Прогнозирование

Составление прогнозов на основе имеющихся данных

Прогнозирование — это процесс составления прогнозов на основе прошлых и настоящих данных. Позже их можно сравнить (разрешить) с тем, что происходит. Например, компания может оценить свой доход в следующем году, а затем сравнить его с фактическими результатами, создав фактический анализ дисперсии. Прогнозирование — это похожий, но более общий термин. Прогнозирование может относиться к определенным формальным статистическим методам, использующим временные ряды , поперечные или продольные данные, или, в качестве альтернативы, к менее формальным оценочным методам или самому процессу прогнозирования и разрешения. Использование может различаться в зависимости от области применения: например, в гидрологии термины «прогноз» и «прогнозирование» иногда зарезервированы для оценок значений в определенные конкретные будущие моменты времени, в то время как термин «прогнозирование» используется для более общих оценок, таких как количество наводнений, которые произойдут в течение длительного периода.

Риск и неопределенность играют центральную роль в прогнозировании и предсказании; обычно считается хорошей практикой указывать степень неопределенности, присущую прогнозам. В любом случае данные должны быть актуальными, чтобы прогноз был максимально точным. В некоторых случаях данные, используемые для прогнозирования интересующей переменной, сами являются прогнозом. ^[1] Прогноз не следует путать с бюджетом; бюджеты — это более конкретные, срочные финансовые планы, используемые для распределения ресурсов и контроля, в то время как прогнозы дают оценки будущих финансовых показателей, обеспечивая гибкость и приспособляемость к изменяющимся обстоятельствам. Оба инструмента ценны для финансового планирования и принятия решений, но они выполняют разные функции.

Приложения

Прогнозирование имеет приложения в широком спектре областей, где оценки будущих условий полезны. В зависимости от области точность значительно варьируется. Если факторы, которые относятся к тому, что прогнозируется, известны и хорошо поняты, и есть значительный объем данных, которые можно использовать, то, скорее всего, окончательное значение будет близко к прогнозу. Если это не так или если фактический результат зависит от прогнозов, надежность прогнозов может быть значительно ниже. ^[2]

Изменение климата и рост цен на энергоносители привели к использованию Egain Forecasting для зданий. Это попытка сократить энергию, необходимую для отопления здания, тем самым уменьшая выбросы парниковых газов . Прогнозирование используется в планировании спроса клиентов в повседневной деятельности для производственных и дистрибьюторских компаний.

В то время как достоверность прогнозов относительно фактической доходности акций оспаривается посредством ссылки на гипотезу эффективного рынка , прогнозирование общих экономических тенденций является обычным делом. Такой анализ предоставляется как некоммерческими группами, так и коммерческими частными учреждениями. ^{[ необходима цитата ]}

Прогнозирование движения валютных курсов обычно достигается путем сочетания графического и фундаментального анализа . Существенное различие между графическим анализом и фундаментальным экономическим анализом заключается в том, что графисты изучают только ценовое поведение рынка, тогда как фундаменталисты пытаются изучить причины, лежащие в основе этого поведения. ^[3] Финансовые учреждения усваивают доказательства, предоставленные их фундаментальными и графическими исследователями, в одну заметку, чтобы предоставить окончательный прогноз по рассматриваемой валюте. ^[4]

Прогнозирование также использовалось для предсказания развития конфликтных ситуаций. ^[5] Прогнозисты проводят исследования, в которых используют эмпирические результаты для оценки эффективности определенных моделей прогнозирования. ^[6] Однако исследования показали, что между точностью прогнозов экспертов, осведомленных о конфликтной ситуации, и прогнозов отдельных лиц, которые знали гораздо меньше, существует небольшая разница. ^[7] Аналогичным образом, эксперты в некоторых исследованиях утверждают, что ролевое мышление — вставание на место других людей для прогнозирования их решений — не способствует точности прогноза. ^[8]

Важным, хотя и часто игнорируемым аспектом прогнозирования является его связь с планированием . Прогнозирование можно описать как предсказание того, как будет выглядеть будущее, тогда как планирование предсказывает, как должно выглядеть будущее . ^[6] Не существует единственно правильного метода прогнозирования. Выбор метода должен основываться на ваших целях и ваших условиях (данных и т. д.). ^[9] Хорошее место для поиска метода — посетить дерево выбора. Пример дерева выбора можно найти здесь. ^[10]

Прогнозирование применяется во многих ситуациях:

• Управление цепочкой поставок и планирование спроса клиентов — Прогнозирование может использоваться в управлении цепочкой поставок, чтобы гарантировать, что нужный продукт находится в нужном месте в нужное время. Точное прогнозирование поможет розничным торговцам сократить избыточные запасы и, таким образом, увеличить маржу прибыли . Точное прогнозирование также поможет им удовлетворить спрос потребителей. Дисциплина планирования спроса, также иногда называемая прогнозированием цепочки поставок, охватывает как статистическое прогнозирование, так и процесс консенсуса. Исследования показали, что экстраполяции являются наименее точными, в то время как прогнозы доходов компании являются наиболее надежными. ^{[ необходимо разъяснение ] [11]}
• Экономическое прогнозирование
• Прогноз землетрясений
• Прогнозирование Egain
• Прогнозирование энергетики для интеграции возобновляемых источников энергии
• Финансирование от риска дефолта с помощью кредитных рейтингов и кредитных баллов
• Прогнозирование землепользования
• Результаты игроков и команд в спорте
• Политическое прогнозирование
• Прогнозирование продукта
• Прогнозирование продаж
• Прогнозирование технологий
• Прогнозирование телекоммуникаций
• Транспортное планирование и прогнозирование
• Прогнозирование погоды , прогнозирование наводнений и метеорология

Прогнозирование как обучение, ставки и футархия

В ряде случаев прогноз либо больше, либо меньше, чем предсказание будущего.

В книге Филиппа Э. Тетлока « Суперпрогнозирование: искусство и наука прогнозирования » он рассматривает прогнозирование как метод улучшения способности принимать решения. Человек может стать более откалиброванным ^{[ требуется цитата ]} — т. е. иметь вещи, которым он доверяет на 10% в 10% случаев. Или он может прогнозировать вещи более уверенно ^{[ требуется цитата ]} — приходя к тому же выводу, но раньше. Некоторые утверждают, что прогнозирование — это переносимый навык с преимуществами в других областях обсуждения и принятия решений. ^{[ требуется цитата ]}

Ставки на спорт или политику — это еще одна форма прогнозирования. Вместо того, чтобы использовать их в качестве совета, бетторы получают деньги на основе того, правильно ли они предсказали. Хотя решения могут приниматься на основе этих ставок (прогнозов), основная мотивация обычно финансовая.

Наконец, футархия — это форма правления, в которой прогнозы влияния действий правительства используются для принятия решения о том, какие действия предпринять. Вместо совета, в самой сильной форме футархии автоматически предпринимается действие с наилучшим прогнозируемым результатом. ^{[ необходима цитата ]}

Прогноз улучшений

Проекты по улучшению прогнозов были реализованы в ряде секторов: примерами являются Проект по улучшению прогнозов ураганов (HFIP) Национального центра по наблюдению за ураганами и Проект по улучшению прогнозов ветра, спонсируемый Министерством энергетики США . ^[12] В отношении управления цепочками поставок модель Du Pont использовалась для того, чтобы показать, что повышение точности прогнозов может привести к увеличению продаж и сокращению запасов, операционных расходов и обязательств по оборотному капиталу. ^[13]

Категории методов прогнозирования

Качественные и количественные методы

Качественные методы прогнозирования субъективны, основаны на мнении и суждении потребителей и экспертов; они подходят, когда прошлые данные недоступны. Обычно они применяются для принятия среднесрочных или долгосрочных решений. Примерами качественных методов прогнозирования являются ^{[ требуется ссылка ]} информированное мнение и суждение, метод Дельфи , маркетинговые исследования и историческая аналогия жизненного цикла.

Количественные модели прогнозирования используются для прогнозирования будущих данных как функции прошлых данных. Их целесообразно использовать, когда доступны прошлые числовые данные и когда разумно предположить, что некоторые закономерности в данных, как ожидается, сохранятся в будущем. Эти методы обычно применяются для краткосрочных или среднесрочных решений. Примерами количественных методов прогнозирования являются ^{[ требуется ссылка ]} спрос последнего периода, простые и взвешенные скользящие средние N-периода , простое экспоненциальное сглаживание , прогнозирование на основе модели процесса Пуассона ^[14] и мультипликативные сезонные индексы. Предыдущие исследования показывают, что разные методы могут приводить к разным уровням точности прогнозирования. Например, было обнаружено, что нейронная сеть GMDH имеет лучшую производительность прогнозирования, чем классические алгоритмы прогнозирования, такие как Single Exponential Smooth, Double Exponential Smooth, ARIMA и нейронная сеть обратного распространения. ^[15]

Средний подход

В этом подходе прогнозы всех будущих значений равны среднему значению прошлых данных. Этот подход можно использовать с любыми данными, для которых доступны прошлые данные. В нотации временных рядов:

${\displaystyle {\hat {y}}_{T+h|T}={\bar {y}}=(y_{1}+...+y_{T})/T}$ ^[16]

где прошлые данные. ${\displaystyle y_{1},...,y_{T}}$

Хотя здесь использовалась нотация временного ряда, подход среднего значения также может использоваться для перекрестных данных (когда мы прогнозируем ненаблюдаемые значения; значения, которые не включены в набор данных). Тогда прогноз для ненаблюдаемых значений представляет собой среднее значение наблюдаемых значений.

Наивный подход

Наивные прогнозы являются наиболее экономически эффективной моделью прогнозирования и предоставляют эталон, с которым можно сравнивать более сложные модели. Этот метод прогнозирования подходит только для данных временных рядов . ^[16] Используя наивный подход, прогнозы создаются, которые равны последнему наблюдаемому значению. Этот метод работает довольно хорошо для экономических и финансовых временных рядов, которые часто имеют закономерности, которые трудно надежно и точно предсказать. ^[16] Если считается, что временной ряд имеет сезонность, сезонный наивный подход может быть более подходящим, когда прогнозы равны значению из прошлого сезона. В нотации временных рядов:

${\displaystyle {\hat {y}}_{T+h|T}=y_{T}}$

Метод дрейфа

Разновидность наивного метода заключается в том, чтобы позволить прогнозам увеличиваться или уменьшаться с течением времени, где величина изменения с течением времени (называемая дрейфом ) устанавливается как среднее изменение, наблюдаемое в исторических данных. Таким образом, прогноз для времени дается как ${\displaystyle T+h}$

${\displaystyle {\hat {y}}_{T+h|T}=y_{T}+{\frac {h}{T-1}}\sum _{t=2}^{T}(y_{t}-y_{t-1})=y_{T}+h\left({\frac {y_{T}-y_{1}}{T-1}}\right).}$ ^[16]

Это эквивалентно проведению линии между первым и последним наблюдением и экстраполяции ее в будущее.

Сезонный наивный подход

Сезонный наивный метод учитывает сезонность, устанавливая каждый прогноз равным последнему наблюдаемому значению того же сезона. Например, прогнозируемое значение для всех последующих месяцев апреля будет равно предыдущему наблюдаемому значению для апреля. Прогноз для времени [ ^16] ${\displaystyle T+h}$

${\displaystyle {\hat {y}}_{T+h|T}=y_{T+h-m(k+1)}}$

где = сезонный период и — наименьшее целое число, большее . ${\displaystyle m}$ ${\displaystyle k}$ ${\displaystyle (h-1)/m}$

Сезонный наивный метод особенно полезен для данных с очень высоким уровнем сезонности.

Детерминированный подход

Детерминированный подход — это когда нет стохастической переменной, а прогнозы зависят от выбранных функций и параметров. ^{[17] [18]} Например, если задана функция

${\displaystyle {\begin{aligned}f_{n}(x_{t})={\dfrac {1}{(1+x_{t}^{n})}}\,,\qquad n\in {\mathbb {N} },\;x\in {\mathbb {R} }.\end{aligned}}}$

Краткосрочное поведение и среднесрочная тенденция ${\displaystyle x_{t}}$ ${\displaystyle y_{t}}$

${\displaystyle {\begin{aligned}{\left\{{\begin{array}{ll}x_{t+1}=\alpha f_{n}(x_{t})+\gamma \,y_{t}+\delta \\y_{t+1}=\beta \,y_{t}-\mu \,x_{t}+\eta \end{array}}\right.}\end{aligned}}}$

где некоторые параметры. ${\displaystyle \alpha ,\gamma ,\beta ,\mu ,\eta }$

Этот подход был предложен для моделирования всплесков, казалось бы, стохастической активности, прерываемых более спокойными периодами. Предполагается, что присутствие сильного детерминированного ингредиента скрыто шумом. Детерминированный подход примечателен тем, что он может раскрыть базовую структуру динамических систем, которую можно использовать для управления динамикой в ​​желаемом режиме. ^[17]

Методы временных рядов

Методы временных рядов используют исторические данные как основу для оценки будущих результатов. Они основаны на предположении, что история спроса в прошлом является хорошим индикатором будущего спроса.

• Скользящая средняя
• Взвешенное скользящее среднее
• Экспоненциальное сглаживание
• Авторегрессионное скользящее среднее (ARMA) (прогнозы зависят от прошлых значений прогнозируемой переменной и от прошлых ошибок прогнозирования)
• Авторегрессионное интегрированное скользящее среднее (ARIMA) (ARMA на изменении прогнозируемой переменной от периода к периоду)

например, Бокс–Дженкинс

Сезонная ARIMA или SARIMA или ARIMARCH,

• Экстраполяция
• Линейное предсказание
• Оценка тренда (прогнозирование переменной как линейной или полиномиальной функции времени)
• Кривая роста (статистика)
• Рекуррентная нейронная сеть

