Exponential smoothing (original) (raw)
El método de suavizamiento exponencial es una manera de pronosticar la demanda de un producto en un periodo dado. Estima que la demanda será igual a, por ejemplo, la media de los consumos históricos para un periodo dado, dando una mayor ponderación a los valores más cercanos en el tiempo. Además, tiene en cuenta el error de pronóstico actual en los siguientes pronósticos.
| Property | Value |
|---|---|
| dbo:abstract | Exponenciální vyrovnávání (někdy též exponenciální vyhlazování) je jednoduchá metoda pro vyhlazování a krátkodobou predikci časových řad. Název pochází z toho, že význam (váha) datového bodu pro hodnotu predikce exponenciálně klesá s časovou vzdáleností od predikce (stářím daného datového bodu). Exponenciální vyrovnávání z pohledu teorie zpracování signálu působí jako filtr typu dolní propust a odstraní z dat vysokofrekvenční šum. Předpokládejme, že časová řada má začátek v čase a výstup algoritmu exponenciálního vyrovnávání se píše . Pak nejjednodušší podoba exponenciálního vyhlazování je dána vzorci: kde je vyrovnávací konstanta, . Vyrovnávací konstantu je potřeba nastavit podle chování dané časové řady, například tak, že se vyzkouší několik hodnot a podle součtu čtverců chyb se zvolí nejlepší konstanta. V uvedené jednoduché podobě se metoda hodí pro zpracování řad, které nevykazují výrazný trend a jen nepravidelně kolísají, například při řízení skladových zásob. Pro zahrnutí trendu a sezónnosti byly vypracovány složitější varianty této metody, zejména takzvané dvojité exponenciální vyrovnávání, jež zahrnuje vliv lineárního trendu, a trojité (Holtovo-Wintersovo) exponenciální vyrovnávání. Softwarově je exponenciální vyrovnávání pokryto například v MS Excelu a LibreOffice funkcí FORECAST.ETS, v programovacím jazyce R funkcí ets v balíčku forecast a v mnoha jiných statistických softwarových nástrojích. (cs) Die exponentielle Glättung (englisch exponential smoothing) ist ein Verfahren der Zeitreihenanalyse zur kurzfristigen Prognose aus einer Stichprobe mit periodischen Vergangenheitsdaten. Diese erhalten durch das exponentielle Glätten mit zunehmender Aktualität eine höhere Gewichtung. Die Alterung der Messwerte wird ausgeglichen, die Sicherheit der Vorhersage verbessert, insbesondere bei der Bedarfs-, Bestands- und Bestellrechnung. Grundlegend ist eine geeignete Datenbasis mit Messwerten aus Marktanalysen. Die exponentielle Glättung wird vor allem verwendet, wenn die Zeitreihe keinerlei systematisches Muster wie linearen Anstieg oder Ähnliches erkennen lässt. Das Verfahren wird beispielsweise in der Lagerhaltung verwendet, wenn es etwa darum geht, den Bedarf eines zu bestellenden Artikels im kommenden Jahr zu ermitteln. So hat die Schweizer Armee mit der exponentiellen Glättung gute Erfolge bei der Ermittlung der benötigten Gewehre im folgenden Jahr gemacht. Man ermittelt mit der exponentiellen Glättung also Prognosewerte. Man geht von dem Ansatz aus, dass der gegenwärtige Zeitreihenwert immer auch von den vergangenen Werten beeinflusst wird, wobei sich der Einfluss abschwächt, je weiter der Wert in der Vergangenheit liegt. Durch die Gewichtung der Zeitreihenwerte mit einem Glättungsfaktor werden starke Ausschläge einzelner beobachteter Werte auf der geschätzten Zeitreihe verteilt. (de) Exponential smoothing is a rule of thumb technique for smoothing time series data using the exponential window function. Whereas in the simple moving average the past observations are weighted equally, exponential functions are used to assign exponentially