อัต เคลื่อนไหว เฉลี่ย ภายนอก

ARMAX Modeling. ARMAX เป็นแบบจำลองการถดถอยเชิงเส้นที่ใช้รูปแบบ i-type ARMA สำหรับส่วนที่เหลือชุดข้อมูลอินพุตและตัวแปรภายนอกต้องเป็นแบบคงที่หรือแบบ cointegrated ตัวช่วยสร้างโมเดล ARMAX ใน NumXL จะทำตามขั้นตอนการก่อสร้างโมเดลโดยคาดเดาพารามิเตอร์เริ่มต้น , การตรวจสอบค่าพารามิเตอร์ความดีของการทดสอบพอดีและการวิเคราะห์ส่วนที่เหลือหากต้องการใช้ฟังก์ชันนี้ให้เลือกเซลล์ว่างในแผ่นงานของคุณและเลือกไอคอน ARMAX บนแถบเครื่องมือหรือรายการเมนูตัวช่วยสร้าง Model NumXL ARMAX จะปรากฏขึ้นโดยค่าเริ่มต้น เอาท์พุทถูกตั้งค่าให้อ้างอิงเซลล์ที่ใช้งานอยู่ในแผ่นงานของคุณถัดไปเลือกหรือชี้ไปที่ช่วงของเซลล์ที่คุณเก็บตัวอย่างข้อมูลที่ขึ้นอยู่กับข้อมูลภายนอกและตัวแปรอิสระภายนอกที่อธิบายจากภายนอกในแผ่นงานของคุณเมื่อคุณเลือกข้อมูลป้อนข้อมูลโมเดลและตัวเลือก แท็บเปิดใช้งานคลิกที่แท็บ Model ตอนนี้สำหรับ ARMAX เราจะเลือกช่องทำเครื่องหมายตามฤดูกาลไว้และตั้งค่าลำดับรวมที่ไม่เป็นตามฤดูกาลให้เป็นศูนย์ค่าเริ่มต้นเลือก t เขาลำดับที่สอดคล้องกันของรูปแบบ AR อัตโนมัติถดถอยและลำดับของรูปแบบส่วนประกอบเคลื่อนไหวตอนนี้คลิกที่แท็บตัวเลือกในแท็บนี้เราสามารถสั่ง Model Wizard ว่าจะสร้างความดีของพอดีและตารางการวินิจฉัยที่เหลือ นอกจากนี้เรายังสามารถกำหนดวิธีการเริ่มต้นค่าของพารามิเตอร์ s โดยใช้ค่าที่คาดเดาได้อย่างรวดเร็วหรือปรับค่าที่เหมาะสมหมายเหตุโดยค่าเริ่มต้น Model Wizard จะสร้างการคาดเดาอย่างรวดเร็วของค่าของพารามิเตอร์ s แต่ผู้ใช้อาจ เลือกที่จะสร้างค่าที่ปรับเทียบสำหรับค่าสัมประสิทธิ์ของแบบจำลองเมื่อเสร็จสิ้นฟังก์ชันการสร้างแบบจำลอง ARMAX จะแสดงพารามิเตอร์ของรุ่นที่เลือกและการคำนวณการทดสอบที่เลือกในตำแหน่งที่กำหนดไว้ในแผ่นงานของคุณตัวช่วยสร้าง ARMAX จะเพิ่มประเภทของข้อคิดเห็นหัวสีแดงลงใน (ARIMA) ในรูปแบบของ ARIMA ในทางทฤษฎีคือโมเดลทั่วไปของโมเดลสำหรับการพยากรณ์ความเป็นไปได้ของเวลา eries ซึ่งสามารถทำเป็น stationary โดย differencing ถ้าจำเป็นบางทีร่วมกับ transformations ไม่เชิงเส้นเช่นการเข้าสู่ระบบหรือ deflating