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.
Внимание
Уважаемый посетитель, Вы зашли на сайт как незарегистрированный пользователь.
Мы рекомендуем Вам зарегистрироваться либо войти на сайт под своим именем.
Информация
Посетители, находящиеся в группе Гости, не могут оставлять комментарии к данной публикации.