คำถามติดแท็ก time-series

ฉันมีอนุกรมเวลา (สมมติว่าถึงX n ) และฉันจำเป็นต้องทำนายตัวอย่างถัดไป (สมมุติว่าX n + 1 , X n + 2 , … , X n + k ) โดยใช้โมเดลเช่นโครงข่ายประสาท หรือการถดถอยเชิงเส้นหลาย ณ เวลาที่ฉันมีตัวอย่างทั้งหมดจากX 1ถึงX nและจำเป็นต้องทำนายX n + 1 ; ในเวลาn + 1ฉันมีตัวอย่างทั้งหมดจากX 1ถึงXX1X1X_1XnXnX_nXn + 1, Xn + 2, … , Xn + kXn+1,Xn+2,...,Xn+kX_{n+1}, X_{n+2},\dots, X_{n+k}X1X1X_1XnXnX_nXn + 1Xn+1X_{n+1}n …

10 time-series  prediction-interval 

คำถามของฉันคือถ้ามีสื่อออนไลน์ที่ดีสำหรับการเรียนรู้นี้ สิ่งที่แนะนำสิ่งต่าง ๆ ได้ดีโดยเฉพาะอย่างยิ่งแบบจำลอง ARMA และคณิตศาสตร์ที่เกี่ยวข้อง แก้ไข:ฉันกำลังมองหาบางอย่างในระดับปริญญาตรีระดับสูง บางสิ่งที่เหมือนในบทนำของอนุกรมเวลาและการพยากรณ์ของ Brockwell และ Davis

10 time-series  references  arma 

ฉันพยายามที่จะคาดการณ์ยอดขายของผลิตภัณฑ์ในเครื่องขายแสตมป์อัตโนมัติ ปัญหาคือเครื่องถูกเติมเต็มในช่วงเวลาที่ผิดปกติและในทุกการเติมเราสามารถบันทึกยอดขายรวมตั้งแต่การเติมครั้งสุดท้ายของเครื่อง (เช่นเราไม่มีข้อมูลการขายรายวัน) ดังนั้นโดยทั่วไปเรามีข้อมูลสำหรับยอดขายรวมในช่วงเวลาที่ไม่สม่ำเสมอ ช่วงเวลาปกติอยู่ระหว่าง 2 วันถึง 3 สัปดาห์ นี่คือข้อมูลตัวอย่างสำหรับเครื่องขายแสตมป์อัตโนมัติหนึ่งเครื่องและผลิตภัณฑ์หนึ่งรายการ: 27/02/2012 48 17/02/2012 24 09/02/2012 16 02/02/2012 7 25/01/2012 12 16/01/2012 16 05/01/2012 16 23/12/2011 4 16/12/2011 14 09/12/2011 4 02/12/2011 2 อัลกอริทึมไร้เดียงสาปัจจุบันของเราคือการคำนวณยอดขายเฉลี่ยต่อวันโดยการหารปริมาณทั้งหมดที่ขายในช่วง 90 วันที่ผ่านมา 90 คุณมีความคิดวิธีปรับปรุงการคาดการณ์ยอดขายต่อวันหรือไม่? ฉันต้องคาดการณ์สิ่งที่จะขายในการเยี่ยมชมครั้งต่อไปของเครื่อง เป็นไปได้ไหมที่จะใช้อัลกอริธึมการทำให้เรียบแบบเอกซ์โพเนนเชียลของธรรมชาติของข้อมูลของเรา? ขอบคุณล่วงหน้า! อัปเดต: ขอบคุณมากสำหรับคำตอบและความคิดเห็นทั้งหมด ให้ฉันลองเพิ่มบริบทหน่อย (กรณีธุรกิจที่อยู่เบื้องหลังคำถาม - ง่ายมากแน่นอน) เรามีตู้จำหน่ายสินค้าอัตโนมัติหลายร้อยเครื่อง ทุกวันเราต้องตัดสินใจว่าพวกเขา 20 คนไปเยี่ยมชมเพื่อเติมเงิน …