ถ้าจำเป็นตัวแปรแบบสุ่มที่เป็นชุดเวลาจะหยุดนิ่งถ้าคุณสมบัติทางสถิติของมันมีค่าคงที่ทั้งหมดตลอดเวลาชุด stationary ไม่มี แนวโน้มความแปรปรวนของค่าเฉลี่ยของมันมีความกว้างคงที่และมันเลื้อยไปในรูปแบบที่สอดคล้องกันคือรูปแบบเวลาแบบสุ่มระยะสั้นมักจะมีลักษณะเหมือนกันในแง่ทางสถิติเงื่อนไขหลังหมายถึงความเกี่ยวโยงกับความสัมพันธ์กับค่าเบี่ยงเบนก่อนหน้าจาก หมายถึงค่าคงที่ตลอดเวลาหรือเทียบเท่าซึ่งสเปกตรัมพลังงานคงที่ตลอดเวลาตัวแปรแบบสุ่มของแบบฟอร์มนี้สามารถดูได้ตามปกติเนื่องจากมีการรวมกันของสัญญาณและเสียงและสัญญาณหากเห็นได้ชัดอาจเป็นรูปแบบที่รวดเร็วหรือ การพลิกกลับค่าเฉลี่ยช้าหรือการสั่นของไซน์หรือการสลับกันอย่างรวดเร็วในเครื่องหมายและอาจมีองค์ประกอบตามฤดูกาลแบบจำลอง ARIMA สามารถเป็นได้ iewed เป็นตัวกรองที่พยายามแยกสัญญาณจากเสียงและสัญญาณจะถูกอนุมานแล้วในอนาคตที่จะได้รับการคาดการณ์สมการพยากรณ์ ARIMA สำหรับชุดเวลาแบบคงที่เป็นสมการถดถอยเชิงเส้นเช่นที่ตัวทำนายประกอบด้วย ล่าช้าของตัวแปรตามและหรือล่าช้าของข้อผิดพลาดการคาดการณ์นั่นคือค่าที่ถูกต้องของ Y คงที่และหรือผลรวมถ่วงน้ำหนักของหนึ่งหรือมากกว่าค่าล่าสุดของ Y และหรือผลรวมถ่วงน้ำหนักของหนึ่งหรือมากกว่าค่าล่าสุดของข้อผิดพลาดถ้า ตัวทำนายประกอบด้วยเฉพาะค่า lag ของ Y ซึ่งเป็นแบบจำลองแบบถดถอยด้วยตนเองแบบอัตถดถอยแบบอัตโนมัติซึ่งเป็นเพียงกรณีพิเศษของรูปแบบการถดถอยและสามารถใช้กับซอฟต์แวร์การถดถอยแบบมาตรฐานได้ตัวอย่างเช่นแบบจำลอง AR 1 แบบอัตโนมัติสำหรับคำสั่งแรก Y เป็นแบบจำลองการถดถอยแบบง่ายซึ่งตัวแปรอิสระมีเพียง Y lagged โดยหนึ่งช่วง LAG Y, 1 ใน Statgraphics หรือ YLAG1 ใน RegressIt ถ้าบางส่วนของตัวทำนายจะล่าช้าของข้อผิดพลาดรูปแบบ ARIMA ไม่ใช่เส้น เนื่องจากไม่มีวิธีใดที่จะระบุข้อผิดพลาดของช่วงเวลาสุดท้ายเป็นตัวแปรอิสระข้อผิดพลาดต้องถูกคำนวณเป็นระยะ ๆ เมื่อโมเดลพอดีกับข้อมูลจากมุมมองทางเทคนิคปัญหาเกี่ยวกับการใช้ข้อผิดพลาดที่ล่าช้า เป็นตัวพยากรณ์เป็นที่คาดการณ์ของแบบจำลองไม่ได้เป็นฟังก์ชันเชิงเส้นของค่าสัมประสิทธิ์แม้ว่าจะเป็นฟังก์ชันเชิงเส้นของข้อมูลที่ผ่านมาดังนั้นค่าสัมประสิทธิ์ในรูปแบบ ARIMA