2 ใบสั่ง เฉลี่ยเคลื่อนที่ กรอง

ฉันต้องออกแบบตัวกรองค่าเฉลี่ยเคลื่อนที่ที่มีความถี่ตัดเป็น 7.8 Hz ฉันได้ใช้ตัวกรองเฉลี่ยที่เคลื่อนที่ก่อน แต่เท่าที่ Im ทราบพารามิเตอร์เดียวที่สามารถป้อนได้คือจำนวนจุดที่จะเฉลี่ย วิธีการนี้สามารถใช้งานได้กับความถี่ตัดการผกผันของ 7.8 Hz คือ 130 ms และ Im ทำงานกับข้อมูลที่เก็บตัวอย่างที่ 1000 Hz นี่หมายความว่าฉันควรใช้ขนาดตัวกรองหน้าต่างเคลื่อนไหวเฉลี่ย 130 ตัวอย่างหรือมีอย่างอื่นที่ Im หายไปที่นี่ถาม Jul 18 13 ที่ 9:52 ตัวกรองเฉลี่ยเคลื่อนที่เป็นตัวกรองที่ใช้ในโดเมนเวลาเพื่อลบ เสียงเพิ่มและยังเรียบวัตถุประสงค์ แต่ถ้าคุณใช้ตัวกรองค่าเฉลี่ยเคลื่อนที่เดียวกันในโดเมนความถี่สำหรับการแยกความถี่ประสิทธิภาพจะแย่ที่สุด ดังนั้นในกรณีที่ใช้ตัวกรองโดเมนความถี่ ndash user19373 Feb 3 16 at 5:53 ตัวกรองค่าเฉลี่ยเคลื่อนที่ (บางครั้งเรียกขานว่าเป็นตัวกรองรถจักรยานยนต์) มีการตอบสนองต่อรูปสี่เหลี่ยมผืนผ้า: หรือระบุไว้อย่างชัดเจน: จำได้ว่าการตอบสนองความถี่ของระบบแบบไม่ต่อเนื่อง เราสามารถคำนวณได้ดังนี้: อะไรที่คุณสนใจมากที่สุดสำหรับกรณีของคุณคือการตอบสนองของตัวกรอง H (โอเมก้า) ใช้สอง manipulations ง่ายเราจะได้รับในรูปแบบที่ง่ายต่อการเข้าใจ: นี้อาจไม่ง่ายที่จะเข้าใจ อย่างไรก็ตามเนื่องจากบัตรประจำตัวของ Eulers จำได้ว่า: ดังนั้นเราสามารถเขียนข้างต้นเป็น: ตามที่ระบุไว้ก่อนหน้าสิ่งที่คุณกังวลมากคือขนาดของการตอบสนองต่อความถี่ ดังนั้นเราสามารถใช้ขนาดของข้างต้นเพื่อลดความซับซ้อนของมันต่อไป: หมายเหตุ: เราสามารถที่จะลดเงื่อนไขคำอธิบายออกเพราะพวกเขาไม่ส่งผลกระทบต่อขนาดของผลลัพธ์ e 1 สำหรับค่าทั้งหมดของโอเมก้า ตั้งแต่ xy xy สำหรับสองจำนวน จำกัด ที่ จำกัด x และ y เราสามารถสรุปได้ว่าการปรากฏตัวของคำอธิบายไม่ส่งผลต่อการตอบสนองของขนาดโดยรวม (แทนจะส่งผลต่อการตอบสนองของเฟสของระบบ) ฟังก์ชันที่เกิดขึ้นภายในวงเล็บขนาดคือรูปแบบของเคอร์เนล Dirichlet บางครั้งเรียกว่าฟังก์ชั่น sinc periodic เนื่องจากมีลักษณะคล้ายคลึงกับฟังก์ชัน sinc ในรูปลักษณ์ แต่เป็นระยะแทน อย่างไรก็ตามเนื่องจากความหมายของความถี่ cutoff