การย้าย ค่าเฉลี่ย คาดการณ์ รูปแบบ

การคาดการณ์การเคลื่อนที่โดยเฉลี่ยขณะที่คุณอาจคาดเดาเรากำลังมองหาวิธีการดั้งเดิมบางอย่างในการคาดการณ์ แต่หวังว่าอย่างน้อยการแนะนำอย่างคุ้มค่าสำหรับประเด็นด้านคอมพิวเตอร์บางอย่างที่เกี่ยวข้องกับการคาดการณ์ในสเปรดชีตในหลอดเลือดดำนี้เราจะดำเนินต่อไป เริ่มต้นที่จุดเริ่มต้นและเริ่มทำงานกับการคาดการณ์ค่าเฉลี่ยเคลื่อนที่การคาดการณ์เฉลี่ยโดยเฉลี่ยทุกคนคุ้นเคยกับการคาดการณ์ค่าเฉลี่ยเคลื่อนที่โดยไม่คำนึงถึงว่าพวกเขาเชื่อหรือไม่ว่าพวกเขาเป็นนักศึกษาวิทยาลัยทุกคนทำตลอดเวลาคิดถึงคะแนนการทดสอบของคุณในหลักสูตรที่คุณกำลังจะไป มีการทดสอบสี่ครั้งในระหว่างภาคการศึกษา Let s สมมติว่าคุณมี 85 คนในการทดสอบครั้งแรกคุณจะทำนายคะแนนทดสอบที่สองคุณคิดอย่างไรว่าครูของคุณจะคาดการณ์คะแนนทดสอบต่อไปคุณคิดว่าเพื่อนของคุณอาจคาดเดาได้อย่างไร สำหรับคะแนนการทดสอบถัดไปคุณคิดว่าพ่อแม่ของคุณอาจคาดเดาคะแนนการทดสอบต่อไปของคุณได้โดยไม่ต้องคำนึงถึงการทำร้ายทั้งหมดที่คุณอาจทำกับคุณ iends และพ่อแม่พวกเขาและครูของคุณมีแนวโน้มที่จะคาดหวังว่าคุณจะได้รับบางสิ่งบางอย่างในพื้นที่ของ 85 ที่คุณเพิ่งได้ดีตอนนี้ให้สมมติว่าแม้จะมีการโปรโมตตัวเองให้กับเพื่อน ๆ ของคุณ และตัวเลขที่คุณสามารถศึกษาได้น้อยกว่าสำหรับการทดสอบที่สองและเพื่อให้คุณได้รับ 73. ตอนนี้สิ่งที่ทุกคนกังวลและไม่แยแสคาดว่าคุณจะได้รับในการทดสอบที่สามของคุณมีสองวิธีมีโอกาสมากสำหรับพวกเขาในการพัฒนาประมาณการโดยไม่คำนึงถึง ไม่ว่าพวกเขาจะแบ่งปันกับคุณพวกเขาอาจพูดกับตัวเองว่าผู้ชายคนนี้มักจะเป่าควันเกี่ยวกับสมาร์ทของเขาเขาจะได้รับอีก 73 ถ้าเขาโชคดีอาจเป็นพ่อแม่จะพยายามที่จะสนับสนุนมากขึ้นและพูดว่าดีดังนั้น ไกลคุณได้รับ 85 และ 73 ดังนั้นบางทีคุณควรจะคิดเกี่ยวกับการเกี่ยวกับ 85 73 2 79 ฉัน don t รู้บางทีถ้าคุณได้ปาร์ตี้น้อยและ weren t wagging วีเซิลทั่วสถานที่และถ้าคุณเริ่มต้นทำ มากขึ้นการศึกษาที่คุณจะได้รับคะแนนสูงกว่าทั้งสองประมาณการเหล่านี้เป็นจริง การคาดการณ์โดยเฉลี่ยของการเคลื่อนที่เป็นอันดับแรกอันดับแรกใช้เฉพาะคะแนนล่าสุดของคุณที่จะคาดการณ์ประสิทธิภาพในอนาคตของคุณซึ่งเรียกว่าการคาดการณ์ค่าเฉลี่ยโดยเฉลี่ยโดยใช้ข้อมูลระยะเวลาหนึ่งวินาทีนอกจากนี้ยังเป็นค่าเฉลี่ยเคลื่อนที่โดยใช้ข้อมูลสองช่วงข้อมูล