decreasing weights over time. It is an easily learned and easily applied procedure for making some determination based on prior assumptions by the user, such as seasonality. Exponential smoothing is often used for analysis of time-series data. Exponential smoothing is one of many window functions commonly applied to smooth data in signal processing, acting as low-pass filters to remove high-frequency noise. This method is preceded by Poisson's use of recursive exponential window functions in convolutions from the 19th century, as well as Kolmogorov and Zurbenko's use of recursive moving averages from their studies of turbulence in the 1940s. The raw data sequence is often represented by beginning at time , and the output of the exponential smoothing algorithm is commonly written as , which may be regarded as a best estimate of what the next value of will be. When the sequence of observations begins at time , the simplest form of exponential smoothing is given by the formulas: where is the smoothing factor, and . (en) El método de suavizamiento exponencial es una manera de pronosticar la demanda de un producto en un periodo dado. Estima que la demanda será igual a, por ejemplo, la media de los consumos históricos para un periodo dado, dando una mayor ponderación a los valores más cercanos en el tiempo. Además, tiene en cuenta el error de pronóstico actual en los siguientes pronósticos. (es) Leunketa esponentziala denbora-serieetako datu historikoetan oinarrituta epe laburrerako aurresanak egiteko teknika estatistikoen multzo bat da, jasotako datu historikoetatik abiaturik errepikapenezko formulak erabiltzen dituena, horretarako parametro batzuk finkatu ondoren. Bere bertsio sinpleenean, batezbesteko higikorra besterik ez da baina datu historikoak zenbat atzerago izan orduan eta eta neurri txikiagoan haztatu egiten dituena. Esponentzial adjektiboak datu historikoei denboran atzera joan ahala eta funtzio esponentzialaren arabera gero eta garrantzi edo pisu txikiagoa ematen zaiela adierazten du. Bere abantaila nagusia sinpletasuna da: kalkuluaren aldetik teknika errazak dira, ezarri beharreko parametroak eta eskuratzen diren emaitzak aise interpretatzen dira eta datu kopuru txikiekin ere erabil daiteke. Leunketa esponentziala datu historikoetan bakarrik oinarritzen da eta aurrez ez du datuei buruz inongo eredu estatistikorik ezartzen, denbora serieei aplikatzen zaizkien eredu batzuetarako emaitzak hobezinak direla frogatu bada ere. Bhear bezala aplikatuz gero, emaitzak eta aurresanak fidagarriak direla egiaztatu da. Leunketa esponentzialeko teknikak denbora-seriearen izaerara egokitzen dira. Bertsio sinpleenean, leunketa esponentzial sinplea joera eta urtarokotasunik gabeko serieetarako erabiltzen da. Leunketa esponentzialeko teknika konplexuagoak asmatu dira, joera lineal eta ez-lineal kontuan hartu eta urtarokotasuna era batukorrean eta biderkakorrean gaineratzen dutenak, horretarako leunketa anizkoitzak burutuz joera eta urtarokotasun osagaietarako. Leunketa esponentziala epe laburraz haraindi egokiagoa izan dadin, joera moteldu egiten duten parametroak ere barneratu daitezke. (eu) Le lissage exponentiel est une méthode empirique de lissage et de prévision de données chronologiques affectées d'aléas. Comme dans la méthode des moyennes mobiles, chaque donnée est lissée successivement en partant de la valeur initiale. Le lissage exponentiel donne aux observations passées un poids décroissant exponentiellement avec leur ancienneté. Le lissage exponentiel est une des méthodes de fenêtrage utilisées