10 time-series  forecasting 

ฉันมีซีรีย์ 2 เวลาต่อวันนาน 6 ปี ในขณะที่มีเสียงรบกวนพวกเขาทั้งสองอย่างชัดเจนเป็นระยะ (มีความถี่ ~ 1 ปี) แต่ดูเหมือนจะออกจากเฟส ฉันต้องการประเมินความแตกต่างของเฟสระหว่างอนุกรมเวลาเหล่านี้ ฉันได้พิจารณาเส้นโค้งที่เหมาะสมของแบบฟอร์มกับแต่ละชุดข้อมูลและเพิ่งเปรียบเทียบค่าที่แตกต่างกันสองค่าสำหรับ b แต่ฉันสงสัยว่ามีความสง่างามมากขึ้น ( และวิธีการที่เข้มงวด! สำหรับการทำสิ่งนี้ (อาจใช้การแปลงฟูริเยร์?) ฉันยังต้องการที่จะมีแนวคิดบางอย่างเกี่ยวกับความไม่แน่นอนในการประมาณความต่างเฟสของฉันหากเป็นไปได้บาป( 2 π365t - b )asin⁡(2π365t−b)a\sin(\frac{2\pi}{365}t - b) อัปเดต : ภูมิภาคที่แรเงาคือ 95% CIs ตัวอย่างการเชื่อมโยงระหว่างสองอนุกรมเวลา:

10 time-series  fourier-transform 

ฉันทำงานมาหลายเดือนแล้วเกี่ยวกับการพยากรณ์โหลดระยะสั้นและการใช้ข้อมูลสภาพอากาศ / สภาพอากาศเพื่อปรับปรุงความแม่นยำ ฉันมีพื้นฐานด้านวิทยาศาสตร์คอมพิวเตอร์และด้วยเหตุนี้ฉันจึงพยายามที่จะไม่ทำผิดพลาดใหญ่ ๆ และทำการเปรียบเทียบที่ไม่เป็นธรรมกับเครื่องมือสถิติเช่นแบบจำลอง ARIMA ฉันต้องการทราบความคิดเห็นของคุณเกี่ยวกับสองสิ่ง: ฉันใช้ทั้งสองรุ่น (S) ARIMA และ (S) ARIMAX เพื่อตรวจสอบผลกระทบของข้อมูลสภาพอากาศในการพยากรณ์คุณคิดว่าจำเป็นหรือไม่ที่จะต้องใช้วิธีการปรับให้เรียบแบบเอ็กซ์โปเนนเชียล มีอนุกรมเวลา 300 ตัวอย่างรายวันฉันเริ่มจากสองสัปดาห์แรกและฉันทำการพยากรณ์ล่วงหน้า 5 วันโดยใช้รุ่นที่สร้างขึ้นด้วยฟังก์ชั่น auto.arima R (แพ็คเกจการคาดการณ์) จากนั้นฉันเพิ่มตัวอย่างอีกชุดข้อมูลของฉันและฉันสอบเทียบโมเดลอีกครั้งและฉันทำการพยากรณ์อีก 5 วันและต่อไปเรื่อย ๆ จนกว่าจะสิ้นสุดข้อมูลที่มี คุณคิดว่าวิธีการทำงานนี้ถูกต้องหรือไม่? ขอบคุณสำหรับคำแนะนำของคุณถึงแม้ว่าเป้าหมายการทำงานของเราคือบทความในวารสารวิศวกรรมศาสตร์ แต่ฉันต้องการทำงานอย่างเข้มงวดที่สุดเท่าที่จะเป็นไปได้จากมุมมองทางสถิติ

10 time-series  forecasting  arima 

คิดเกี่ยวกับปัญหาที่เรียบง่าย แต่น่าสนใจฉันต้องการเขียนโค้ดบางอย่างเพื่อคาดการณ์วัสดุสิ้นเปลืองฉันจะต้องใช้ในอนาคตอันใกล้นี้เนื่องจากมีประวัติการซื้อที่ผ่านมาอย่างสมบูรณ์ ฉันแน่ใจว่าปัญหาประเภทนี้มีคำจำกัดความทั่วไปและศึกษาดีกว่า (มีคนแนะนำว่านี่เกี่ยวข้องกับแนวคิดบางอย่างในระบบ ERP และอื่น ๆ ) ข้อมูลที่ฉันมีคือประวัติการซื้อที่ผ่านมาอย่างสมบูรณ์ สมมติว่าฉันกำลังดูวัสดุกระดาษข้อมูลของฉันดูเหมือน (วันที่แผ่น): 2007-05-10 500 2007-11-11 1000 2007-12-18 1000 2008-03-25 500 2008-05-28 2000 2008-10-31 1500 2009-03-20 1500 2009-06-30 1000 2009-09-29 500 2009-12-16 1500 2010-05-31 500 2010-06-30 500 2010-09-30 1500 2011-05-31 1000 มันไม่ 'สุ่มตัวอย่าง' ในช่วงเวลาปกติดังนั้นฉันคิดว่ามันไม่มีคุณสมบัติเป็นข้อมูลอนุกรมเวลา ฉันไม่มีข้อมูลเกี่ยวกับระดับหุ้นจริงทุกครั้ง ฉันต้องการใช้ข้อมูลที่เรียบง่ายและ จำกัด นี้เพื่อคาดการณ์จำนวนกระดาษที่ฉันต้องการใน (ตัวอย่าง) 3,6,12 เดือน จนถึงตอนนี้ฉันก็รู้ว่าสิ่งที่ฉันกำลังมองหาเรียกว่าการคาดการณ์และไม่มาก …

