통해 미래 장기 추세 값 T 및 계절 변화 값 s를 예측하고 불규칙 변화를 예측할 수 있습니다. 가능하다면 가치 I. 그런 다음 다음 모드를 사용하여 미래 시계열의 예측값 Y를 계산합니다. 덧셈 모드 T+S+I=Y 곱셈 모드 T×S×I=Y 불규칙한 변화의 예측값을 얻기 어려운 경우 다음을 구하면 됩니다. 장기추세합 계절변화의 예측값은 시계열의 예측값으로서 둘의 곱 또는 둘의 합이다. 경제현상 자체가 계절적 변화를 나타내지 않거나 분기별, 월별 데이터를 예측할 필요가 없다면 장기추세 예측값은 시계열 예측값, 즉 T=Y가 된다. 그러나 이 예측값은 현상의 미래 전개 추세만을 반영한다는 점에 유의해야 합니다. 연대순 관찰에서 매우 정확한 추세선의 역할도 본질적으로 단지 평균일 뿐이며 실제 값은 이를 중심으로 변동됩니다. 시계열분석의 기본특징 [1] 1. 시계열분석법은 과거의 추세를 바탕으로 미래의 전개를 예측하는 방식으로, 사물의 과거는 미래에도 계속된다는 것을 전제로 한다. 시계열 분석은 객관적인 사물 개발의 지속적인 규칙성을 기반으로 하며, 과거의 과거 데이터와 통계 분석을 사용하여 미래 개발 동향을 더욱 추측합니다. 사물의 과거가 미래에도 계속될 것이라는 전제에는 두 가지 의미가 있습니다. 첫째, 급격한 도약 변화가 없을 것이며, 상대적으로 작은 속도로 발전할 것이라는 점입니다. 둘째, 과거와 현재의 현상은 사물의 발전과 변화 추세를 나타낼 수 있습니다. 현재와 ​​미래의 활동. 이는 일반적인 상황에서는 단기 및 단기 예측에 시계열 분석 방법이 더 효과적이라는 것을 결정합니다. 그러나 더 먼 미래로 확장하면 예측 값이 크게 벗어나는 한계가 있습니다. 실제 상황에서 벗어나 의사결정 오류로 이어집니다. 2. 시계열 데이터의 변화에는 규칙성과 불규칙성이 있습니다. 시계열의 각 관측값의 크기는 변화에 영향을 미치는 다양한 요인이 동시에 작용하는 종합적인 결과입니다. 이러한 영향요인의 크기와 방향변화의 시간적 특성으로 판단하면, 이들 요인에 의해 발생하는 시계열자료의 변화는 4가지로 구분된다. (1) 추세(Trend): 시간이 흐르거나 독립변수가 변화함에 따라 특정 변수는 상대적으로 느리고 장기적으로 지속적인 상승, 하락, 유지를 나타내지만 그 변화의 폭은 동일하지 않을 수 있다. (2) 순환성: 특정 요인은 외부 영향으로 인해 자연 계절이 바뀌면서 최고점과 최저점이 있습니다. (3) 무작위성: 개인의 변화는 무작위적이지만 전체적인 상황은 통계적으로 규칙적입니다. (4) 포괄성: 실제 변화는 여러 변화의 중첩 또는 조합입니다. 예측할 때 불규칙한 변화를 필터링하고 추세 및 주기적 변화를 강조하세요. 시계열 예측 방법의 분류 시계열 예측 방법은 단기 예측, 중기 예측, 장기 예측에 사용할 수 있습니다. 다양한 데이터 분석 방법에 따라 단순 순차 평균법, 가중 순차 평균법, 이동 평균법, 가중 이동 평균법, 추세 예측 방법, 지수 평활법, 계절 추세 예측 방법, 시장 수명주기 예측 방법으로 나눌 수 있습니다. , 등. 단순순차평균법은 산술평균법이라고도 한다. 즉, 여러 역사적 기간의 통계값을 관측값으로 사용하고, 산술평균을 다음 기간에 대한 예측값으로 계산합니다. 이 방법은 '과거에도 그랬고 앞으로도 그럴 것이다'라는 가정을 바탕으로 하며, 최근 데이터와 장기 데이터를 동일시하고 평균화하므로 추세 예측에만 적용할 수 있습니다. 상황이 거의 변하지 않는 곳. 상황이 특정 상승 또는 하락 추세를 보이는 경우 이 방법을 사용해서는 안 됩니다. 가중순차평균법은 각 기간의 과거 데이터에 장단기 영향 정도에 따라 가중치를 부여하고 그 평균값을 다음 기간의 예측값으로 산출하는 방식이다.

단순이동평균법은 연속된 여러 기간의 산술평균을 다음 기간의 예측값으로 계산하는 방법입니다. 가중이동평균법은 단순이동평균을 가중계산하는 방법입니다. 가중치를 결정할 때 최근 관측치에 대한 가중치는 더 커야 하고 먼 관측치에 대한 가중치는 작아야 합니다. 위의 방법들은 간단하고 예측값을 빠르게 얻을 수 있지만 사회, 경제 발전의 새로운 추세와 기타 요인을 고려하지 않기 때문에 정확도가 낮습니다. 새로운 상황에 따라 예측 결과에 필요한 수정이 이루어져야 합니다. 지수평활법은 지수가중법을 이용하여 과거 데이터를 바탕으로 이전 기간의 실제 숫자와 예측값을 바탕으로 예측을 하는 방식입니다. 이 방법은 본질적으로 내부가중이동평균법에서 진화한 방법으로, 이전 기간의 실제 수치와 예측값만 있으면 다음 기간의 예측값을 산출할 수 있다는 장점이 있다. 많은 데이터와 데이터 처리 시간을 절약하고 저장되는 데이터의 양이 간단합니다. 해외에서 널리 사용되는 단기 예측 방법입니다. 계절변화 추세 예측기법은 경제분야에서 매년 반복되는 순환계절변화지수를 기반으로 계절변화 추세를 예측하는 방법이다. 계절 지수를 계산하는 데에는 여러 가지 방법이 사용될 수 있습니다. 일반적으로 사용되는 방법은 분기별(월별) 평균 방법과 이동 평균 방법입니다. 분기별(월별)평균법. 각 연도의 값을 분기(또는 월)별로 평균한 후 각 연도의 분기(또는 월)의 총 평균 횟수로 나누어 분기(월) 지수를 구하는 것이다. 이 방법은 생산, 판매, 원자재 보유량, 예상 자본 회전율 요구 사항 등의 경제적 문제의 계절적 변화를 분석하는 데 사용할 수 있습니다. 이동 평균 방법. 즉, 이동평균은 전형적인 계절지수를 찾기 위한 비율을 계산하는 데 사용됩니다. 시장 수명주기 예측 방법은 제품 시장 수명주기를 분석하고 연구하는 것입니다. 예를 들어, 성장단계의 제품 판매량을 예측하기 위해 가장 일반적으로 사용되는 방법 중 하나는 통계 데이터를 바탕으로 시계열 곡선 차트를 그린 후, 곡선을 확장하여 향후 매출 추이를 구하는 방법이다. 가장 간단한 에피택시 방법은 선형 에피택시 방법으로 내구성 있는 소비재 예측에 적합하다.