需要予測入門 ～第3章 予測モデルの基礎～ その2 [時系列解析 / 需要予測]
需要予測入門 ～第3章 予測モデルの基礎～ その2
第3章の2回目。
- 作者: 淺田 克暢, 岩崎 哲也, 青山 行宏
- 出版社/メーカー: 東洋経済新報社
- 発売日: 2004/12/22
- メディア: 単行本
第3章では
1. 需要傾向の把握
2. 移動平均法でノイズを除去する
3. 移動平均の次数の決め方
4. 移動平均方で季節ごとの変動を取り出す
5. 複数の周期変動が混在したときの対応
6. 移動平均でノイズが除去できるのか？
7. 予測モデルとは何か？
8. 予測モデルのメカニズム
9. 単純移動平均モデル
10. 一次指数平滑モデル
11. ウィンターズモデル
12. ウィンターズモデルの計算式
13. ARIMAモデル
14. ニューラルネットワーク
15. 直線・曲線近似モデル
16. 重回帰モデル
17. 周期変動の考慮
18. 評価の四要素
19. 評価指数
が書かれています。
第3章の後半は、各モデルごとの特徴が書かれています。
各モデルの特徴は、
●: 対応可能
▲: モデル化によっては対応可能
ここで、外部データについて。
ニューラルネットワークと重回帰モデル以外のモデルは、自分自身の値で予測を行います。
具体的に書くと、過去の売り上げデータから、未来の売り上げを予測するわけです。
しかし、売り上げデータ以外に、気温のデータや実売の価格データをモデルに取り入れると予測の精度が向上したりします。
この場合は、ニューラルネットワークや重回帰といった手法で時系列分析をする必要があります。
ざっと読んだ感じ、ARIMAモデル以外は、クレメンタインで実装できそう。
ARIMAモデルは、ちょっと複雑なので、実装できるとは思いますが、とっても大変そう。。。
いつかARIMAモデルの実装もやってみたいです。
コメント 0