10 time-series  machine-learning  forecasting 

ฉันมีข้อมูลสำหรับประชากรปลาจำนวนหนึ่งที่สุ่มตัวอย่างในช่วงเวลาประมาณ 5 ปี แต่ในรูปแบบที่ผิดปกติมาก บางครั้งมีเดือนระหว่างตัวอย่างบางครั้งมีหลายตัวอย่างในหนึ่งเดือน นอกจากนี้ยังมีจำนวน 0 จำนวน วิธีจัดการกับข้อมูลดังกล่าว? ฉันสามารถวาดกราฟได้อย่างง่ายดายใน R แต่กราฟไม่สว่างโดยเฉพาะเพราะมันเป็นหลุมเป็นบ่อมาก ในแง่ของการสร้างแบบจำลอง - ด้วยสปีชีส์ที่จำลองเป็นฟังก์ชั่นของสิ่งต่าง ๆ - อาจเป็นโมเดลผสม ยินดีต้อนรับการอ้างอิงหรือความคิดใด ๆ รายละเอียดบางอย่างในการตอบสนองต่อความคิดเห็น มีประมาณ 15 ชนิด ฉันกำลังพยายามที่จะรับความคิดเกี่ยวกับแนวโน้มหรือฤดูกาลของปลาแต่ละตัวและดูว่าสปีชีส์สัมพันธ์กันอย่างไร (ลูกค้าของฉันต้องการตารางที่มีความสัมพันธ์อย่างง่าย ๆ ) เป้าหมายคือการอธิบายและการวิเคราะห์ไม่ใช่การทำนาย การแก้ไขเพิ่มเติม: ฉันพบบทความนี้โดย K. Rehfield และคณะซึ่งแนะนำให้ใช้เมล็ดเกาส์เซียนเพื่อประเมิน ACF สำหรับอนุกรมเวลาที่ผิดปกติอย่างมาก http://www.nonlin-processes-geophys.net/18/389/2011/npg-18-389-2011.pdf

10 time-series  multilevel-analysis  unevenly-spaced-time-series 

ฉันต้องการรวมการคาดการณ์และการย้อนกลับ (กล่าวคือค่าที่ผ่านมาที่คาดการณ์) ของข้อมูลอนุกรมเวลาที่ตั้งค่าไว้ในอนุกรมเวลาหนึ่งโดยลดข้อผิดพลาดการคาดคะเนค่าเฉลี่ยกำลังสองลง สมมติว่าฉันมีอนุกรมเวลาตั้งแต่ 2001-2010 โดยมีช่องว่างสำหรับปี 2550 ฉันสามารถคาดการณ์ปี 2007 โดยใช้ข้อมูล 2001-2007 (เส้นสีแดง - เรียกว่า ) และกลับโดยใช้ข้อมูล 2008-2009 (สีน้ำเงินอ่อน) สาย - เรียกมันว่า )Y bYfYfY_fYbYbY_b ฉันต้องการรวมจุดข้อมูลของและเป็นจุดข้อมูลที่ระบุ Y_i ในแต่ละเดือน จะเป็นการดีที่ฉันต้องการที่จะได้รับน้ำหนักดังกล่าวว่าจะช่วยลดข้อผิดพลาดในการทำนาย Mean Squared (MSPE) ของY_iหากเป็นไปไม่ได้ฉันจะหาค่าเฉลี่ยระหว่างจุดข้อมูลของอนุกรมเวลาสองชุดได้อย่างไรY b w Y iYfYfY_fYbYbY_bwwwYiYiY_i Yi=w⋅Yf+(1−w)⋅YbYi=w⋅Yf+(1−w)⋅YbY_i = w\cdot Y_f + (1-w)\cdot Y_b เป็นตัวอย่างรวดเร็ว: tt_f <- ts(1:12, start = 2007, freq …