ว่าคนเหล่านี้ทั้งหมด busting ในจิตใจที่ดีของคุณมีการจัดประเภทของ pissed คุณออกและคุณตัดสินใจที่จะทำดีในการทดสอบที่สามด้วยเหตุผลของคุณเองและจะนำคะแนนที่สูงขึ้นในด้านหน้าของพันธมิตรของคุณคุณจะทดสอบและคะแนนของคุณเป็นจริง 89 ตอนนี้คุณมีการทดสอบครั้งสุดท้ายของภาคเรียนที่กำลังจะมาถึงและตามปกติแล้วคุณรู้สึกว่าจำเป็นที่จะต้องกระตุ้นให้ทุกคนคาดการณ์ว่าคุณจะทำอะไรในการทดสอบครั้งล่าสุดดีหวังว่าคุณจะได้เห็น รูปแบบขณะนี้เราหวังว่าคุณจะได้เห็นรูปแบบที่คุณเชื่อว่าเป็นสิ่งที่ถูกต้องที่สุดในขณะที่เราทำงานตอนนี้เรากลับไปที่ บริษัท ทำความสะอาดแห่งใหม่ซึ่งเริ่มต้นโดยน้องสาวที่ถูกแยกออกจากกันของคุณชื่อ Whistle ขณะที่เราทำงานคุณมีข้อมูลการขายที่ผ่านมา เราแสดงข้อมูลสำหรับการคาดการณ์ค่าเฉลี่ยเคลื่อนที่ 3 ช่วงโดยรายการสำหรับเซลล์ C6 ควรเป็นตอนนี้คุณสามารถคัดลอกสูตรเซลล์นี้ลงไปที่เซลล์อื่น ๆ C7 ถึง C11.Notice ค่าเฉลี่ยของการเคลื่อนย้าย มากกว่าข้อมูลทางประวัติศาสตร์ล่าสุด แต่ใช้เวลาสามช่วงล่าสุดสำหรับการคาดการณ์แต่ละครั้งนอกจากนี้คุณควรสังเกตด้วยว่าเราไม่จำเป็นต้องทำการคาดการณ์ในช่วงที่ผ่านมาเพื่อพัฒนาการคาดการณ์ล่าสุดของเราซึ่งแน่นอนว่าแตกต่างจาก exponential smoothing model I ve รวมการคาดการณ์ที่ผ่านมาเพราะเราจะใช้พวกเขาในหน้าเว็บถัดไปเพื่อวัดความถูกต้องของการทำนายตอนนี้ฉันต้องการนำเสนอผลลัพธ์ที่คล้ายคลึงกันสำหรับการคาดการณ์ค่าเฉลี่ยเคลื่อนที่ 2 ช่วงเวลารายการ C5 สำหรับเซลล์ควรเป็นตอนนี้ สามารถคัดลอกสูตรเซลล์นี้ลงไปที่เซลล์อื่น ๆ C6 ถึง C11.Notice ตอนนี้มีเพียงสองชิ้นล่าสุดของข้อมูลทางประวัติศาสตร์ที่ใช้สำหรับการคาดการณ์แต่ละครั้งที่ฉันได้รวมไว้ d การคาดการณ์ที่ผ่านมาเพื่อวัตถุประสงค์ในการอธิบายและเพื่อใช้ในภายหลังในการตรวจสอบการคาดการณ์สิ่งอื่น ๆ บางอย่างที่มีความสำคัญต่อการสังเกตสำหรับระยะเวลาการเคลื่อนที่เฉลี่ยของ m-m เท่านั้นค่าข้อมูล m ล่าสุดมีการใช้เพื่อทำให้การคาดการณ์ไม่มีอะไรที่จำเป็น สำหรับการคาดการณ์ค่าเฉลี่ยของระยะเวลา m-metric เมื่อทำการคาดการณ์ที่ผ่านมาสังเกตว่าการทำนายครั้งแรกเกิดขึ้นในช่วง m 