Prognozowanie

Prognozowanie popytu na produkty w R

Aric LaBarr, Ph.D.

Senior Data Scientist, Elder Research

Prognozowanie

Główny cel większości modeli szeregów czasowych!
Modele wykorzystują przeszłe wartości lub "szoki" do przewidywania przyszłości
Rozpoznawanie wzorców, a następnie ich powtarzanie

Prognozowanie

Przykład prognozowania

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")

Jak oceniać prognozy?

2 popularne miary dokładności:
1. Średni Błąd Bezwzględny (MAE) $$ \frac {1}{n} \sum_{i=1}^n |Y_t - \hat{Y}_t| $$
2. Średni Bezwzględny Błąd Procentowy (MAPE) $$ \frac {1}{n} \sum_{i=1}^n | \frac {Y_t - \hat{Y}_t} {Y_t} | \times 100 $$

Przykład MAE i 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

Czas na ćwiczenia!

Prognozowanie popytu na produkty w R