มีความไม่แน่นอน (-3 dB point -6 dB point sidelobe null) คุณสามารถใช้สมการด้านบนเพื่อแก้ปัญหาตามที่ต้องการได้ โดยเฉพาะอย่างยิ่งคุณสามารถทำสิ่งต่อไปนี้: กำหนด H (โอเมก้า) เป็นค่าที่สอดคล้องกับการตอบสนองของตัวกรองที่คุณต้องการที่ความถี่ cutoff ตั้งค่าโอเมก้าเท่ากับความถี่ตัด เมื่อต้องการทำแผนที่ความถี่ต่อเนื่องไปยังโดเมนแบบไม่ต่อเนื่องโปรดจำไว้ว่า omega 2pi frac ซึ่ง fs คืออัตราตัวอย่างของคุณ ค้นหาค่าของ N ที่ให้ข้อตกลงที่ดีที่สุดระหว่างด้านซ้ายและด้านขวาของสมการ นั่นควรเป็นความยาวของค่าเฉลี่ยเคลื่อนที่ของคุณ ถ้า N คือความยาวของค่าเฉลี่ยเคลื่อนที่จากนั้นความถี่ตัด F (ที่ถูกต้องสำหรับ N gt 2) ในความถี่ปกติคือ Fffs: ผกผันของสูตรนี้คือสูตรที่ถูกต้องสำหรับ N ขนาดใหญ่และมีข้อผิดพลาดประมาณ 2 สำหรับ N2 และน้อยกว่า 0.5 สำหรับ N4 ป. ล. หลังจากสองปีที่ผ่านมาที่นี่ในที่สุดสิ่งที่เป็นวิธีการปฏิบัติตาม ผลจากการประมาณสเปกตรัมความกว้างของ MA รอบ f0 เป็นพาราโบลา (ลำดับที่ 2) ตาม MA (Omega) ประมาณ 1 (frac-frac) Omega2 ซึ่งสามารถหาได้มากกว่าใกล้กับศูนย์ข้าม MA (Omega) frac โดยการคูณโอเมก้าโดยสัมประสิทธิ์การได้รับ MA (โอเมก้า) ประมาณ 10.907523 (frac-frac) Omega2 การแก้ปัญหาของ MA (โอเมก้า) - frac 0 ให้ผลลัพธ์ข้างต้นที่ 2pi F โอเมก้า ทั้งหมดข้างต้นเกี่ยวข้องกับ -3dB ตัดความถี่เรื่องของบทความนี้ บางครั้งก็เป็นเรื่องที่น่าสนใจที่จะได้รับข้อมูลการลดทอนในแถบหยุดซึ่งเทียบเคียงได้กับตัวกรอง IIR Low Pass Filter (single pole LPF) ที่มีความถี่ตัดความถี่ -3dB ให้ (เช่น LPF เรียกว่า integrator leaky, มีขั้วไม่ตรงที่ DC แต่ใกล้กับมัน) ในความเป็นจริงแล้ว MA และลำดับที่ 1 ของ IIR LPF มีความลาดชันอยู่ที่ -20dBdade ในวงหยุด (หนึ่งต้องมีขนาดใหญ่กว่า N ที่ใช้ในรูป N32 เพื่อดูสิ่งนี้) แต่ในขณะที่ MA มีค่า null ของสเปกตรัมที่ FkN และ a 1F evelope ตัวกรอง IIR จะมีรูปแบบ 1f เท่านั้น ถ้าใครอยากได้ตัวกรอง MA ที่มีความสามารถในการกรองสัญญาณรบกวนเช่นเดียวกับตัวกรอง IIR นี้และตรงกับความถี่ที่ 3dB