en traitement du signal. Elle agit comme un filtre passe-bas en supprimant les fréquences élevées du signal initial. La série de données brutes est notée , commençant à . Le résultat du lissage exponentiel est noté ; celui-ci peut être vu comme une estimation de , débarrassé des aléas (en traitement du signal, on dit du bruit) en fonction du passé. Le résultat dépend cependant de la pratique de l'utilisateur (choix du facteur de lissage). Le lissage exponentiel n'a vraiment d'intérêt que pour des données à peu près stationnaires (c'est-à-dire qui ne sont pas affectées de fortes croissances ou décroissances ou de variations saisonnières). Lorsqu'il existe une tendance, on doit compliquer la méthode (lissage exponentiel double). Elle n'apporte aucune aide pour le traitement des données saisonnalisées. De caractère empirique, la méthode ne fournit pas d'indications sur les propriétés statistiques des résultats. Pour une série commençant à , le résultat du lissage exponentiel simple est donné par les formules suivantes : pour :où est le facteur de lissage, avec (fr) 지수 평활법(指數平滑法, exponential smoothing)은 지수 (exponential window function)를 사용하여 시계열 데이터를 매끈하게 만드는 이다. 에서 과거의 관찰값의 가중치가 동등하게 주어지는 반면, 지수 함수를 사용하면 시간이 지남에 따라 가중치가 기하급수적으로 감소된다. (ko) Wygładzanie wykładnicze (ang. exponential smoothing) – metoda obróbki szeregu czasowego zmniejszająca jego wariancję za pomocą ważonej średniej ruchomej z przeszłych wartości, o wagach malejących wykładniczo wraz z odległością w czasie. Stosowana do prostego usuwania szumu lub wizualizacji różnych danych. Jest również przydatna w prognozowaniu szeregów czasowych o niewielkim stosunku sygnału do szumu, szczególnie niemających wyraźnego trendu i wahań sezonowych. (pl) Экспоненциальное сглаживание — метод математического преобразования, используемый при прогнозировании временных рядов. Метод также известен как метод простого экспоненциального сглаживания, или метод Брауна. где: — сглаженный ряд, — исходный ряд, — коэффициент сглаживания, который выбирается априори . Используется в задачах сглаживания и краткосрочного прогнозирования временных рядов. (ru) Експоненці́йне згла́джування — це метод математичного перетворення, який застосовується при прогнозуванні часових рядів. Свою назву він отримав через те, що при кожній наступній ітерації враховуються всі попередні значення ряду, але ступінь врахування зменшується за експоненційним законом. де: — згладжений ряд; — первинний ряд; — коефіцієнт згладжування, який обирається апріорі з діапазону . (uk) |
| dbo:wikiPageExternalLink | https://foresight.forecasters.org/product/foresight-issue-19/ https://web.archive.org/web/20150623211648/http:/www.eckner.com/papers/ts_alg.pdf http://demonstrations.wolfram.com/DataSmoothing/ http://people.duke.edu/~rnau/411avg.htm |
| dbo:wikiPageID | 1890727 (xsd:integer) |
| dbo:wikiPageLength | 25207 (xsd:nonNegativeInteger) |
| dbo:wikiPageRevisionID | 1123906409 (xsd:integer) |
| dbo:wikiPageWikiLink | dbr:Python_(programming_language) dbr:Rule_of_thumb dbr:Moving_average dbr:Time_series dbr:Charles_C._Holt dbr:Infinite_impulse_response dbr:Continued_fraction dbc:Time_series dbr:Mathematical_optimization dbr:SPSS dbr:Geometric_progression dbr:Noise dbr:LibreOffice dbr:Low-pass_filter dbr:Signal_processing dbr:Siméon_Denis_Poisson dbr:Stata dbr:Statistics dbr:Autoregressive_integrated_moving_average dbr:Time_constant dbr:Window_function dbr:Hadamard_conjecture dbr:Errors_and_residuals_in_statistics dbr:Least_squares dbr:Exponential_function dbr:Finite_impulse_response dbr:Bayesian_Information_Criterion dbr:Trend_estimation dbr:The_Wolfram_Demonstrations_Project dbr:Kolmogorov–Zurbenko_filter dbr:Microsoft_Excel dbr:R_(programming_language) dbr:Simple_moving_average dbr:Foresight:_The_International_Journal_of_Applied_Forecasting dbr:Robert_Goodell_Brown dbr:Autoregressive_moving_average_model dbr:Finite_impulse_response_filter dbr:Sum_of_squared_errors_of_prediction dbr:Infinite-impulse_response dbr:Unit_step_function dbr:Window_functions |