Реляционные методы

Некоторые методы прогнозирования пытаются определить основные факторы, которые могут повлиять на прогнозируемую переменную. Например, включение информации о климатических условиях может улучшить способность модели предсказывать продажи зонтиков. Модели прогнозирования часто учитывают регулярные сезонные изменения. Помимо климата, такие изменения могут быть вызваны праздниками и обычаями: например, можно предсказать, что продажи одежды для студенческого футбола будут выше во время футбольного сезона, чем в межсезонье. ^[19]

Несколько неформальных методов, используемых в причинном прогнозировании, не полагаются исключительно на вывод математических алгоритмов , а вместо этого используют суждение прогнозиста. Некоторые прогнозы учитывают прошлые связи между переменными: если одна переменная, например, была приблизительно линейно связана с другой в течение длительного периода времени, может быть целесообразно экстраполировать такую ​​связь в будущее, не обязательно понимая причины этой связи.

Причинно-следственные методы включают в себя:

• Регрессионный анализ включает в себя большую группу методов прогнозирования будущих значений переменной с использованием информации о других переменных. Эти методы включают как параметрические (линейные или нелинейные), так и непараметрические методы.
• Авторегрессионное скользящее среднее с экзогенными входами (ARMAX) ^[20]

Количественные модели прогнозирования часто оцениваются друг относительно друга путем сравнения их внутривыборочной или вневыборочной среднеквадратической ошибки , хотя некоторые исследователи не рекомендуют этого делать. ^[21] Различные подходы к прогнозированию имеют разные уровни точности. Например, в одном контексте было обнаружено, что GMDH имеет более высокую точность прогнозирования, чем традиционный ARIMA. ^[22]

Методы оценки

Методы суждений по прогнозированию включают интуитивные суждения, мнения и субъективные оценки вероятности . Суждение по прогнозированию используется в случаях, когда отсутствуют исторические данные или в совершенно новых и уникальных рыночных условиях. ^[23]

Методы оценки включают в себя:

• Композитные прогнозы ^{[ требуется ссылка ]}
• Метод Кука ^{[ требуется ссылка ]}
• Метод Дельфи
• Прогноз по аналогии
• Построение сценария
• Статистические исследования
• Прогнозирование технологий

Методы искусственного интеллекта

• Искусственные нейронные сети
• Групповой метод обработки данных
• Машины опорных векторов

Сегодня это часто делается специализированными программами, которые вольно называются

• Сбор данных
• Машинное обучение
• Распознавание образов

Геометрическая экстраполяция с прогнозированием ошибок

Может быть создано с 3 точками последовательности и "моментом" или "индексом". Этот тип экстраполяции имеет 100% точность предсказаний в большом проценте известных баз данных серий (OEIS). ^[24]

Другие методы

• Причинность по Грейнджеру
• Моделирование
• Рынок прогнозов
• Вероятностное прогнозирование и ансамблевое прогнозирование

Точность прогнозирования

Ошибка прогноза (также известная как остаток ) — это разница между фактическим значением и прогнозируемым значением за соответствующий период:

${\displaystyle \ E_{t}=Y_{t}-F_{t}}$

где E — ошибка прогноза на период t, Y — фактическое значение на период t, а F — прогноз на период t.

Хороший метод прогнозирования даст некоррелированные остатки . Если между остаточными значениями есть корреляции , то в остатках остается информация, которую следует использовать при вычислении прогнозов. Этого можно добиться, вычислив ожидаемое значение остатка как функцию известных прошлых остатков и скорректировав прогноз на величину, на которую это ожидаемое значение отличается от нуля.

Хороший метод прогнозирования также будет иметь нулевое среднее значение . Если остатки имеют среднее значение, отличное от нуля, то прогнозы смещены и могут быть улучшены путем корректировки метода прогнозирования с помощью аддитивной константы, которая равна среднему значению нескорректированных остатков.

Меры совокупной погрешности:

Ошибки, зависящие от масштаба

Ошибка прогноза E имеет тот же масштаб, что и данные, поэтому эти показатели точности зависят от масштаба и не могут использоваться для сравнения рядов в разных масштабах.

Средняя абсолютная ошибка (MAE) или среднее абсолютное отклонение (MAD): ${\displaystyle \ MAE=MAD={\frac {\sum _{t=1}^{N}|E_{t}|}{N}}}$

Средняя квадратическая ошибка (MSE) или средняя квадратическая ошибка прогнозирования (MSPE): ${\displaystyle \ MSE=MSPE={\frac {\sum _{t=1}^{N}{E_{t}^{2}}}{N}}}$

Среднеквадратическая ошибка (RMSE): ${\displaystyle \ RMSE={\sqrt {\frac {\sum _{t=1}^{N}{E_{t}^{2}}}{N}}}}$

Среднее значение ошибок (E): ${\displaystyle \ {\bar {E}}={\frac {\sum _{i=1}^{N}{E_{i}}}{N}}}$

Процент ошибок

Они чаще используются для сравнения эффективности прогнозов между различными наборами данных, поскольку они не зависят от масштаба. Однако у них есть недостаток: они чрезвычайно велики или неопределены, если Y близок или равен нулю.

