Prognoser

Prognostisering av produktefterfrågan i R

Aric LaBarr, Ph.D.

Senior Data Scientist, Elder Research

Prognoser

Målet för de flesta tidsseriemodeller!
Modeller använder tidigare värden eller "chocker" för att förutsäga framtiden
Mönsterigenkänning följt av mönsterupprepning

Prognoser

Prognosexempel

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")

Hur utvärderar man prognoser?

2 vanliga noggrannhetsmått:
1. Medelabsolutfel (MAE) $$ \frac {1}{n} \sum_{i=1}^n |Y_t - \hat{Y}_t| $$
2. Medelabsolutprocentfel (MAPE) $$ \frac {1}{n} \sum_{i=1}^n | \frac {Y_t - \hat{Y}_t} {Y_t} | \times 100 $$

MAE och MAPE – exempel

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

Nu kör vi en övning!

Prognostisering av produktefterfrågan i R