10 r  time-series  forecasting  data-imputation 

ฉันเชื่อเสมอว่าเวลาไม่ควรใช้เป็นตัวทำนายในการถดถอย (รวมถึง gam's) เพราะหลังจากนั้นเราจะเพียงแค่ "อธิบาย" แนวโน้มของตัวเอง หากจุดประสงค์ของการศึกษาคือการหาพารามิเตอร์ด้านสิ่งแวดล้อมเช่นอุณหภูมิและอื่น ๆ ที่อธิบายความแปรปรวนสมมติว่ากิจกรรมของสัตว์แล้วฉันสงสัยว่าจะใช้เวลานานแค่ไหน? เป็นพร็อกซีสำหรับพารามิเตอร์ที่ไม่วัดหรือไม่? คุณสามารถดูแนวโน้มของเวลาเกี่ยวกับข้อมูลกิจกรรมของปลาโลมาที่ท่าเรือได้ที่นี่: -> จะจัดการช่องว่างในอนุกรมเวลาเมื่อใช้ GAMM ได้อย่างไร ปัญหาของฉันคือเมื่อฉันรวมเวลาในแบบจำลองของฉัน (วัดเป็นวันจูเลียน) จากนั้น 90% ของพารามิเตอร์อื่น ๆ ทั้งหมดจะไม่มีนัยสำคัญ ถ้าฉันปล่อยให้เวลาหมดแล้วบางคนก็มีความสำคัญ ... คำถามคือ: อนุญาตให้ใช้เวลาเป็นตัวพยากรณ์ (อาจจำเป็นหรือไม่) หรือทำให้การวิเคราะห์ของฉันยุ่งเหยิง? ขอบคุณมากล่วงหน้า

10 r  time-series  mixed-model  nonlinear-regression 

ฉันมีข้อมูลอนุกรมเวลาสามชุดที่ฉันต้องการเปรียบเทียบ พวกเขาถูกถ่าย 3 ช่วงเวลาแยกกันประมาณ 12 วัน เป็นค่าเฉลี่ยหัวสูงสุดและต่ำสุดของการนับหัวในห้องสมุดวิทยาลัยในช่วงสัปดาห์สุดท้าย ฉันต้องทำค่าเฉลี่ยสูงสุดและต่ำสุดเนื่องจากจำนวนหัวต่อชั่วโมงนั้นไม่ต่อเนื่อง (ดูช่องว่างข้อมูลปกติในอนุกรมเวลา ) ตอนนี้ชุดข้อมูลมีลักษณะเช่นนี้ มีจุดข้อมูลหนึ่งจุด (เฉลี่ยสูงสุดหรือต่ำสุด) ต่อเย็นเป็นเวลา 12 ค่ำ มีข้อมูล 3 ภาคการศึกษาดำเนินการเฉพาะในช่วงเวลา 12 วันของความกังวล ตัวอย่างเช่น Spring 2010, Fall 2010 และ May 2011 แต่ละชุดมี 12 คะแนน นี่คือแผนภูมิตัวอย่าง: ฉันได้เทอมเทเลเทอร์เพราะฉันต้องการที่จะดูว่ารูปแบบการเปลี่ยนแปลงจากภาคการศึกษาเพื่อภาคการศึกษา อย่างไรก็ตามตามที่ฉันได้รับแจ้งในเธรดที่เชื่อมโยงคุณไม่ควรตบท้ายเทอมหางเนื่องจากไม่มีข้อมูลในระหว่างนั้น คำถามคือแล้ว: ฉันสามารถใช้เทคนิคทางคณิตศาสตร์อะไรเพื่อเปรียบเทียบรูปแบบการเข้าเรียนสำหรับแต่ละภาคการศึกษา มีสิ่งใดเป็นพิเศษสำหรับซีรี่ส์เวลาที่ฉันต้องทำหรือฉันจะรับความแตกต่างของเปอร์เซ็นต์ได้หรือไม่? เป้าหมายของฉันคือบอกว่าการใช้ห้องสมุดในช่วงนี้กำลังจะขึ้นหรือลง ฉันไม่แน่ใจว่าฉันควรใช้เทคนิคใดในการแสดง