ที่มีข้อผิดพลาดล้าหลังต้องประมาณด้วยวิธีการเพิ่มประสิทธิภาพการไม่เชิงเส้นปีนเขามากกว่าโดยการแก้เพียง ระบบสมการคำย่อ ARIMA ย่อมาจาก Auto-Regressive Integrated Moving Average Lags ของชุด stationarized ในสมการพยากรณ์จะเรียกว่าเงื่อนไข autoregressive ความล่าช้าของข้อผิดพลาดในการคาดการณ์จะเรียกว่า moving average terms และชุดข้อมูลเวลาที่ต้องมีความแตกต่างกัน ที่จะทำนิ่งกล่าวได้ว่าเป็นรุ่นบูรณาการแบบคงที่ชุดแบบสุ่มและแบบสุ่มแนวโน้มโมเดลอัตถิภาวนิยมและ เป็นแบบจำลอง ARIMA แบบไม่แบ่งแยก (ARDSA) เป็นแบบ ARIMA p, d, q model, where. p คือจำนวนเงื่อนไข autoregressive. d คือจำนวนความแตกต่างที่ไม่จำเป็นสำหรับ stationarity และ q คือจำนวนข้อผิดพลาดในการคาดการณ์ที่ล้าหลังในสมการทำนายสมการพยากรณ์ถูกสร้างขึ้นดังต่อไปนี้อันดับแรกให้ y แสดงถึงความแตกต่าง d ของ Y ซึ่งหมายความว่าโปรดสังเกตว่าความแตกต่างที่สองของ Y d 2 กรณีไม่แตกต่างจาก ซึ่งเป็นอนาล็อกแบบแยกกันของอนุพันธ์ลำดับที่สองคือความเร่งของชุดข้อมูลมากกว่าแนวโน้มในท้องถิ่นในแง่ของ y สมการพยากรณ์ทั่วไปคือ ที่นี่พารามิเตอร์เฉลี่ยเคลื่อนที่ถูกกำหนดเพื่อให้สัญญาณของพวกเขาเป็นลบในสมการต่อไปนี้การประชุมนำโดย Box และ Jenkins ผู้เขียนบางคนและซอฟต์แวร์รวมทั้งภาษาการเขียนโปรแกรม R กำหนดพวกเขาเพื่อให้มีบวก สัญญาณแทนเมื่อตัวเลขจริงถูกเสียบเข้ากับสมการไม่มีความกำกวม แต่สิ่งสำคัญคือต้องทราบว่าการใช้ซอฟต์แวร์ของคุณเป็นแบบใดในการอ่านผลลัพธ์บ่อยครั้งที่พารามิเตอร์แสดงโดย AR 1, AR 2, และ MA 1 , MA 2 เป็นต้นหากต้องการระบุรูปแบบ ARIMA ที่เหมาะสมสำหรับ Y คุณจะเริ่มต้นด้วยการกำหนดลำดับของ differencing d ที่ต้องการจัดลำดับชุดข้อมูลและลบคุณลักษณะขั้นต้นของฤดูกาลออกไปบางทีอาจใช้ร่วมกับการแปลงค่าความแปรปรวนเช่นการตัดไม้หรือการยุบ ถ้าคุณหยุดที่จุดนี้และคาดการณ์ว่าชุด differenced เป็นค่าคงที่คุณได้ติดตั้งแบบสุ่มหรือแบบจำลองแนวโน้มแบบสุ่มอย่างไรก็ตามชุด stationarized อาจยังคงมีข้อผิดพลาด autocorrelated แนะนำจำนวนคำ AR บาง p 1 และหรือบางหมายเลข MA เงื่อนไข q 1 ยังจำเป็นในสมการพยากรณ์กระบวนการของการกำหนดค่าของ p, d และ q ที่ดีที่สุดสำหรับชุดเวลาที่กำหนดจะกล่าวถึงในส่วนหลังของ t เขาสังเกตว่าลิงก์ใดอยู่ที่ด้านบนสุดของหน้านี้ แต่ตัวอย่างรูปแบบ ARIMA แบบไม่เฉพาะเจาะจงบางแบบที่พบโดยทั่วไปจะแสดงไว้ด้านล่างนี้โมเดล autoregressive แบบ First-order ของ AUTIMAGE 1,0,0 แบบแรกถ้าซีรี่ส์มีการหยุดนิ่งและสัมพันธ์กันแบบอัตโนมัติ บางทีมันสามารถคาดการณ์เป็นหลายค่าของตัวเองก่อนหน้านี้บวกค่าคงที่สมการพยากรณ์ในกรณีนี้คือซึ่งเป็น Y ถดถอยบนตัวเอง lagged โดยระยะเวลาหนึ่งนี้เป็น ARIMA 1,0,0 แบบคงที่ถ้าหมายถึง ของ Y เท่ากับศูนย์ถ้าค่าสัมประสิทธิ์ความชัน 1 เป็นบวกและน้อยกว่า 1 ในขนาดจะต้องมีขนาดน้อยกว่า 1 ในกรณีที่ Y อยู่นิ่งโมเดลนี้อธิบายพฤติกรรมการคืนค่าเฉลี่ยซึ่งต่อไป ค่าของช่วงควรจะคาดว่าจะเป็น 1 เท่าอยู่ห่างจากค่าเฉลี่ยเป็นค่าของช่วงนี้หาก 1 เป็นค่าลบก็คาดการณ์พฤติกรรมการคืนค่าเฉลี่ยกับการเปลี่ยนแปลงของสัญญาณคือมันยังคาดการณ์ว่า Y จะต่ำกว่าระยะเวลาเฉลี่ยถัดไป ถ้าอยู่เหนือหมายถึงช่วงเวลานี้ ในลำดับที่สองแบบอัตโนมัติ ARIMA 2,0,0 จะมีระยะ Y t-2 ด้านขวาเช่นกันและอื่น ๆ ขึ้นอยู่กับสัญญาณและ magnitudes ของค่าสัมประสิทธิ์แบบ ARIMA 2,0,0 สามารถอธิบายถึงระบบที่มีการพลิกกลับหมายถึงเกิดขึ้นในรูปแบบไซน์โมชันเช่นการเคลื่อนที่ของมวลในสปริงที่ตกอยู่ภายใต้แรงกระแทกแบบสุ่มการสุ่มตัวอย่างแบบ CARIMA 0,1,0 ถ้าชุด Y ไม่อยู่นิ่ง แบบจำลองนี้เป็นแบบจำลองการเดินแบบสุ่มซึ่งถือได้ว่าเป็นกรณี จำกัด ของแบบจำลอง AR 1 ซึ่งมีค่าสัมประสิทธิ์การอัตถิภาพอัตโนมัติเท่ากับ 1 นั่นคือชุดที่มีการพลิกกลับค่าเฉลี่ยที่ช้าอย่างไม่หยุดนิ่งสมการทำนายสำหรับรูปแบบนี้สามารถเขียนได้ โดยที่ระยะคงที่คือการเปลี่ยนแปลงระยะเวลาโดยเฉลี่ยคือระยะยาวที่ลอยอยู่ใน Y โมเดลนี้สามารถใช้เป็นแบบจำลองการถดถอยแบบไม่มีการแทรกแซงซึ่งความแตกต่างแรกของ Y เป็นตัวแปรที่ขึ้นอยู่กับเนื่องจากมีเพียง nonseasonal เท่านั้น ความแตกต่างและระยะคงที่เป็น classifie d เป็นแบบจำลอง ARIMA 0,1 คงที่โดยค่าคงที่โมเดลแบบสุ่มเดินโดยปราศจากจะเป็นแบบจำลอง ARIMA 0,1,0 โดยไม่มีค่าคงที่แบบจำลองอัตถดถอยอัตโนมัติอันดับแรกที่มีความแตกต่างกัน 1,1,0 differuted ถ้าข้อผิดพลาดของ แบบจำลองการเดินแบบสุ่มมีความสัมพันธ์กันโดยอัตโนมัติอาจจะสามารถแก้ไขปัญหาได้โดยการเพิ่มความล่าช้าของตัวแปรที่ขึ้นกับสมการทำนายนั่นคือโดยการถอยหลังความแตกต่างแรกของ Y บนตัวของมันเองที่ล้าหลังโดยระยะเวลาหนึ่งนี้จะให้สมการทำนายต่อไปนี้ซึ่ง สามารถจัดรูปแบบใหม่นี้เป็นแบบจำลองอัตถดถอยอันดับแรกที่มีลำดับความแตกต่างอย่างไม่มีเงื่อนไขและมีระยะเวลาคงที่เช่นแบบจำลอง ARIMA 1,1,0ARIMA 0,1,1 โดยไม่มีการเรียบแบบชี้แจงแบบเรียบง่ายกลยุทธ์อื่นสำหรับการแก้ไข ข้อผิดพลาด autocorrelated ในแบบจำลองการเดินแบบสุ่มได้รับการแนะนำโดยแบบจำลองการเรียบง่ายชี้แจงว่าสำหรับชุดเวลาแบบไม่หยุดนิ่งเช่นคนที่แสดงความผันผวนที่มีเสียงดังรอบ ๆ ค่าเฉลี่ยที่เปลี่ยนแปลงไปอย่างช้าๆรูปแบบการเดินแบบสุ่มไม่ทำงานรวมทั้งการเคลื่อนที่แบบโค้ง ความโกรธค่านิยมที่ผ่านมาในคำอื่น ๆ แทนที่จะใช้การสังเกตล่าสุดเป็นคาดการณ์การสังเกตครั้งต่อไปจะเป็นการดีกว่าที่จะใช้ค่าเฉลี่ยของข้อสังเกตสองสามข้อที่ผ่านมาเพื่อกรองสัญญาณรบกวนและประมาณค่าเฉลี่ยของค่าเฉลี่ยในท้องถิ่น แบบจำลองการทำให้เรียบเรียบง่ายขึ้นโดยใช้ค่าเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนักแบบพหุคูณของค่าในอดีตเพื่อให้บรรลุผลนี้สมการทำนายสำหรับแบบเรียบเรียบง่ายสามารถเขียนได้ในรูปแบบทางคณิตศาสตร์จำนวนหนึ่งซึ่งเป็นรูปแบบการแก้ไขข้อผิดพลาดที่เรียกว่า การคาดการณ์ก่อนหน้านี้ได้รับการปรับเปลี่ยนไปตามทิศทางของข้อผิดพลาดที่เกิดขึ้นเนื่องจาก e t-1 Y t-1 - t-1 ตามนิยามนี้สามารถเขียนใหม่ได้เนื่องจากเป็น ARIMA 0,1,1 โดยไม่มีการคาดการณ์แบบคงที่ สมการกับ 1 1 - ซึ่งหมายความว่าคุณสามารถใส่ข้อมูลแบบเรียบเรียบง่ายโดยระบุว่าเป็นรูปแบบ ARIMA 0,1,1 โดยไม่มีค่าคงที่และค่าสัมประสิทธิ์ของค่าสัมประสิทธิ์ MA 1 จะเท่ากับ 1-alpha ในสูตร SES โปรดจำไว้ว่า ในแบบจำลอง SES อายุโดยเฉลี่ยของข้อมูลในการคาดการณ์ล่วงหน้า 1 ช่วงคือ 1 ความหมายว่าพวกเขาจะมีแนวโน้มที่จะล้าหลังแนวโน้มหรือจุดหักเหโดยประมาณ 1 ช่วงเวลาดังต่อไปนี้อายุเฉลี่ยของข้อมูลใน 1- การคาดการณ์ล่วงหน้าของ ARIMA 0.1,1 - แบบไม่ใช้ค่าคงที่คือ 1 1 - 1 ตัวอย่างเช่นถ้า 1 0 8 อายุเฉลี่ยเท่ากับ 5 เท่ากับ 1 วิธี 1 ARIMA 0,1,1 - โดยไม่มีแบบจำลองคงที่จะกลายเป็นค่าเฉลี่ยเคลื่อนที่แบบระยะยาวและเป็น 1 วิธี 0 จะกลายเป็นโมเดลแบบสุ่มโดยไม่มีการเลื่อนลอยวิธีที่ดีที่สุดในการแก้ไขความสัมพันธ์กันโดยอัตโนมัติเพิ่มคำศัพท์ AR หรือการเพิ่มคำศัพท์ในหน้าก่อน สองโมเดลที่กล่าวข้างต้นปัญหาของความผิดพลาด autocorrelated ในรูปแบบการเดินแบบสุ่มได้รับการแก้ไขในสองวิธีที่แตกต่างกันโดยการเพิ่มค่า lagged ของชุด differenced สมการหรือเพิ่มค่าล่าช้าของข้อผิดพลาดการคาดการณ์วิธีการที่ดีที่สุดคือกฎของ - โง่สำหรับสถานการณ์นี้ซึ่งจะมีการกล่าวถึงในรายละเอียดเพิ่มเติมในภายหลังเป็นที่ autocorrelation บวกเป็นปกติ ได้รับการปฏิบัติที่ดีที่สุดโดยการเพิ่มเทอม AR ไปยังโมเดลและอัตมักษณ์เชิงลบที่ดีที่สุดคือการได้รับการรักษาที่ดีที่สุดโดยการเพิ่มเทอม MA ในซีรีส์ทางธุรกิจและเวลาทางเศรษฐกิจ autocorrelation เชิงลบมักเกิดขึ้นเนื่องจากเป็นสิ่งประดิษฐ์ของ differencing โดยทั่วไป differencing ลด autocorrelation บวกและอาจทำให้เกิด เปลี่ยนจากการบวกที่เป็นค่าลบไปเป็นค่าลบดังนั้นรูปแบบ ARIMA 0,1,1 ซึ่งมีความแตกต่างกันมากับคำศัพท์เฉพาะทางที่ใช้บ่อยกว่า ARIMA 1,1,0 แบบARIMA 0,1,1 ที่มีค่าคงที่อย่างต่อเนื่อง exponential smoothing with growth โดยการใช้โมเดล SES เป็นแบบ ARIMA คุณจะได้รับความยืดหยุ่นบางประการประการแรกประมาณค่าสัมประสิทธิ์ของค่าสัมประสิทธิ์สมการของ MA 1 จะได้รับค่าลบซึ่งสอดคล้องกับปัจจัยการปรับให้เรียบมากกว่า 1 ในรูปแบบ SES ซึ่งโดยปกติแล้ว ไม่ได้รับอนุญาตตามขั้นตอนการปรับแบบ SES ประการที่สองคุณมีตัวเลือกในการรวมระยะเวลาคงที่ในรูปแบบ ARIMA หากต้องการเพื่อประเมินแนวโน้มโดยเฉลี่ยที่ไม่ใช่ศูนย์รุ่น ARIMA 0,1,1 คงที่มีสมการทำนายการคาดการณ์ล่วงหน้าหนึ่งรอบจากแบบจำลองนี้มีคุณภาพคล้ายคลึงกับแบบจำลอง SES ยกเว้นว่าวิถีของการคาดการณ์ในระยะยาวโดยทั่วไปจะเป็นเส้นลาดซึ่งมีความลาดชันเท่ากับ mu มากกว่า เส้นแนวนอน ARIMA 0,2,1 หรือ 0,2,2 โดยไม่มีการเพิ่มความยาวคลื่นแบบคงที่เชิงเส้นแบบจําลองเชิงเส้นเป็นแบบ ARIMA ซึ่งใช้ความแตกต่างทั้งสองแบบร่วมกับข้อกำหนดของ MA ข้อแตกต่างที่สองของชุด Y ไม่ใช่ความแตกต่างระหว่าง Y