Название: Прогнозирование: принципы и практика
Автор: Рон Хайндман, Джордж Атанасопулос
Издательство: ДМК Пресс
Год: 2023
Страниц: 459
Язык: русский
Формат: pdf
Размер: 19.9 MB

Данная книга представляет собой всестороннее введение в методы прогнозирования и содержит достаточно информации о каждом из них, помогая читателям разумно их использовать. Примеры с многочисленными наборами данных на языке R авторы заимствовали из собственного опыта консультирования. В конце глав приводятся упражнения по пройденной теме.

Какими бы ни были обстоятельства или временные горизонты, прогнозирование является важным подспорьем в эффективном планировании. Потребность в прогнозировании возникает во многих ситуациях:

– для принятия решения о строительстве новой электростанции в ближайшие пять лет требуются прогнозы будущего спроса;
– для планирования персонала в колл-центре на следующую неделю требуется прогноз количества звонков;
– для пополнения запасов требуются прогнозы потребностей в запасах;
– для маршрутизации телекоммуникационных соединений требуется прогноз трафика на несколько минут вперед.

Материал книги содержит новейшие методы исследования и прогнозирования. В конце глав приводятся упражнения по пройденной теме. На протяжении всей книги мы используем язык программирования R и хотим, чтобы студенты научились делать прогнозы с помощью R. Язык R бесплатен и доступен практически в любой операционной системе. Это прекрасный инструмент для любого статистического анализа, а не только для прогнозирования. Инструкции по инсталлированию и использованию R см. в приложении А «Использование языка R». Все примеры на R в книге основаны на допущении, что вы сначала скачали пакет fpp3.

Наилучшая для использования модель зависит от наличия исторических данных, силы взаимосвязей между прогнозной переменной и любыми объясняющими переменными, а также от способа использования прогнозов. Обычно сравнивают две или три потенциальные модели. Каждая модель сама по себе является искусственной конструкцией, основанной на наборе допущений (явных и неявных), и обычно включает в себя один или несколько параметров, которые должны быть оценены с использованием известных исторических данных. Мы обсудим регрессионные модели (глава 7), методы экспоненциального сглаживания (глава 8), модели ARIMA Бокса–Дженкинса (глава 9), динамические регрессионные модели (глава 10), иерархическое прогнозирование (глава 11) и несколько продвинутых методов, включая нейронные сети и векторную авторегрессию (глава 12).

Издание адресовано специалистам, занимающимся прогнозированием в бизнесе, науке, на производстве, а также может быть полезно студентам и преподавателям. Все примеры даны на языке R.