ตัดออกไปเหมือนกันเมื่อเปรียบเทียบสเปกตรัมสองตัวเขาจะรู้ว่าแถบกระเพื่อมของแถบหยุดทำงานของตัวกรอง MA จะสิ้นสุดลง 3dB ด้านล่างของตัวกรอง IIR เพื่อที่จะได้รับการระงับการหยุดแถบเดียวกัน (เช่นการลดทอนสัญญาณรบกวนเดียวกัน) เป็นตัวกรอง IIR สูตรสามารถแก้ไขได้ดังต่อไปนี้: ฉันพบกลับมาที่สคริปต์ Mathematica ซึ่งฉันคำนวณการตัดออกสำหรับตัวกรองหลายตัวรวมทั้ง MA หนึ่ง ผลจากการประมาณสเปกตรัมของแมสซาชูเซตส์รอบ ๆ f0 เป็นพาราโบลาตามอัตราส่วนของโอเมก้า (Omega) Sin (OmegaN2) Sin (Omega2) Omega 2piF MA (F) ประมาณ N16F2 (N-N3) pi2 และได้รับการข้ามกับ 1sqrt จากที่นั่น ndash Massimo Jan 17 16 at 2: 08FIR Filter Basics 1.1 สิ่งที่เป็นตัวกรอง quotFIR ต้องใช้ตัวกรอง FIR เป็นตัวกรองดิจิทัล 2 ประเภทหลักที่ใช้ในแอ็พพลิเคชัน Digital Signal Processing (DSP) ซึ่งเป็นประเภท IIR 1.2 quotFIRquot หมายถึงอะไร quotID หมายถึง quotFinite Impulse Responsequot ถ้าคุณใส่แรงกระตุ้นนั่นคือตัวอย่าง quot1quot เดียวตามด้วยตัวอย่าง quot0quot จำนวนมาก zeroes จะออกมาหลังจากที่ตัวอย่าง quot1quot ได้ผ่านทางสายการหน่วงเวลาของตัวกรองแล้ว 1.3 ในกรณีทั่วไปการตอบสนองของอิมพัลซ์มีข้อ จำกัด เนื่องจากไม่มีข้อเสนอแนะใด ๆ ใน FIR การขาดข้อเสนอแนะรับประกันได้ว่าการตอบสนองต่อแรงกระตุ้นจะมี จำกัด เพราะฉะนั้นคำว่า terminfin finituite responsequot เกือบจะตรงกันกับ quotno feedbackquot อย่างไรก็ตามหากมีการตอบรับ แต่การตอบสนองของอิมพัลซ์ก็มี จำกัด ฟิลเตอร์ยังคงเป็น FIR ตัวอย่างคือตัวกรองค่าเฉลี่ยเคลื่อนที่ซึ่งตัวอย่างก่อนหน้า Nth ถูกหักออก (ป้อนกลับ) ทุกครั้งที่มีตัวอย่างใหม่เข้ามาตัวกรองนี้มีการตอบสนองต่อแรงกระตุ้น จำกัด แม้ว่าจะใช้ข้อมูลย้อนกลับ: หลังจากตัวอย่าง N ของแรงกระตุ้นเอาท์พุท จะเป็นศูนย์ 1.4 ฉันจะออกเสียง quotFIRquot บางคนบอกว่าตัวอักษร F-I-R คนอื่นออกเสียงว่าเป็นชนิดของต้นไม้ เราชอบต้นไม้มากกว่า (สิ่งที่แตกต่างคือคุณพูดถึงตัวกรอง F-I-R หรือตัวกรอง FIR) 1.5 ตัวกรองอื่น ๆ ที่เป็นทางเลือกของ FIR ฟิลเตอร์ DSP ยังสามารถเป็นอินวอยซ์อิมพัลส์ตอบสนอง (IIR) (ดูคำถามที่พบบ่อย dspGurus IIR) ตัวกรอง IIR