Реферат 2
Введение 7
1 Эффект хлыста 9
2 Иерархический временной ряд 10
3 Прогнозирование иерархического временного ряда 13
3.1 Задача согласования прогнозов иерархических временных рядов 13
3.2 Подход снизу вверх 15
3.3 Нисходящие подходы 16
3.3.1 Средние исторические пропорции 17
3.3.2 Пропорции исторических средних 17
3.4 Прогнозные пропорции 18
3.5 Средний подход 20
3.6 Оценка качества методов построения согласованных прогнозов 20
4 Методы нахождения базовых прогнозов 22
4.1Метод скользящего среднего 22
4.2 Метод экспоненциального сглаживания 22
4.3 Модель линейной регрессии 24
4.4 Прогнозирование на основе метода «Гусеница^-SSA 28
5 Прогнозирование продаж ЗАО «Томское Пиво» 37
Заключение 45
Литература 46
Приложение А Программы для построения согласованных прогнозов 48
Приложение Б Программная реализация метода «Гусеница» 53
Роль прогнозирования в современном обществе чрезвычайно важна, так как точность и надёжность принимаемых управленческих решений при выборе дальнейшей стратегии развития или планирования напрямую зависит от того, насколько хороша будет прогнозная оценка развития анализируемых процессов или явлений.
Имеются два общепринятых подхода к прогнозированию: качественный и количественный. Методы качественного прогнозирования чаще всего используют, если исследователю недоступны количественные данные, а также в ситуациях кризиса и нестабильности окружающей среды или самой системы. Как правило, эти методы носят весьма субъективный характер. Если имеются данные об истории объекта исследования, применяются методы количественного прогнозирования. Эти методы позволяют предсказать состояние объекта в будущем на основе данных о его прошлом.
Методы количественного анализа зачастую сводятся к анализу
временных рядов. Под временным рядом понимается упорядоченный набор числовых данных, полученных в течение последовательных периодов времени. Методы анализа временных рядов позволяют предсказать значение числовой переменной на основе ее прошлых и настоящих значений.
Современные социальные исследования нередко оперируют огромными массивами данных, обработка которых имеет весьма специфический характер, при этом, если имеется большой набор взаимосвязанных временных рядов, то его можно представить двумя способами: например, в виде сгруппированных временных рядов, которые агрегируются в ряд не иерархически, т.е. без учета структуры взаимосвязи итоговых значений, либо в виде иерархической многоуровневой структуры (делается это на основе естественных атрибутов, таких как тип, вид, вес размер продукта, его географическое положение и т.д.), в которой временные ряды k-го уровня формируются путем поэлементного суммирования некоторой части (возможно, всех) временных рядов (М1)-го уровня. Временные ряды, которые можно представить данным образом, будем называть иерархическими временными рядами.
В представленной работе рассматривалась задача прогнозирования иерархических временных рядов, исследованы несколько различных методов расчета прогнозных значений, путем моделирования изучено их качество.
Данные алгоритмы были применены для прогнозирования будущих объемов продаж продукции известного томского предприятия.
В работе была решена задача прогнозирования иерархических временных рядов на примере данных об объёмах продаж ЗАО «Томское пиво», произведён анализ качества работы различных подходов с помощью критериев, базирующихся на среднем и максимальном линейных отклонениях от реального объема продаж, выбран лучший метод прогнозирования для рассматриваемой иерархии.
Также был описан метод SSA «Гусеница», алгоритм применялся к реальным данным о значениях цен на нефть за период 03.04.2014-12.05.2016. Было реализовано сглаживание и прогнозирование временного ряда, произведено исследование зависимости качества прогнозирования от выбора входных параметров. В результате выбран набор параметров алгоритма, дающий очень маленькую ошибку прогнозирования. Процесс подбора параметров был полностью автоматизирован.
Было выявлено, что наихудшим из применяемых подходов является подход снизу вверх. Затем идут нисходящие методы, причем подход средних исторических пропорций всегда даёт лучший результат, чем подход пропорций исторических средних. Самым лучшим оказался средний подход, в котором в качестве «среднего уровня» выбран первый уровень (разбиение по магазинам в разных городах), что может свидетельствовать о значительных отличиях объёмов продаж в этих городах.
По результатам работы фирме были даны важные практические рекомендации.