Средняя абсолютная процентная ошибка (MAPE): ${\displaystyle \ MAPE=100*{\frac {\sum _{t=1}^{N}|{\frac {E_{t}}{Y_{t}}}|}{N}}}$

Среднее абсолютное процентное отклонение (MAPD): ${\displaystyle \ MAPD={\frac {\sum _{t=1}^{N}|E_{t}|}{\sum _{t=1}^{N}|Y_{t}|}}}$

Масштабированные ошибки

Хайндман и Келер (2006) предложили использовать масштабированные ошибки в качестве альтернативы процентным ошибкам.

Средняя абсолютная масштабированная ошибка (MASE): ${\displaystyle MASE={\frac {\sum _{t=1}^{N}|{\frac {E_{t}}{{\frac {1}{N-m}}\sum _{t=m+1}^{N}|Y_{t}-Y_{t-m}|}}|}{N}}}$

где m = сезонный период или 1, если не сезонный

Другие меры

Навык прогнозирования (SS): ${\displaystyle \ SS=1-{\frac {MSE_{forecast}}{MSE_{ref}}}}$

Прогнозисты и практики в сфере бизнеса иногда используют разную терминологию. Они называют PMAD MAPE, хотя вычисляют его как MAPE, взвешенный по объему. Для получения дополнительной информации см. Расчет точности прогноза спроса .

При сравнении точности различных методов прогнозирования на определенном наборе данных показатели совокупной погрешности сравниваются друг с другом, и предпочтение отдается методу, который дает наименьшую погрешность.

Обучающие и тестовые наборы

При оценке качества прогнозов некорректно смотреть на то, насколько хорошо модель соответствует историческим данным; точность прогнозов можно определить только путем рассмотрения того, насколько хорошо модель работает на новых данных, которые не использовались при подгонке модели. При выборе моделей обычно используют часть доступных данных для подгонки, а остальные данные используют для тестирования модели, как это было сделано в приведенных выше примерах. ^[25]

Перекрестная проверка

Перекрестная проверка — это более сложная версия обучения тестового набора.

Для перекрестных данных один из подходов к перекрестной проверке работает следующим образом:

1. Выберите наблюдение i для тестового набора и используйте оставшиеся наблюдения в обучающем наборе. Вычислите ошибку для тестового наблюдения.
2. Повторите предыдущий шаг для i = 1,2,..., N , где N — общее число наблюдений.
3. Рассчитайте показатели точности прогноза на основе полученных ошибок.

Это позволяет эффективно использовать имеющиеся данные, поскольку на каждом этапе пропускается только одно наблюдение.

Для данных временных рядов обучающий набор может включать только наблюдения, предшествующие тестовому набору. Поэтому никакие будущие наблюдения не могут быть использованы при построении прогноза. Предположим, что для создания надежного прогноза необходимо k наблюдений; тогда процесс работает следующим образом:

1. Начиная с i = 1, выберите наблюдение k + i для тестового набора и используйте наблюдения в моменты времени 1, 2, ..., k+i –1 для оценки модели прогнозирования. Вычислите ошибку прогноза для k+i .
2. Повторите предыдущий шаг для i = 2,..., T–k , где T — общее число наблюдений.
3. Рассчитайте точность прогноза с учетом всех ошибок.

Эту процедуру иногда называют «прогрессирующим началом прогнозирования», поскольку «начало» ( k+i -1) , на котором основан прогноз, перемещается вперед во времени. ^[25] Кроме того, прогнозы на два шага вперед или, в общем случае, на p шагов вперед можно вычислить, сначала спрогнозировав значение сразу после обучающего набора, а затем используя это значение со значениями обучающего набора для прогнозирования на два периода вперед и т. д.

Смотрите также

• Расчет точности прогноза спроса
• Консенсусные прогнозы
• Ошибка прогноза
• Предсказуемость
• Интервалы прогнозирования , аналогичные доверительным интервалам
• Прогнозирование эталонного класса

Сезонность и цикличность поведения

Сезонность

Сезонность — это характеристика временного ряда, в котором данные претерпевают регулярные и предсказуемые изменения, которые повторяются каждый календарный год. Любое предсказуемое изменение или закономерность во временном ряду, которое повторяется или повторяется в течение одного года, можно назвать сезонным. Во многих ситуациях — например, в продуктовом магазине ^[26] или даже в офисе судмедэксперта ^[27] — спрос зависит от дня недели. В таких ситуациях процедура прогнозирования вычисляет сезонный индекс «сезона» — семь сезонов, по одному на каждый день — который представляет собой отношение среднего спроса этого сезона (который рассчитывается с помощью скользящего среднего или экспоненциального сглаживания с использованием исторических данных, соответствующих только этому сезону) к среднему спросу за все сезоны. Индекс выше 1 указывает на то, что спрос выше среднего; индекс ниже 1 указывает на то, что спрос ниже среднего.