ใช้ข้อเสนอแนะดังนั้นเมื่อคุณป้อนแรงกระตุ้นผลตามทฤษฎีดังขึ้นเรื่อย ๆ 1.6 ฟิลเตอร์ FIR เปรียบเทียบตัวกรอง IIR อย่างไรแต่ละข้อมีข้อดีและข้อเสีย โดยรวมแล้วแม้ว่าข้อดีของตัวกรอง FIR มีมากกว่าข้อเสียดังนั้นจึงมีการใช้งานมากกว่า IIRs 1.6.1 อะไรคือข้อดีของ FIR Filters (เทียบกับตัวกรอง IIR) เมื่อเทียบกับตัวกรอง IIR ตัวกรอง FIR มีข้อดีดังต่อไปนี้: พวกเขาสามารถออกแบบมาให้เป็นแบบไม่มีเงื่อนไข (โดยปกติจะเป็น) ใส่เพียงกรองเชิงเส้นเฟสล่าช้าสัญญาณขาเข้า แต่ donrsquot บิดเบือนระยะของ ใช้งานง่าย สำหรับไมโครโปรเซสเซอร์ DSP ส่วนใหญ่การคำนวณ FIR สามารถทำได้โดยการวนรอบคำสั่งเดียว เหมาะกับงานหลายอัตรา โดยอัตราหลายอัตราเราหมายถึง quotdecimationquot (ลดอัตราการสุ่มตัวอย่าง), quotinterpolationquot (เพิ่มอัตราการสุ่มตัวอย่าง) หรือทั้งสองอย่าง ไม่ว่าจะเป็นการ decimating หรือ interpolating การใช้ฟิลเตอร์ FIR ช่วยให้การคำนวณบางส่วนสามารถละเว้นได้ดังนั้นจึงให้ประสิทธิภาพในการคำนวณที่สำคัญ ในทางตรงกันข้ามถ้าใช้ตัวกรอง IIR เอาต์พุตแต่ละรายการจะต้องได้รับการคำนวณเป็นรายบุคคลแม้ว่าจะมีการส่งออกเอาต์พุต (ดังนั้นข้อเสนอแนะจะรวมอยู่ในตัวกรอง) มีคุณสมบัติเป็นตัวเลขที่ต้องการได้ ในทางปฏิบัติตัวกรอง DSP ทั้งหมดจะต้องดำเนินการโดยใช้คณิตศาสตร์ที่มีความแม่นยำแน่นอนนั่นคือบิตจำนวน จำกัด การใช้เครื่องคำนวณแบบ จำกัด แน่นอนในตัวกรอง IIR อาจทำให้เกิดปัญหาที่สำคัญอันเนื่องมาจากการใช้ข้อเสนอแนะ แต่ตัวกรอง FIR ที่ไม่มีข้อเสนอแนะสามารถใช้งานได้โดยใช้บิตน้อยลงและนักออกแบบมีปัญหาในทางปฏิบัติน้อยกว่าในการแก้ปัญหาเกี่ยวกับการคำนวณทางคณิตศาสตร์ที่ไม่เหมาะ สามารถประยุกต์ใช้เลขคณิตเศษส่วนได้ ซึ่งแตกต่างจากตัวกรอง IIR ก็มักจะเป็นไปได้ที่จะใช้ตัวกรอง FIR โดยใช้ค่าสัมประสิทธิ์ที่มีขนาดน้อยกว่า 1.0 (กำไรโดยรวมของฟิลเตอร์ FIR สามารถปรับเปลี่ยนได้ที่ผลลัพธ์ถ้าต้องการ) นี่เป็นข้อพิจารณาที่สำคัญเมื่อใช้ DSP แบบจุดคงที่เนื่องจากทำให้การใช้งานง่ายขึ้น 1.6.2 ข้อเสียของฟิลเตอร์ FIR (เทียบกับตัวกรอง IIR) เมื่อเทียบกับตัวกรอง IIR ตัวกรอง FIR