และตัวเองล้าหลังโดยสองช่วง แต่มันเป็นความแตกต่างแรกของความแตกต่างแรก - ie การเปลี่ยนแปลงในการเปลี่ยนแปลงของ Y ที่ระยะเวลา t ดังนั้นความแตกต่างที่สองของ Y ที่ระยะเวลา t เท่ากับ Y t ความแตกต่างที่สองของฟังก์ชันแบบแยกส่วนจะคล้ายคลึงกับอนุพันธ์ที่สองของฟังก์ชันต่อเนื่องซึ่งจะวัดความเร่งหรือความโค้งใน ฟังก์ชันที่จุดที่กำหนดในเวลา ARIMA 0,2 ut คงคาดการณ์ว่าความแตกต่างที่สองของชุดเท่ากับฟังก์ชันเชิงเส้นของข้อผิดพลาดในการคาดการณ์สองครั้งล่าสุดซึ่งสามารถจัดรูปแบบใหม่ได้ที่ 1 และ 2 คือค่าสัมประสิทธิ์ของ MA 1 และ MA 2 นี่คือรูปแบบการเพิ่มความเรียบแบบเชิงเส้นแบบทั่วไปที่เหมือนกัน เป็นแบบจำลองของ Holt และแบบ Brown's เป็นกรณีพิเศษใช้ค่าเฉลี่ยเคลื่อนที่แบบถ่วงน้ำหนักแบบเลขยกกำลังเพื่อประเมินทั้งในระดับท้องถิ่นและแนวโน้มในท้องถิ่นในชุดการคาดการณ์ในระยะยาวจากแบบจำลองนี้จะมาบรรจบกันเป็นเส้นตรงซึ่งความลาดชันขึ้นอยู่กับ แนวโน้มเฉลี่ยที่สังเกตได้จากตอนท้ายของชุดข้อมูล ARIMA 1,1,2 โดยไม่ต้องมีการปรับค่าเสี้ยนเชิงเส้นแบบเส้นรอบวงแบบหมาด ๆ แบบจำลองนี้แสดงในภาพนิ่งที่มาพร้อมกับแบบจำลอง ARIMA ซึ่งคาดการณ์แนวโน้มในท้องถิ่นในตอนท้ายของชุดข้อมูล แต่จะทำให้แบนราบ ออกในช่วงเวลาที่คาดการณ์อีกต่อไปที่จะแนะนำบันทึกของอนุรักษนิยมการปฏิบัติที่ได้รับการสนับสนุนเชิงประจักษ์ดูบทความเกี่ยวกับทำไม Trend Damped ทำงานโดยการ์ดเนอร์และ McKenzie และบทความกฎทองโดย Armstrong et al สำหรับรายละเอียดโดยทั่วไปแล้วควรเลือกใช้โมเดลที่อย่างน้อยหนึ่งตัวอักษร p และ q ไม่ใหญ่กว่า 1 ได้แก่ อย่าพยายามให้พอดีกับรูปแบบเช่น ARIMA 2,1,2 เนื่องจากเป็นไปได้ว่า เพื่อนำไปสู่ปัญหา overfitting และ common-factor ที่กล่าวถึงในรายละเอียดเพิ่มเติมในบันทึกย่อเกี่ยวกับโครงสร้างทางคณิตศาสตร์ของ ARIMA models. Spreadsheet implementation ARIMA models เช่นที่อธิบายไว้ข้างต้นเป็นเรื่องง่ายที่จะใช้ใน spreadsheet สมการทำนายเป็นเพียงสมการเชิงเส้น ที่อ้างถึงค่าที่ผ่านมาของชุดเวลาเดิมและค่าที่ผ่านมาของข้อผิดพลาดดังนั้นคุณสามารถตั้งค่าสเปรดชีตการพยากรณ์ ARIMA ได้โดยจัดเก็บข้อมูลในคอลัมน์ A สูตรพยากรณ์ในคอลัมน์ B