Циклическое поведение

Циклическое поведение данных имеет место, когда в данных происходят регулярные колебания, которые обычно длятся в течение интервала не менее двух лет, и когда продолжительность текущего цикла не может быть предопределена. Циклическое поведение не следует путать с сезонным поведением. Сезонные колебания следуют последовательной схеме каждый год, поэтому период всегда известен. Например, в период Рождества запасы магазинов имеют тенденцию увеличиваться, чтобы подготовиться к рождественским покупателям. В качестве примера циклического поведения популяция определенной естественной экосистемы будет демонстрировать циклическое поведение, когда популяция уменьшается по мере уменьшения ее естественного источника пищи, и как только популяция становится низкой, источник пищи восстанавливается, и популяция снова начинает расти. Циклические данные нельзя учесть с помощью обычной сезонной корректировки, поскольку они не имеют фиксированного периода.

Ограничения

Ограничения создают барьеры, за пределами которых методы прогнозирования не могут надежно предсказывать. Существует множество событий и значений, которые невозможно надежно предсказать. Такие события, как бросок игральной кости или результаты лотереи, невозможно предсказать, поскольку они являются случайными событиями, и в данных нет существенной взаимосвязи. Когда факторы, которые приводят к тому, что прогнозируется, неизвестны или недостаточно понятны, например, на фондовых и валютных рынках, прогнозы часто бывают неточными или неправильными, поскольку недостаточно данных обо всем, что влияет на эти рынки, чтобы прогнозы были надежными, кроме того, результаты прогнозов этих рынков изменяют поведение тех, кто участвует в рынке, что еще больше снижает точность прогнозов. ^[2]

Концепция «самоуничтожающихся предсказаний» касается способа, которым некоторые предсказания могут подорвать себя, влияя на социальное поведение. ^[28] Это происходит потому, что «предсказатели являются частью социального контекста, относительно которого они пытаются сделать предсказание, и могут влиять на этот контекст в процессе». ^[28] Например, прогноз о том, что большой процент населения заразится ВИЧ, основанный на существующих тенденциях, может заставить больше людей избегать рискованного поведения и, таким образом, снизить уровень заражения ВИЧ, делая прогноз недействительным (который мог бы остаться верным, если бы он не был публично известен). Или прогноз о том, что кибербезопасность станет серьезной проблемой, может заставить организации внедрить больше мер безопасности кибербезопасности, тем самым ограничивая проблему.

Пределы производительности уравнений динамики жидкости

Как предложил Эдвард Лоренц в 1963 году, долгосрочные прогнозы погоды, сделанные на срок в две недели или более, не могут точно предсказать состояние атмосферы из-за хаотической природы уравнений динамики жидкости . Крайне малые ошибки в начальных данных, таких как температура и ветер, в числовых моделях удваиваются каждые пять дней. ^[29]

Смотрите также

• Ускорение изменений
• Прогнозирование денежных потоков
• Клиодинамика
• Совместное планирование, прогнозирование и пополнение запасов
• Мозговой штурм с компьютерной поддержкой
• Прогноз землетрясений
• Экономическое прогнозирование
• Прогнозирование энергетики
• Прогнозирование предвзятости
• Форсайт (исследования будущего)
• Спектр частот
• Исследования будущего
• Футурология
• волна Кондратьева
• Наименьшие квадраты
• Спектральный анализ методом наименьших квадратов
• Оптимистический уклон
• Планирование
• Прогноз
• Прогностическая аналитика
• Управление рисками
• Планирование сценария
• Волна расходов
• Стратегическое предвидение
• Прогнозирование технологий
• Ловушка Фукидида
• Временной ряд
• Прогнозирование погоды
• Прогнозирование ветроэнергетики

Ссылки

1. Френч, Джордан (2017). «CAPM путешественника во времени». Журнал инвестиционных аналитиков . 46 (2): 81–96. doi :10.1080/10293523.2016.1255469. S2CID  157962452.
2. Прогнозирование: принципы и практика.
3. Хелен Аллен; Марк П. Тейлор (1990). «Графики, шум и фундаментальные факторы на лондонском валютном рынке». The Economic Journal . 100 (400): 49–59. doi :10.2307/2234183. JSTOR  2234183.
4. Pound Sterling Live. «Прогноз евро от институциональных исследователей», список сопоставленных прогнозов обменного курса, охватывающих технический и фундаментальный анализ на валютном рынке.
5. T. Chadefaux (2014). «Ранние сигналы предупреждения о войне в новостях». Журнал исследований мира, 51(1), 5-18
6. J. Scott Armstrong; Kesten C. Green; Andreas Graefe (2010). "Ответы на часто задаваемые вопросы" (PDF) . Архивировано из оригинала (PDF) 2012-07-11 . Получено 2012-01-23 .
7. Кестен С. Грин; Дж. Скотт Армстронг (2007). «Омбудсмен: ценность экспертизы для прогнозирования решений в конфликтах» (PDF) . Интерфейсы : 1–12. Архивировано из оригинала (PDF) 20-06-2010 . Получено 29-12-2011 .
8. Кестен С. Грин; Дж. Скотт Армстронг (1975). «Ролевое мышление: вставание на место других людей для прогнозирования решений в конфликтах». Международный журнал прогнозирования . 39 : 111–116. SSRN  1596623.
9. "FAQ". Forecastingprinciples.com. 1998-02-14 . Получено 2012-08-28 .
10. "Дерево выбора". Forecastingprinciples.com. 1998-02-14 . Получено 2012-08-28 .
11. Дж. Скотт Армстронг (1983). «Относительная точность оценочных и экстраполяционных методов прогнозирования годовых доходов» (PDF) . Журнал прогнозирования . 2 (4): 437–447. doi :10.1002/for.3980020411. S2CID  16462529.
12. Министерство энергетики, Проект улучшения прогноза ветра (WFIP): государственно-частное партнерство, решающее проблемы прогнозирования ветроэнергетики, опубликовано 30 октября 2015 г., дата обращения 9 декабря 2022 г.
13. Logility, Inc. (2016), Beyond Basic Forecasting, дата обращения 9 декабря 2022 г.
14. Махмуд, Тахмида; Хасан, Махмудул; Чакраборти, Анирбан; Рой-Чоудхури, Амит (19 августа 2016 г.). Модель процесса Пуассона для прогнозирования активности . Международная конференция IEEE по обработке изображений (ICIP) 2016 г. IEEE. doi :10.1109/ICIP.2016.7532978.
15. Ли, Рита Йи Ман; Фонг, Саймон; Чонг, Кайл Венг Санг (2017). «Прогнозирование REIT и фондовых индексов: групповой метод обработки данных с использованием нейронных сетей». Pacific Rim Property Research Journal . 23 (2): 123–160. doi :10.1080/14445921.2016.1225149. S2CID  157150897.
16. Хайндман, Роб Дж.; Атанасопулос, Джордж. "2.3 Некоторые простые методы прогнозирования". Прогнозирование: принципы и практика . OTexts. Архивировано из оригинала 13 августа 2017 г. Получено 16 марта 2018 г.
17. Stoop, Ruedi; Orlando, Giuseppe; Bufalo, Michele; Della Rossa, Fabio (2022-11-18). «Использование детерминированных признаков в явно стохастических данных». Scientific Reports . 12 (1): 19843. Bibcode :2022NatSR..1219843S. doi : 10.1038/s41598-022-23212-x . hdl : 11311/1233353 . ISSN  2045-2322. PMC 9674651 . PMID  36400910. 
18. Орландо, Джузеппе; Буфало, Микеле; Ступ, Руэди (2022-02-01). «Детерминированные аспекты финансовых рынков, моделируемые уравнением малой размерности». Scientific Reports . 12 (1): 1693. Bibcode :2022NatSR..12.1693O. doi : 10.1038/s41598-022-05765-z . hdl : 20.500.11850/531723 . ISSN  2045-2322. PMC 8807815 . PMID  35105929. 
19. Стивен Нахмиас; Тава Леннон Олсен (15 января 2015 г.). Анализ производства и операций: седьмое издание. Waveland Press. ISBN 978-1-4786-2824-8.
20. Эллис, Кимберли (2008). Планирование производства и управление запасами Virginia Tech . McGraw Hill. ISBN 978-0-390-87106-0.
21. Дж. Скотт Армстронг и Фред Коллопи (1992). "Error Measures For Generalizing About Forecasting Methods: Empirical Comparisons" (PDF) . International Journal of Forecasting . 8 : 69–80. CiteSeerX 10.1.1.423.508 . doi :10.1016/0169-2070(92)90008-w. Архивировано из оригинала (PDF) 2012-02-06. 
22. 16. Ли, Рита Йи Ман, Фонг, С., Чонг, В.С. (2017) Прогнозирование инвестиционно-финансовых инвестфондов и фондовых индексов: групповой метод обработки данных с использованием нейронных сетей, Pacific Rim Property Research Journal, 23(2), 1-38
23. Хайндман, Роб Дж.; Атанасопулос, Джордж. "3.1 Введение". Прогнозирование: принципы и практика . OTexts . Получено 16 марта 2018 г. .
24. V. Nos (2021-06-02). "Probnet: геометрическая экстраполяция целочисленных последовательностей с прогнозированием ошибок". Hackage . Haskell. Архивировано из оригинала 2022-08-14 . Получено 2022-12-06 .
25. "2.5 Оценка точности прогноза". OTexts . Получено 2016-05-14 .
26. Эрхун, Ф.; Таюр, С. (2003). «Оптимизация общей стоимости доставки в масштабах всего предприятия в розничной торговле продуктами питания». Исследование операций . 51 (3): 343. doi : 10.1287/opre.51.3.343.14953 .
27. Омалу, BI; Шакир, AM; Линднер, JL; Таюр, SR (2007). «Прогнозирование как инструмент управления операциями в офисе судебно-медицинской экспертизы». Журнал управления здравоохранением . 9 : 75–84. doi :10.1177/097206340700900105. S2CID  73325253.
28. Overland, Indra (2019-03-01). «Геополитика возобновляемой энергии: развенчание четырех возникающих мифов». Energy Research & Social Science . 49 : 36–40. doi : 10.1016/j.erss.2018.10.018 . hdl : 11250/2579292 . ISSN  2214-6296.
29. Кокс, Джон Д. (2002). Storm Watchers . John Wiley & Sons, Inc. стр. 222–224. ISBN 978-0-471-38108-2.