| dbp:wikiPageUsesTemplate | dbt:Reflist dbt:Short_description dbt:Use_dmy_dates dbt:Quantitative_forecasting_methods dbt:Statistics |
| dct:subject | dbc:Time_series |
| rdfs:comment | El método de suavizamiento exponencial es una manera de pronosticar la demanda de un producto en un periodo dado. Estima que la demanda será igual a, por ejemplo, la media de los consumos históricos para un periodo dado, dando una mayor ponderación a los valores más cercanos en el tiempo. Además, tiene en cuenta el error de pronóstico actual en los siguientes pronósticos. (es) 지수 평활법(指數平滑法, exponential smoothing)은 지수 (exponential window function)를 사용하여 시계열 데이터를 매끈하게 만드는 이다. 에서 과거의 관찰값의 가중치가 동등하게 주어지는 반면, 지수 함수를 사용하면 시간이 지남에 따라 가중치가 기하급수적으로 감소된다. (ko) Wygładzanie wykładnicze (ang. exponential smoothing) – metoda obróbki szeregu czasowego zmniejszająca jego wariancję za pomocą ważonej średniej ruchomej z przeszłych wartości, o wagach malejących wykładniczo wraz z odległością w czasie. Stosowana do prostego usuwania szumu lub wizualizacji różnych danych. Jest również przydatna w prognozowaniu szeregów czasowych o niewielkim stosunku sygnału do szumu, szczególnie niemających wyraźnego trendu i wahań sezonowych. (pl) Экспоненциальное сглаживание — метод математического преобразования, используемый при прогнозировании временных рядов. Метод также известен как метод простого экспоненциального сглаживания, или метод Брауна. где: — сглаженный ряд, — исходный ряд, — коэффициент сглаживания, который выбирается априори . Используется в задачах сглаживания и краткосрочного прогнозирования временных рядов. (ru) Експоненці́йне згла́джування — це метод математичного перетворення, який застосовується при прогнозуванні часових рядів. Свою назву він отримав через те, що при кожній наступній ітерації враховуються всі попередні значення ряду, але ступінь врахування зменшується за експоненційним законом. де: — згладжений ряд; — первинний ряд; — коефіцієнт згладжування, який обирається апріорі з діапазону . (uk) Exponenciální vyrovnávání (někdy též exponenciální vyhlazování) je jednoduchá metoda pro vyhlazování a krátkodobou predikci časových řad. Název pochází z toho, že význam (váha) datového bodu pro hodnotu predikce exponenciálně klesá s časovou vzdáleností od predikce (stářím daného datového bodu). Exponenciální vyrovnávání z pohledu teorie zpracování signálu působí jako filtr typu dolní propust a odstraní z dat vysokofrekvenční šum. (cs) Die exponentielle Glättung (englisch exponential smoothing) ist ein Verfahren der Zeitreihenanalyse zur kurzfristigen Prognose aus einer Stichprobe mit periodischen Vergangenheitsdaten. Diese erhalten durch das exponentielle Glätten mit zunehmender Aktualität eine höhere Gewichtung. Die Alterung der Messwerte wird ausgeglichen, die Sicherheit der Vorhersage verbessert, insbesondere bei der Bedarfs-, Bestands- und Bestellrechnung. Grundlegend ist eine geeignete Datenbasis mit Messwerten aus Marktanalysen. (de) Exponential smoothing is a rule of thumb technique for smoothing time series data using the exponential window function. Whereas in the simple moving average the past observations are weighted equally, exponential functions are used to assign exponentially decreasing weights over time. It is an easily learned and easily applied procedure for making some determination based on prior assumptions by the user, such as seasonality. Exponential smoothing is often used for analysis of time-series data. where is the smoothing factor, and . (en) Leunketa esponentziala denbora-serieetako datu historikoetan oinarrituta epe laburrerako aurresanak egiteko teknika estatistikoen multzo bat da, jasotako datu historikoetatik abiaturik errepikapenezko formulak erabiltzen dituena, horretarako parametro batzuk finkatu ondoren. Bere bertsio sinpleenean, batezbesteko higikorra besterik ez da baina datu historikoak zenbat atzerago izan orduan eta eta neurri txikiagoan haztatu egiten dituena. Esponentzial adjektiboak datu historikoei denboran atzera joan ahala eta funtzio esponentzialaren arabera gero eta garrantzi edo pisu txikiagoa ematen zaiela adierazten du. Bere abantaila nagusia sinpletasuna da: kalkuluaren aldetik teknika errazak dira, ezarri beharreko parametroak eta eskuratzen diren emaitzak aise interpretatzen dira eta datu kopuru txik (eu) Le lissage exponentiel est une méthode empirique de lissage et de prévision de données chronologiques affectées d'aléas. Comme dans la méthode des moyennes mobiles, chaque donnée est lissée successivement en partant de la valeur initiale. Le lissage exponentiel donne aux observations passées un poids décroissant exponentiellement avec leur ancienneté. Le lissage exponentiel est une des méthodes de fenêtrage utilisées en traitement du signal. Elle agit comme un filtre passe-bas en supprimant les fréquences élevées du signal initial. pour :où est le facteur de lissage, avec (fr) |
| rdfs:label | Exponenciální vyrovnávání (cs) Exponentielle Glättung (de) Suavizamiento exponencial (es) Leunketa esponentzial (eu) Lissage exponentiel (fr) Exponential smoothing (en) 지수 평활법 (ko) Wygładzanie wykładnicze (pl) Экспоненциальное сглаживание (ru) Експоненційне згладжування (uk) |
| owl:sameAs | freebase:Exponential smoothing wikidata:Exponential smoothing dbpedia-cs:Exponential smoothing dbpedia-de:Exponential smoothing dbpedia-es:Exponential smoothing dbpedia-eu:Exponential smoothing dbpedia-fr:Exponential smoothing dbpedia-ko:Exponential smoothing dbpedia-pl:Exponential smoothing dbpedia-ru:Exponential smoothing dbpedia-uk:Exponential smoothing https://global.dbpedia.org/id/4wS98 |
| prov:wasDerivedFrom | wikipedia-en:Exponential_smoothing?oldid=1123906409&ns=0 |
| foaf:isPrimaryTopicOf | wikipedia-en:Exponential_smoothing |
| is dbo:wikiPageDisambiguates of | dbr:Exponential |
| is dbo:wikiPageRedirects of | dbr:Double_exponential_smoothing dbr:Expenential_Smoothing dbr:Holt-Winters |
| is dbo:wikiPageWikiLink of | dbr:Electricity_price_forecasting dbr:Moving_average dbr:Charles_C._Holt dbr:Low-pass_filter dbr:Dema dbr:Demand_forecasting dbr:Marketing_engineering dbr:Autoregressive_integrated_moving_average dbr:Distribution_management_system dbr:Alpha_beta_filter dbr:Forecasting dbr:List_of_exponential_topics dbr:Relative_strength_index dbr:Autoregressive–moving-average_model dbr:Financial_econometrics dbr:Mark_Burgess_(computer_scientist) dbr:Smoothing dbr:Exponential dbr:List_of_statistics_articles dbr:Pricing_science dbr:Sharp_EL-500W_series dbr:Robert_Goodell_Brown dbr:Double_exponential_smoothing dbr:Expenential_Smoothing dbr:Holt-Winters |
| is foaf:primaryTopic of | wikipedia-en:Exponential_smoothing |