10 time-series  multiple-comparisons  trend 

ในภาษาอังกฤษธรรมดา: ฉันมีการถดถอยหลายครั้งหรือแบบจำลอง ANOVA แต่ตัวแปรการตอบสนองสำหรับแต่ละบุคคลเป็นฟังก์ชัน curvilinear ของเวลา ฉันจะบอกได้อย่างไรว่าตัวแปรด้านขวามือใดที่รับผิดชอบความแตกต่างที่สำคัญในรูปร่างหรือการชดเชยแนวดิ่งของเส้นโค้ง นี่เป็นปัญหาอนุกรมเวลาปัญหาซ้ำหลายครั้งหรืออย่างอื่นทั้งหมดหรือไม่ อะไรคือแนวปฏิบัติที่ดีที่สุดสำหรับการวิเคราะห์ข้อมูลดังกล่าว (ควรใช้Rแต่ฉันเปิดให้ใช้ซอฟต์แวร์อื่น) ในแง่ที่แม่นยำยิ่งขึ้น: สมมุติว่าฉันมีแบบจำลองแต่เป็นชุดของข้อมูลที่รวบรวมจากจุดkบุคคลเดียวกันที่เวลาหลายจุดtซึ่งถูกบันทึกเป็นตัวแปรตัวเลข การพล็อตข้อมูลแสดงให้เห็นว่าสำหรับแต่ละy_ {ijkt}เป็นฟังก์ชันกำลังสองหรือวัฏจักรของเวลาซึ่งออฟเซ็ตแนวตั้งรูปร่างหรือความถี่ (ในกรณีวัฏจักร) อาจขึ้นอยู่กับ covariates โควาเรียตไม่เปลี่ยนแปลงตลอดเวลา - กล่าวคือบุคคลมีน้ำหนักตัวคงที่หรือกลุ่มการรักษาในช่วงระยะเวลาของการรวบรวมข้อมูลy ฉันj k k t y ฉันj k tYฉันเจk= β0+ β1xผม+ β2xJ+ β3xผมxJ+ ϵkyijk=β0+β1xi+β2xj+β3xixj+ϵky_{ijk} = \beta_0 + \beta_1 x_i + \beta_2 x_j + \beta_3 x_i x_j + \epsilon_kYฉันเจkyijky_{ijk}kkkเสื้อttYผม j k tyijkty_{ijkt} …

10 regression  time-series  mixed-model  repeated-measures  panel-data 

ฉันถามคำถามนี้ไปที่ StackOverflow และแนะนำให้ถามที่นี่ ฉันมีชุดข้อมูล accelerometer 3D สองชุดที่มีช่วงเวลาต่างกัน (นาฬิกาเริ่มต้นในเวลาที่แตกต่างกันโดยมีการคืบเล็กน้อยเล็กน้อยในช่วงเวลาการสุ่มตัวอย่าง) รวมถึงมีช่องว่างขนาดต่าง ๆ มากมาย (เนื่องจากความล่าช้าที่เกี่ยวข้องกับการเขียนแยก อุปกรณ์แฟลช) accelerometers ฉันใช้มีราคาไม่แพงGCDC X250-2 ฉันใช้เครื่องวัดความเร่งเพื่อให้ได้ประโยชน์สูงสุดดังนั้นข้อมูลจึงมีจุดรบกวนที่สำคัญ อนุกรมเวลาแต่ละชุดมีจุดข้อมูลประมาณ 2 ล้านจุด (มากกว่าหนึ่งชั่วโมงที่ 512 ตัวอย่าง / วินาที) และมีประมาณ 500 เหตุการณ์ที่น่าสนใจโดยที่เหตุการณ์ทั่วไปครอบคลุมตัวอย่าง 100-150 ตัวอย่าง (แต่ละ 200-300 มิลลิวินาที) หลายเหตุการณ์เหล่านี้ได้รับผลกระทบจากการขาดข้อมูลในระหว่างการเขียนแฟลช ดังนั้นข้อมูลนั้นไม่ได้บริสุทธิ์และไม่ได้สวยมากนัก แต่การตรวจลูกตาของฉันแสดงให้เห็นอย่างชัดเจนว่ามันมีข้อมูลที่ฉันสนใจ มาตรวัดความเร่งอยู่ในสภาพแวดล้อมที่คล้ายกัน แต่อยู่ในระดับปานกลางเท่านั้นซึ่งหมายความว่าฉันสามารถบอกด้วยตาเปล่าว่าเหตุการณ์ใดที่ตรงกับมาตรความเร่งแต่ละตัว แต่ฉันก็ไม่ประสบความสำเร็จเท่าที่เคยทำมา เนื่องจากข้อ จำกัด ทางกายภาพอุปกรณ์ต่าง ๆ ก็ถูกติดตั้งในทิศทางที่แตกต่างกันซึ่งแกนไม่ตรงกัน แต่พวกมันอยู่ใกล้กับมุมฉากที่สุดเท่าที่ฉันจะทำได้ ตัวอย่างเช่นสำหรับ accelerometers 3 แกน A …