บางครั้งอาจมีข้อเสียที่ต้องใช้การคำนวณหน่วยความจำและหน่วยความจำมากขึ้นเพื่อให้ได้ลักษณะการตอบสนองของตัวกรองที่กำหนด นอกจากนี้การตอบสนองบางอย่างยังไม่สามารถใช้กับตัวกรอง FIR ได้ 1.7 ข้อที่ใช้ในการอธิบายตัวกรอง FIR การตอบสนองต่ออิมพัลส์ - การตอบสนองต่อราคาของฟิลเตอร์ FIR เป็นเพียงชุดของค่าสัมประสิทธิ์ของ FIR เท่านั้น (ถ้าคุณใส่ quotimplusequot ลงในตัวกรอง FIR ซึ่งประกอบด้วยตัวอย่าง quot1quot ตามตัวอย่าง quot0quot จำนวนมากผลลัพธ์ของตัวกรองจะเป็นชุดค่าสัมประสิทธิ์เนื่องจากตัวอย่าง 1 ตัวเคลื่อนที่ผ่านแต่ละค่าสัมประสิทธิ์ในทางกลับกันเพื่อสร้างผลลัพธ์) แตะ - quottapquot FIR เป็นเพียงคู่ coefficientdelay จำนวนของ FIR taps, (มักเรียกว่า quotNquot) เป็นข้อบ่งชี้ของ 1) จำนวนหน่วยความจำที่จำเป็นในการใช้ตัวกรอง, 2) จำนวนการคำนวณที่ต้องการ, และ 3) จำนวนการกรองที่ต้องการตัวกรองสามารถทำผล, (MAC) - ในบริบท FIR, quotMACquot คือการดำเนินงานของการคูณค่าสัมประสิทธิ์โดยตัวอย่างข้อมูลล่าช้าที่สอดคล้องกันและสะสมผลลัพธ์ FIR มักต้องใช้ MAC หนึ่งตัวต่อการแตะ ไมโครโพรเซสเซอร์ DSP ส่วนใหญ่ใช้การดำเนินการ MAC ในรอบการสอนเดียว Transition Band - แถบความถี่ระหว่างแถบความถี่ passband และ stopband แถบการเปลี่ยนที่แคบยิ่งต้องใช้ก๊อกมากขึ้นในการใช้ตัวกรอง (แถบผลการแปลง quotsmallquot ส่งผลให้เกิดตัวกรอง quotsharpquot) Delay Line - ชุดของหน่วยความจำที่ใช้องค์ประกอบ delay delay ของ quotZ-1quot ของการคำนวณ FIR บัฟเฟอร์แบบวงกลม - บัฟเฟอร์พิเศษซึ่งเป็นส่วนข้อศอกเนื่องจากการเพิ่มทีละตอนทำให้มันห่อหุ้มรอบจุดเริ่มต้นหรือเนื่องจากการลดลงจากจุดเริ่มต้นทำให้มันห่อหุ้มไปมาจนสุด บัฟเฟอร์แบบวงกลมมักมีให้โดยไมโครโพรเซสเซอร์ DSP เพื่อใช้ชุดคำสั่งซื้อของตัวอย่างผ่านสายการผลิต FIR โดยไม่ต้องย้ายข้อมูลในหน่วยความจำอย่างแท้จริง เมื่อมีการเพิ่มตัวอย่างใหม่ลงในบัฟเฟอร์โดยอัตโนมัติจะแทนที่แบบที่เก่าที่สุดแบบจำลองการถ่วงล้อโดยใช้ค่าเฉลี่ยและการอธิบายเป็นขั้นตอนแรกในการเคลื่อนย้ายโมเดลแบบจำลองแบบสุ่มและแบบจำลองแนวโน้มเชิงเส้นรูปแบบที่ไม่เป็นทางการและแนวโน้มสามารถอนุมานได้โดยใช้ แบบเฉลี่ยที่เคลื่อนไหวหรือเรียบ สมมติฐานพื้นฐานที่อยู่เบื้องหลังรูปแบบเฉลี่ยและราบเรียบคือชุดเวลาเป็นแบบคงที่ในท้องถิ่นที่มีค่าเฉลี่ยที่เปลี่ยนแปลงไปอย่างช้าๆ ดังนั้นเราจึงใช้ค่าเฉลี่ยเคลื่อนที่ (ท้องถิ่น) เพื่อประมาณค่าปัจจุบันของค่าเฉลี่ยและใช้เป็นค่าพยากรณ์สำหรับอนาคตอันใกล้นี้ ซึ่งถือได้ว่าเป็นการประนีประนอมระหว่างโมเดลเฉลี่ยและแบบสุ่มโดยไม่มีการเลื่อนลอย กลยุทธ์เดียวกันสามารถใช้ในการประมาณและคาดการณ์แนวโน้มในท้องถิ่น ค่าเฉลี่ยเคลื่อนที่มักถูกเรียกว่า quotsmoothedquot version ของชุดเดิมเนื่องจากค่าเฉลี่ยในระยะสั้นมีผลต่อการทำให้เรียบออกกระแทกในชุดเดิม โดยการปรับระดับการทำให้เรียบ (ความกว้างของค่าเฉลี่ยเคลื่อนที่) เราสามารถคาดหวังให้เกิดความสมดุลระหว่างประสิทธิภาพของโมเดลแบบเฉลี่ยและแบบสุ่ม รูปแบบเฉลี่ยที่ง่ายที่สุดคือ ค่าเฉลี่ยของค่าเฉลี่ยของ Y ที่เวลา t1 ที่ทำในเวลา t เท่ากับค่าเฉลี่ยที่แท้จริงของการสังเกตการณ์ m ล่าสุด: (ที่นี่และที่อื่น ๆ ฉันจะใช้สัญลักษณ์ 8220Y-hat8221 เพื่อยืน สำหรับการคาดการณ์ของชุดข้อมูล Y เวลาที่เร็วที่สุดเท่าที่เป็นไปได้ก่อนวันที่โดยรูปแบบที่กำหนด) ค่าเฉลี่ยนี้เป็นศูนย์กลางในช่วง t - (m1) 2 ซึ่งหมายความว่าค่าประมาณของท้องถิ่นจะมีแนวโน้มลดลงหลังค่าจริง ค่าเฉลี่ยของท้องถิ่นโดยประมาณ (m1) 2 ช่วงเวลา ดังนั้นเราจึงกล่าวว่าอายุโดยเฉลี่ยของข้อมูลในค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายคือ (m1) 2 เทียบกับช่วงเวลาที่คาดการณ์การคำนวณ: นี่คือระยะเวลาโดยที่การคาดการณ์จะมีแนวโน้มลดลงหลังจุดหักเหในข้อมูล . ตัวอย่างเช่นถ้าคุณคิดค่าเฉลี่ย 5 ค่าล่าสุดการคาดการณ์จะประมาณ 3 ช่วงเวลาในการตอบสนองต่อจุดหักเห โปรดทราบว่าถ้า m1 โมเดลเฉลี่ยเคลื่อนที่โดยเฉลี่ย (SMA) เทียบเท่ากับรูปแบบการเดินแบบสุ่ม (โดยไม่มีการเติบโต) ถ้า m มีขนาดใหญ่มาก (เทียบกับความยาวของระยะเวลาประมาณ) รูปแบบ SMA จะเท่ากับรูปแบบเฉลี่ย เช่นเดียวกับพารามิเตอร์ใด ๆ ของรูปแบบการคาดการณ์การปรับค่าของ k จะเป็นเรื่องปกติที่จะได้รับข้อมูลที่ดีที่สุดนั่นคือข้อผิดพลาดในการคาดการณ์ที่เล็กที่สุดโดยเฉลี่ย นี่คือตัวอย่างของชุดที่ดูเหมือนจะแสดงความผันผวนแบบสุ่มรอบ ๆ ค่าเฉลี่ยที่เปลี่ยนแปลงไปอย่างช้าๆ อันดับแรกให้ลองพอดีกับรูปแบบการเดินแบบสุ่มซึ่งเท่ากับค่าเฉลี่ยเคลื่อนที่ที่สั้น ๆ ของ 1 เทอม: รูปแบบการเดินแบบสุ่มตอบสนองได้อย่างรวดเร็วต่อการเปลี่ยนแปลงในซีรีส์ แต่ในการทำเช่นนี้จะทำให้ได้คำที่ไม่เหมาะสมใน ข้อมูล (ความผันผวนแบบสุ่ม) รวมทั้ง quotsignalquot (ค่าเฉลี่ยในท้องถิ่น) ถ้าเราลองใช้ค่าเฉลี่ยเคลื่อนที่ 5 ข้อโดยทั่วไปเราจะได้รับการคาดการณ์ที่นุ่มนวลกว่า: ค่าเฉลี่ยเคลื่อนที่ 5 เทอมทำให้เกิดข้อผิดพลาดน้อยกว่าแบบจำลองการเดินแบบสุ่มในกรณีนี้ อายุเฉลี่ยของข้อมูลในการคาดการณ์นี้คือ 3 ((51) 2) ดังนั้นจึงมีแนวโน้มที่จะล่าช้ากว่าจุดหักเหภายในสามช่วงเวลา (ตัวอย่างเช่นการชะลอตัวน่าจะเกิดขึ้นในช่วง 21 แต่การคาดการณ์ไม่ได้ผกผันไปหลายช่วงเวลาภายหลัง) สังเกตว่าการคาดการณ์ระยะยาวจากแบบจำลอง SMA เป็นแนวเส้นตรงเช่นเดียวกับการเดินแบบสุ่ม แบบ ดังนั้นรูปแบบ SMA สมมติว่าไม่มีแนวโน้มในข้อมูล อย่างไรก็ตามในขณะที่การคาดการณ์จากรูปแบบการเดินแบบสุ่มมีค่าเท่ากับค่าที่สังเกตได้ล่าสุดการคาดการณ์จากรูปแบบ SMA จะเท่ากับค่าเฉลี่ยถ่วงน้ำหนักของค่าล่าสุด วงเงินความเชื่อมั่นที่คำนวณโดย Statgraphics สำหรับการคาดการณ์ในระยะยาวของค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายจะไม่ได้รับมากขึ้นเนื่องจากระยะขอบพยากรณ์อากาศเพิ่มขึ้น เห็นได้ชัดว่าไม่ถูกต้อง แต่น่าเสียดายที่ไม่มีทฤษฎีทางสถิติพื้นฐานที่บอกเราว่าช่วงความเชื่อมั่นควรจะกว้างขึ้นสำหรับรุ่นนี้อย่างไร อย่างไรก็ตามไม่ยากที่จะคำนวณค่าประมาณเชิงประจักษ์ถึงขีดจำกัดความเชื่อมั่นสำหรับการคาดการณ์ระยะยาวของเส้นขอบฟ้า ตัวอย่างเช่นคุณสามารถตั้งค่าสเปรดชีตที่จะใช้โมเดล SMA เพื่อคาดการณ์ล่วงหน้า 2 ขั้นตอนล่วงหน้า 3 ก้าวเป็นต้นภายในตัวอย่างข้อมูลที่ผ่านมา จากนั้นคุณสามารถคำนวณส่วนเบี่ยงเบนมาตรฐานตัวอย่างของข้อผิดพลาดในขอบฟ้าพยากรณ์แต่ละครั้งและสร้างช่วงความเชื่อมั่นสำหรับการคาดการณ์ในระยะยาวโดยการเพิ่มและลบคูณของส่วนเบี่ยงเบนมาตรฐานที่เหมาะสม ถ้าเราลองค่าเฉลี่ยเคลื่อนที่ 9 