1. ปัญหาเหล่านี้จะมีความสำคัญมากเมื่อเราพัฒนาโค้ดของเราการพัฒนาฟังก์ชัน Average Moving Average ตอนนี้เราจำเป็นต้องพัฒนาขึ้น รหัสสำหรับการคาดการณ์ค่าเฉลี่ยเคลื่อนที่ที่สามารถใช้ความยืดหยุ่นได้มากขึ้นรหัสต่อไปนี้สังเกตว่าปัจจัยการผลิตเป็นจำนวนงวดที่คุณต้องการใช้ในการคาดการณ์และอาร์เรย์ของค่าทางประวัติศาสตร์คุณสามารถจัดเก็บไว้ในสมุดงานที่คุณต้องการใด ๆ ฟังก์ชั่น MovingAverage Historical, NumberOfPeriods เป็น Single Declaring และ initializing variables Dim Items เป็นตัวนับ Dim Variant เป็นจำนวนเต็ม Integer Dim เป็น Single Dim HistoricalSize As Integer Initializing variables Counter 1 Accumulation 0 การกำหนดขนาดของ Historical HistoricalSize. For Counter จำนวน 1 ต่อ NumberOfPeriods สะสมจำนวนที่เหมาะสมของค่าที่สังเกตก่อนหน้านี้สะสมสะสมข้อมูลประวัติ HistoricalSize - NumberOfPeriods Counter. MovingAverage การสะสม NumberOfPeriods รหัสจะอธิบายในชั้นเรียนคุณต้องการวางตำแหน่งฟังก์ชันในสเปรดชีตเพื่อให้ผลลัพธ์ของการคำนวณปรากฏขึ้นที่ควร เช่นเดียวกับต่อไปนี้ในทางปฏิบัติค่าเฉลี่ยเคลื่อนที่จะให้ค่าประมาณที่ดีของค่าเฉลี่ยของชุดข้อมูลเวลาหากค่าเฉลี่ยมีค่าคงที่หรือค่อยๆเปลี่ยนแปลงในกรณีค่าคงที่ค่าคงที่ค่าที่มากที่สุดของ m จะให้ค่าประมาณที่ดีที่สุดของค่าสัมบูรณ์ หมายถึงระยะเวลาการสังเกตนานกว่าจะเฉลี่ยผลกระทบของความแปรปรวนวัตถุประสงค์ของการให้ m ที่มีขนาดเล็กเพื่อให้การคาดการณ์เพื่อตอบสนองต่อการเปลี่ยนแปลงในกระบวนการอ้างอิงเพื่อแสดงให้เรานำเสนอชุดข้อมูลที่ประกอบด้วยการเปลี่ยนแปลงในค่าเฉลี่ยของ ชุดข้อมูลเวลาภาพแสดงชุดข้อมูลเวลาที่ใช้ในการแสดงร่วมกับความต้องการโดยเฉลี่ยจากการที่ se ries ถูกสร้างขึ้นค่าเฉลี่ยเริ่มต้นเป็นค่าคงที่ที่ 10 เริ่มต้นที่ 21 เวลาจะเพิ่มขึ้นโดยหนึ่งหน่วยในแต่ละงวดจนกว่าจะถึงค่า 20 ที่เวลา 30 แล้วมันจะกลายเป็นค่าคงที่อีกครั้งข้อมูลจะถูกจำลองโดยการเพิ่มค่าเฉลี่ย a เสียงสุ่มจากการแจกแจงแบบปกติกับศูนย์ค่าเฉลี่ยและส่วนเบี่ยงเบนมาตรฐาน 3 ผลของการจำลองจะถูกปัดเศษให้เป็นจำนวนเต็มใกล้ที่สุดตารางแสดงการสังเกตแบบจำลองที่ใช้ตัวอย่างเช่นเมื่อเราใช้ตารางเราต้องจำไว้ว่าในเวลาใดก็ตาม, เฉพาะข้อมูลที่ผ่านมาเท่านั้นที่รู้จักกันดีการประมาณค่าพารามิเตอร์ของโมเดลสำหรับค่าที่แตกต่างกันสามค่าของ m จะแสดงร่วมกับค่าเฉลี่ยของชุดข้อมูลเวลาในรูปด้านล่างรูปที่แสดงการประมาณค่าเฉลี่ยเคลื่อนที่ของค่าเฉลี่ยในแต่ละครั้งและไม่ใช่ การคาดการณ์การคาดการณ์จะเปลี่ยนเส้นโค้งค่าเฉลี่ยเคลื่อนที่ไปทางขวาตามช่วงเวลาหนึ่งข้อสรุปคือทันทีที่เห็นได้ชัดจากตัวเลขสำหรับทั้งสามค่าประมาณค่าเฉลี่ยเคลื่อนที่จะล่าช้ากว่าแนวโน้มเชิงเส้นโดยมีความล่าช้าเพิ่มขึ้น ng กับ m ความล่าช้าคือระยะห่างระหว่างรูปแบบกับการประมาณค่าในมิติเวลาเนื่องจากความล่าช้าค่าเฉลี่ยของค่าเฉลี่ยเคลื่อนที่ต่ำกว่าการสังเกตการณ์เมื่อค่าเฉลี่ยเพิ่มขึ้นค่าความลำเอียงของตัวประมาณคือความแตกต่างในเวลาที่กำหนดในค่าเฉลี่ย ของแบบจำลองและค่าเฉลี่ยที่คาดการณ์ไว้โดยค่าเฉลี่ยเคลื่อนที่ค่าเฉลี่ยเมื่อค่าเฉลี่ยเพิ่มขึ้นเป็นค่าลบสำหรับค่าเฉลี่ยที่ลดลงค่าอคติเป็นบวกความล่าช้าในเวลาและความอคติที่นำมาใช้ในการประมาณค่านี้เป็นหน้าที่ของ m ค่าที่มากกว่า m มีขนาดของความล่าช้าและความลำเอียงที่ใหญ่ขึ้นสำหรับชุดที่เพิ่มขึ้นอย่างต่อเนื่องโดยมีแนวโน้มที่ค่าของความล่าช้าและความลำเอียงของ estimator ของค่าเฉลี่ยจะได้รับในสมการด้านล่างเส้นโค้งตัวอย่างไม่ตรงกับสมการเหล่านี้เนื่องจากตัวอย่างเป็น ไม่เพิ่มขึ้นอย่างต่อเนื่องค่อนข้างจะเริ่มต้นเป็นค่าคงที่การเปลี่ยนแปลงแนวโน้มแล้วจะกลายเป็นค่าคงที่อีกครั้งนอกจากนี้ยังมีเส้นโค้งตัวอย่างที่ได้รับผลกระทบโดยเสียงการคาดการณ์ค่าเฉลี่ยเคลื่อนที่ของงวดในอนาคต จะแสดงโดยการขยับเส้นโค้งไปทางขวาความล่าช้าและความลำเอียงเพิ่มขึ้นตามสัดส่วนสมการด้านล่างแสดงถึงความล่าช้าและความลำเอียงของช่วงคาดการณ์ในอนาคตเมื่อเทียบกับพารามิเตอร์ของโมเดลอีกครั้งสูตรเหล่านี้เป็นชุดเวลาที่มีแนวโน้มเชิงเส้นคงที่ เราไม่ควรแปลกใจที่ผลลัพธ์นี้ค่าประมาณค่าเฉลี่ยเคลื่อนที่จะขึ้นอยู่กับสมมติฐานค่าเฉลี่ยคงที่และตัวอย่างมีแนวโน้มเป็นเส้นตรงในระหว่างช่วงเวลาการศึกษาเนื่องจากชุดข้อมูลเรียลไทม์จะไม่ค่อยตรงตามสมมติฐาน ของรูปแบบใด ๆ เราควรจะเตรียมไว้สำหรับผลดังกล่าวเรายังสามารถสรุปได้จากรูปที่ความแปรปรวนของเสียงที่มีผลกระทบที่ใหญ่ที่สุดสำหรับขนาดเล็ก m