10 time-series  correlation  unevenly-spaced-time-series 

"การปลอมแบบน่าเกรงขาม" (ในบริบทของอนุกรมเวลา) และคำที่เกี่ยวข้องเช่นการทดสอบรูทยูนิทเป็นสิ่งที่ฉันได้ยินมามากมายเกี่ยวกับเรื่องนี้ แต่ไม่เข้าใจเลย มันเกิดขึ้นเมื่อใดโดยสัญชาตญาณ (ฉันเชื่อว่ามันเป็นตอนที่อนุกรมเวลาสองชุดของคุณถูกรวมกันนั่นคือชุดค่าผสมเชิงเส้นบางส่วนของชุดแบบคงที่ แต่ฉันไม่เห็นว่าทำไมตัวกรองควรนำไปสู่ ฉันกำลังมองหาความเข้าใจระดับสูงของการทดสอบ cointegration / unit root / Granger causality เกี่ยวกับการถดถอยแบบเผ็ด ดังนั้นการตอบสนองที่กำหนดเองหรือลิงก์ไปยังการอ้างอิงที่ฉันสามารถเรียนรู้เพิ่มเติมจะดีมาก

10 time-series  regression  cointegration 

มีใครบ้างที่เป็นตัวอย่างที่ดีของกระบวนการสโทแคสติกที่เป็นอันดับ 2 ซึ่งอยู่นิ่ง แต่ไม่หยุดนิ่งอย่างเคร่งครัดหรือไม่?

10 time-series  stochastic-processes  stationarity 

คำถามอื่นเกี่ยวกับอนุกรมเวลาจากฉัน ฉันมีชุดข้อมูลที่ให้บันทึกรายวันของเหตุการณ์รุนแรงในโรงพยาบาลจิตเวชเป็นเวลาสามปี ด้วยความช่วยเหลือจากคำถามก่อนหน้านี้ฉันเล่นซอกับมันและมีความสุขมากขึ้นในตอนนี้ สิ่งที่ฉันมีตอนนี้คือซีรี่ส์รายวันมีเสียงดังมาก มันผันผวนอย่างรุนแรงขึ้น ๆ ลง ๆ จาก 0 ถึง 20 เท่าการใช้พล็อตเหลืองและแพ็คเกจพยากรณ์ (ซึ่งฉันสามารถแนะนำสำหรับมือใหม่อย่างฉัน) ฉันเพิ่งได้รับเส้นแบนโดยสิ้นเชิงด้วยความมั่นใจอย่างมากจากการคาดการณ์ อย่างไรก็ตามการรวมข้อมูลรายสัปดาห์หรือรายเดือนทำให้รู้สึกมากขึ้น พวกเขากวาดลงจากจุดเริ่มต้นของซีรีส์แล้วเพิ่มอีกครั้งในกลาง การวางแผนและแพ็คเกจการคาดการณ์จะสร้างสิ่งที่ดูมีความหมายมากขึ้น มันรู้สึกเหมือนโกงอยู่นิดหน่อย ฉันแค่ชอบรุ่นรวมเพราะดูดีโดยไม่มีเหตุผลจริงหรือไม่ หรือมันจะดีกว่าที่จะคำนวณค่าเฉลี่ยเคลื่อนที่และใช้เป็นพื้นฐาน? ฉันกลัวว่าฉันไม่เข้าใจทฤษฎีเบื้องหลังทั้งหมดนี้ดีพอที่จะมั่นใจในสิ่งที่ยอมรับได้

10 time-series  forecasting