และข้อมูลข้อผิดพลาดลบการคาดการณ์ในคอลัมน์ C พยากรณ์สูตรในเซลล์ทั่วไปในคอลัมน์ B จะเป็นเพียงการแสดงออกเชิงเส้นที่อ้างถึงค่าในแถวก่อนหน้าของคอลัมน์ A และ C คูณด้วยค่าสัมประสิทธิ์ของ AR หรือ MA ที่เก็บไว้ในเซลล์ที่อื่นในกระดาษคำนวณเอช แบบจำลองอัตถดถอยแบบไม่เชิงเส้นที่มีอินพุตจากภายนอกและแบบจำลองค่าเฉลี่ยเคลื่อนที่อัตโนมัติสำหรับการคาดการณ์สภาพเครื่องจักรในระยะยาวเอกสารฉบับนี้นำเสนอการปรับปรุงไฮบริดของระบบอัตโนมัติแบบไม่เชิงเส้นโดยใช้โมเดล NARX แบบอินพุตภายนอกและโมเดล ARMA แบบถ่วงน้ำหนักแบบอัตโนมัติสำหรับการคาดการณ์สถานะเครื่องในระยะยาว ข้อมูลการสั่นสะเทือนในการศึกษานี้ข้อมูลการสั่นสะเทือนถือเป็นองค์ประกอบของสององค์ประกอบซึ่งเป็นข้อมูลเชิง deterministic และข้อผิดพลาดส่วนประกอบ deterministic อาจอธิบายถึงดัชนีการย่อยสลายของเครื่องจักรในขณะที่ส่วนประกอบข้อผิดพลาดสามารถอธิบายถึงลักษณะที่ปรากฏของชิ้นส่วนที่ไม่แน่นอนได้ คือแบบจำลอง NARX ARMA เพื่อหาผลพยากรณ์ในรูปแบบเครือข่าย NARX ซึ่งเหมาะสำหรับปัญหาที่ไม่ใช่เชิงเส้นถูกนำมาใช้ในการคาดการณ์องค์ประกอบที่เป็นตัวกำหนดและแบบจำลอง ARMA ใช้ทำนายข้อผิดพลาดเนื่องจากความสามารถในการทำนายเชิงเส้นที่เหมาะสม ผลการคาดการณ์ขั้นสุดท้ายคือผลรวมของ ผลการทดลองของแบบจำลอง NARX ARMA ได้รับการประเมินโดยใช้ข้อมูลของคอมเพรสเซอร์ก๊าซมีเทนต่ำที่ได้มาจากขั้นตอนการตรวจสอบสภาพเพื่อเป็นการยืนยันถึงความก้าวหน้าของวิธีการที่เสนอการศึกษาเปรียบเทียบผลพยากรณ์ที่ได้จาก NARX แบบจำลอง ARMA และแบบดั้งเดิมยังดำเนินการผลการเปรียบเทียบแสดงให้เห็นว่ารูปแบบ NARX ARMA มีความโดดเด่นและสามารถใช้เป็นเครื่องมือที่มีศักยภาพในการคาดการณ์สภาพของเครื่องได้ค่าเฉลี่ยเคลื่อนที่เฉลี่ย ARMA แบบไม่เชิงเส้นตรงกับอัตรอัตโนมอินพุต NARX คำทำนายระยะยาว การคาดการณ์ของรัฐผู้รับผิดชอบ Tel 82 51 629 6152 โทรสาร 82 51 629 6150.Copyright 2009 Elsevier Ltd สงวนลิขสิทธิ์ลิขสิทธิ์นี้ถูกใช้โดยเว็บไซต์นี้สำหรับข้อมูลเพิ่มเติมโปรดไปที่หน้าของคุกกี้ลิขสิทธิ์ 2017 Elsevier BV หรือผู้อนุญาตหรือผู้ร่วมให้ข้อมูลของ ScienceDirect คือ เครื่องหมายการค้าจดทะเบียนของ Elsevier B V.