ประมาณการมีความผันผวนมากขึ้นสำหรับค่าเฉลี่ยเคลื่อนที่ของ 5 กว่าค่าเฉลี่ยเคลื่อนที่ของ 20 เรามีความต้องการที่ขัดแย้งกันในการเพิ่ม m เพื่อลดผลกระทบของความแปรปรวนเนื่องจากเสียงรบกวนและลด m เพื่อให้การคาดการณ์ตอบสนองต่อการเปลี่ยนแปลงในค่าเฉลี่ยความผิดพลาดคือ di fference ระหว่างข้อมูลที่เกิดขึ้นจริงกับค่าคาดการณ์ถ้าชุดข้อมูลเวลาเป็นค่าคงที่มูลค่าที่คาดไว้ของข้อผิดพลาดคือศูนย์และความแปรปรวนของข้อผิดพลาดจะประกอบด้วยคำที่เป็นฟังก์ชันของและคำที่สองซึ่งเป็นความแปรปรวน ของเสียงระยะแรกเป็นความแปรปรวนของค่าเฉลี่ยที่ประมาณด้วยตัวอย่างของการสังเกต m สมมติว่าข้อมูลมาจากประชากรที่มีค่าคงที่เฉลี่ยระยะนี้จะลดลงโดยการทำให้ m เป็นขนาดใหญ่ที่สุด m ทำให้การพยากรณ์อากาศไม่ตอบสนอง การเปลี่ยนแปลงช่วงเวลาอ้างอิงเพื่อให้การคาดการณ์สามารถตอบสนองต่อการเปลี่ยนแปลงได้เราต้องการให้ m มีขนาดเล็กที่สุดเท่าที่จะเป็นไปได้ 1 แต่จะเพิ่มความแปรปรวนของข้อผิดพลาดการคาดการณ์ในทางปฏิบัติต้องใช้ค่าที่เป็นกลางการแสดงผลด้วย Excel การคาดการณ์ add-in จะดำเนินการย้าย สูตรด้านล่างตัวอย่างด้านล่างแสดงการวิเคราะห์โดย add-in สำหรับข้อมูลตัวอย่างในคอลัมน์ B 10 ข้อสังเกตแรกมีการจัดทำดัชนี -9 ถึง 0 เมื่อเทียบกับตารางด้านบนระยะเวลา ind มีการเปลี่ยนแปลงโดย -10 การสังเกตสิบข้อแรกให้ค่าเริ่มต้นสำหรับการประมาณและใช้ในการคำนวณค่าเฉลี่ยเคลื่อนที่สำหรับช่วงเวลา 0 MA 10 คอลัมน์ C แสดงค่าเฉลี่ยเคลื่อนที่ที่คำนวณได้ค่าเฉลี่ยเคลื่อนที่ของ m อยู่ในเซลล์ C3 Fore 1 คอลัมน์ D แสดงการคาดการณ์สำหรับระยะเวลาหนึ่งในอนาคตช่วงคาดการณ์อยู่ในเซลล์ D3 เมื่อช่วงคาดการณ์มีการเปลี่ยนแปลงไปเป็นตัวเลขที่มีขนาดใหญ่ตัวเลขในคอลัมน์ Fore จะถูกเลื่อนลง Err 1 คอลัมน์ E แสดงความแตกต่างระหว่างการสังเกต และการคาดการณ์ตัวอย่างเช่นการสังเกตในเวลาที่ 1 คือ 6 ค่าที่คาดการณ์ได้จากค่าเฉลี่ยเคลื่อนที่ในช่วงเวลา 0 คือ 11 1 ข้อผิดพลาดคือ -5 1 ค่าเบี่ยงเบนมาตรฐานและ Mean Mean Deviation MAD คำนวณในเซลล์ E6 และ E7 ตามลำดับ . Class MovingAverageModel. A หมายถึงรูปแบบการคาดการณ์การเคลื่อนไหวโดยเฉลี่ยขึ้นอยู่กับชุดเวลาที่สร้างโดยเทียมซึ่งค่าในช่วงเวลาหนึ่ง ๆ จะถูกแทนที่ด้วยค่าเฉลี่ยของค่านั้นและค่าของช่วงเวลาก่อนหน้าและช่วงเวลาที่สำเร็จตามที่คุณคาดไว้ จากคำอธิบายรูปแบบนี้เหมาะที่สุดสำหรับข้อมูลชุดข้อมูลเช่นข้อมูลที่มีการเปลี่ยนแปลงตลอดเวลาตัวอย่างเช่นแผนภูมิจำนวนมากของหุ้นแต่ละหุ้นในตลาดหุ้นแสดงเส้นค่าเฉลี่ยเคลื่อนที่ 20, 50, 100 หรือ 200 วันเพื่อแสดงแนวโน้ม เนื่องจากค่าคาดการณ์ของช่วงเวลาหนึ่ง ๆ คือค่าเฉลี่ยของช่วงเวลาก่อนหน้านี้การคาดการณ์จะล่าช้ากว่าการเพิ่มขึ้นหรือลดลงของค่าที่ขึ้นกับค่าที่สังเกตได้ตัวอย่างเช่นถ้าชุดข้อมูลมีแนวโน้มสูงขึ้นเรื่อย ๆ ค่าเฉลี่ยเคลื่อนที่ โดยทั่วไปแล้วการคาดการณ์โดยทั่วไปจะให้ค่าประมาณของตัวแปรที่ขึ้นอยู่กับค่าเฉลี่ยต่ำกว่าค่าเฉลี่ย (average average method) มีความได้เปรียบเหนือรูปแบบการพยากรณ์อากาศแบบอื่น ๆ หยาบหรือหุบเขาในชุดของการสังเกต แต่ก็ยังมีข้อเสียหลายโดยเฉพาะอย่างยิ่งรุ่นนี้ไม่ได้ผลิตสมการที่เกิดขึ้นจริงดังนั้นจึงไม่ได้เป็นสิ่งที่มีประโยชน์เป็นเครื่องมือการคาดการณ์ระยะปานกลางมันสามารถเชื่อถือได้เท่านั้นที่จะใช้ในการคาดการณ์อย่างใดอย่างหนึ่ง หรือสองงวดในอนาคตแบบจำลองค่าเฉลี่ยเคลื่อนที่เป็นกรณีพิเศษของค่าเฉลี่ยถ่วงน้ำหนักที่ถ่วงน้ำหนักโดยทั่วไปในค่าเฉลี่ยเคลื่อนที่แบบง่ายน้ำหนักทั้งหมดมีค่าเท่ากันตั้งแต่ 0 3 ผู้เขียน Steven R Gould. Fields สืบทอดมาจากคลาส. MovingAverageModelสร้างโครงสร้างใหม่ moving model การคาดการณ์โดยเฉลี่ย. MovingAverageModel int period จัดสร้างรูปแบบการคาดการณ์ค่าเฉลี่ยเคลื่อนที่ใหม่โดยใช้ช่วงเวลาที่ระบุ getForecastType ส่งคืนคำหนึ่งหรือสองชื่อของการคาดการณ์ข้อมูล model. init DataSet ชุดข้อมูลนี้ใช้เพื่อเริ่มต้นโมเดลเฉลี่ยที่เคลื่อนที่ไปยังสตริง ถูกแทนที่เพื่อให้คำอธิบายแบบข้อความของรูปแบบการคาดการณ์ในปัจจุบันรวมทั้งที่เป็นไปได้ใด ๆ พารามิเตอร์ที่ได้มาใช้วิธีการรับมาจาก class สร้างแบบจำลองการคาดการณ์ค่าเฉลี่ยเคลื่อนที่ใหม่สำหรับรูปแบบที่ถูกต้องที่จะสร้างคุณควรเรียก init และส่งผ่านชุดข้อมูลที่ประกอบด้วยชุดข้อมูลที่มีตัวแปรเวลาที่เตรียมใช้งานเพื่อระบุตัวแปรอิสระสร้างการคาดการณ์ค่าเฉลี่ยเคลื่อนที่ใหม่ โดยใช้ชื่อที่กำหนดให้เป็นตัวแปรอิสระตัวแปรอิสระ - ชื่อของตัวแปรอิสระที่จะใช้ในโมเดลนี้สร้างโมเดลการคาดการณ์ค่าเฉลี่ยเคลื่อนที่โดยใช้ช่วงเวลาที่กำหนดสำหรับโมเดลที่ถูกต้องที่จะสร้างคุณควรเรียก init และส่งผ่านชุดข้อมูลที่ประกอบด้วยชุดข้อมูลที่มีตัวแปรเวลาที่เตรียมใช้งานเพื่อระบุตัวแปรอิสระค่างวดใช้เพื่อกำหนดจำนวนการสังเกตที่จะใช้ในการคำนวณค่าเฉลี่ยเคลื่อนที่ตัวอย่างเช่นสำหรับ 50 วัน ค่าเฉลี่ยเคลื่อนที่ที่จุดข้อมูลเป็นข้อสังเกตรายวันจากนั้นระยะเวลาควรตั้งค่าเป็น 50 ระยะเวลานี้ยังใช้เพื่อกำหนดจำนวนของระยะเวลาในอนาคต t หมวกสามารถคาดการณ์ได้อย่างมีประสิทธิภาพด้วยค่าเฉลี่ยเคลื่อนที่ 50 วันเราจึงไม่สามารถคาดการณ์ได้อย่างถูกต้องด้วยระดับความแม่นยำสูงกว่า 50 วันนอกเหนือจากช่วงเวลาสุดท้ายที่ข้อมูลมีอยู่ซึ่งอาจเป็นประโยชน์มากกว่ากล่าวคือระยะเวลา 10 วัน, ซึ่งเราสามารถคาดการณ์ได้อย่างมีเหตุผลเพียง 10 วันหลังจากรอบระยะเวลาที่ผ่านมาระยะเวลาในการวัด - จำนวนการสังเกตที่จะใช้ในการคำนวณค่าเฉลี่ยที่เคลื่อนที่ได้สร้างรูปแบบการคาดการณ์ค่าเฉลี่ยเคลื่อนที่ใหม่โดยใช้ชื่อที่ระบุว่าเป็นตัวแปรอิสระและช่วงเวลาที่กำหนด Parameters independentVariable - ชื่อของตัวแปรอิสระที่จะใช้ในช่วงเวลาของรูปแบบนี้ - จำนวนการสังเกตที่จะใช้ในการคำนวณค่าเฉลี่ยเคลื่อนที่โดยใช้ค่าเริ่มต้นของโมเดลเฉลี่ยเคลื่อนที่วิธีนี้ต้องได้รับการเรียกก่อนวิธีการอื่นในคลาสตั้งแต่ โมเดลเฉลี่ยเคลื่อนที่ไม่ได้มาสมการใด ๆ สำหรับการคาดการณ์วิธีนี้ใช้ DataSet อินพุทเพื่อคำนวณค่าพยากรณ์สำหรับค่าที่ถูกต้องทั้งหมดของไท ฉันตัวแปรที่ระบุโดย init ในอินเทอร์เฟซ ForecastingModel แทนที่พารามิเตอร์ init ในคลาส AbstractTimeBasedModel พารามิเตอร์ DataSet - ชุดข้อมูลการสังเกตที่สามารถใช้เพื่อเริ่มต้นพารามิเตอร์การคาดการณ์ของรูปแบบการคาดการณ์ย้อนกลับคำหนึ่งหรือสองชื่อของรูปแบบการคาดการณ์แบบนี้ สั้นนี้คำอธิบายอีกต่อไปควรจะดำเนินการในวิธี toString นี้ควรจะถูกแทนที่เพื่อให้คำอธิบายเกี่ยวกับต้นฉบับของรูปแบบการคาดการณ์ในปัจจุบันรวมทั้งที่เป็นไปได้ใด ๆ พารามิเตอร์ที่ได้รับใช้กำหนดโดย toString ในอินเตอร์เฟซ ForecastingModel แทนที่ ToString ในชั้น WeightedMovingAverageModel ส่งกลับ แทนสตริงของรูปแบบการคาดการณ์ในปัจจุบันและพารามิเตอร์