Previsione

Previsione della domanda di prodotto in R

Aric LaBarr, Ph.D.

Senior Data Scientist, Elder Research

Previsione

Obiettivo della maggior parte dei modelli di serie temporali!
I modelli usano valori passati o "shock" per prevedere il futuro
Riconoscere il pattern e poi ripeterlo

Previsione

Esempio di previsione

forecast_M_t <- forecast(M_t_model, h = 22)

for_dates <- seq(as.Date("2017-01-01"), length = 22, 
                                        by = "weeks")
for_M_t_xts <- xts(forecast_M_t$mean, order.by = for_dates)

plot(M_t_valid, main = 'Forecast Comparison')
lines(for_M_t_xts, col = "blue")

Come valutare le previsioni?

2 misure comuni di accuratezza:
1. Mean Absolute Error (MAE) $$ \frac {1}{n} \sum_{i=1}^n |Y_t - \hat{Y}_t| $$
2. Mean Absolute Percentage Error (MAPE) $$ \frac {1}{n} \sum_{i=1}^n | \frac {Y_t - \hat{Y}_t} {Y_t} | \times 100 $$

Esempio MAE e MAPE

for_M_t <- as.numeric(forecast_M_t$mean)
v_M_t <- as.numeric(M_t_valid)

MAE <- mean(abs(for_M_t - v_M_t))
MAPE <- 100*mean(abs((for_M_t - v_M_t)/v_M_t))

print(MAE)

[1] 198.7976

print(MAPE)

[1] 9.576247

Esercitiamoci!

Previsione della domanda di prodotto in R