Источники

• Армстронг, Дж. Скотт , ред. (2001). Принципы прогнозирования: Справочник для исследователей и практиков . Норвелл, Массачусетс: Kluwer Academic Publishers. ISBN 978-0-7923-7930-0.
• Эллис, Кимберли (2010). Планирование производства и управление запасами . McGraw-Hill. ISBN 978-0-412-03471-8.
• Geisser, Seymour (июнь 1993 г.). Predictive Inference: An Introduction . Chapman & Hall, CRC Press. ISBN 978-0-390-87106-0.
• Гилкрист, Уоррен (1976). Статистическое прогнозирование . Лондон: John Wiley & Sons. ISBN 978-0-471-99403-9.
• Хайндман, Роб Дж.; Келер, Энн Б. (октябрь–декабрь 2006 г.). «Еще один взгляд на меры точности прогнозов» (PDF) . Международный журнал прогнозирования . 22 (4): 679–688. CiteSeerX  10.1.1.154.9771 . doi :10.1016/j.ijforecast.2006.03.001.
• Макридакис, Спирос; Уилвригт, Стивен; Хайндман, Роб Дж. (1998). Прогнозирование: методы и приложения . John Wiley & Sons. ISBN 978-0-471-53233-0.
• Malakooti, ​​Behnam (февраль 2014). Операционные и производственные системы с множественными целями . John Wiley & Sons. ISBN 978-0-470-03732-4.
• Калигасидис, Анджела Сасик; Таеслер, Роджер; Андерссон, Кари; Норд, Маргитта (август 2006 г.). «Усовершенствованное управление прогнозом погоды для систем отопления зданий». В Фацио, Пол (ред.). Исследования в области строительной физики и строительной инженерии . Тейлор и Фрэнсис, CRC Press. стр. 951–958. ISBN 978-0-415-41675-7.
• Кресс, Джордж Дж.; Снайдер, Джон (май 1994 г.). Методы прогнозирования и анализа рынка: практический подход . Quorum Books. ISBN 978-0-89930-835-7.
• Решер, Николас (1998). Предсказание будущего: Введение в теорию прогнозирования . Издательство Государственного университета Нью-Йорка. ISBN 978-0-7914-3553-3.
• Таеслер, Роджер (1991). «Климат и управление энергопотреблением зданий». Энергия и здания . 15 (1–2): 599–608. Bibcode : 1991EneBu..16..599T. doi : 10.1016/0378-7788(91)90028-2.
• Турчин, Питер (2007). «Научное предсказание в исторической социологии: Ибн Халдун встречает Аль Сауда». История и математика: историческая динамика и развитие сложных обществ . Москва: КомКнига. С. 9–38. ISBN 978-5-484-01002-8.
• Патент США 6098893, Берглунд, Ульф Стефан и Лундберг, Бьорн Генри, «Система управления комфортом, включающая данные прогноза погоды, и метод работы такой системы», выдан 8 августа 2000  г.

Внешние ссылки

• Медиа, связанные с Prediction на Wikimedia Commons
• Принципы прогнозирования: «Прогнозирование, основанное на фактических данных»
• Международный институт прогнозистов
• Введение в анализ временных рядов (Справочник по инженерной статистике) - Практическое руководство по анализу временных рядов и прогнозированию
• Анализ временных рядов
• Глобальное прогнозирование с IF
• Исследование электромагнитных предвестников землетрясений
• Наука прогнозирования и теория прогнозирования