วันเราจะได้รับการคาดการณ์ที่ราบรื่นขึ้นและผลกระทบที่ปกคลุมด้วยวัตถุฉนวน: อายุเฉลี่ยอยู่ที่ 5 ช่วงเวลา ((91) 2) ถ้าเราใช้ค่าเฉลี่ยเคลื่อนที่ในระยะ 19 วันอายุเฉลี่ยจะเพิ่มขึ้นเป็น 10: สังเกตว่าแท้จริงแล้วการคาดการณ์ในขณะนี้ล้าหลังจุดหักเหประมาณ 10 รอบ นี่คือตารางที่เปรียบเทียบสถิติข้อผิดพลาดของพวกเขาซึ่งรวมถึงค่าเฉลี่ยระยะยาว 3 คำ: Model C ซึ่งเป็นค่าเฉลี่ยเคลื่อนที่ 5 เทอมให้ผลตอบแทนน้อยที่สุดของ RMSE โดยมีขอบเล็กกว่า 3 ค่าเฉลี่ยระยะสั้นและระยะ 9 และสถิติอื่น ๆ ของพวกเขาเกือบจะเท่ากัน ดังนั้นในแบบจำลองที่มีสถิติข้อผิดพลาดที่คล้ายกันมากเราสามารถเลือกได้ว่าจะต้องการการตอบสนองเล็กน้อยหรือมีความเรียบขึ้นเล็กน้อยในการคาดการณ์หรือไม่ (ค่าเฉลี่ยเคลื่อนที่ถ่วงน้ำหนักที่ชี้แจง) แบบจำลองค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายที่กล่าวมาข้างต้นมีคุณสมบัติที่ไม่พึงประสงค์ที่จะถือว่าข้อสังเกตสุดท้ายของ k อย่างเท่าเทียมกันและสมบูรณ์ละเว้นการสังเกตทั้งหมดก่อนหน้านี้ โดยนัยข้อมูลที่ผ่านมาควรจะลดราคาในรูปแบบที่ค่อยๆมากขึ้นตัวอย่างเช่นการสังเกตล่าสุดควรมีน้ำหนักมากกว่า 2 ครั้งล่าสุดและครั้งที่ 2 ล่าสุดควรมีน้ำหนักน้อยกว่า 3 ครั้งล่าสุดและ อื่น ๆ แบบเรียบง่าย (SES) ทำให้สำเร็จได้ ให้ 945 แสดงถึงค่าคงที่ quotsmoothing (ตัวเลขระหว่าง 0 ถึง 1) วิธีหนึ่งในการเขียนแบบจำลองคือการกำหนดชุด L ซึ่งแสดงถึงระดับปัจจุบัน (นั่นคือค่าเฉลี่ยในท้องถิ่น) ของชุดข้อมูลดังกล่าวโดยประมาณจากข้อมูลจนถึงปัจจุบัน ค่าของ L ที่เวลา t คำนวณจากค่าก่อนหน้าของตัวเองเช่นนี้ดังนั้นค่าที่เรียบนวลในปัจจุบันเป็นค่า interpolation ระหว่างค่าที่ได้จากการเรียบก่อนหน้าและการสังเกตการณ์ในปัจจุบันซึ่ง 945 จะควบคุมความใกล้ชิดของค่า interpolation กับค่าล่าสุด การสังเกต การคาดการณ์ในช่วงถัดไปเป็นเพียงค่าที่ได้รับการปรับปรุงในปัจจุบัน: เทียบเท่าเราสามารถแสดงการคาดการณ์ต่อไปได้โดยตรงในแง่ของการคาดการณ์ก่อนหน้านี้และข้อสังเกตก่อนหน้าในเวอร์ชันเทียบเท่าใด ๆ ต่อไปนี้ ในรุ่นแรกการคาดการณ์คือการแก้ไขระหว่างการคาดการณ์ก่อนหน้าและการสังเกตก่อนหน้านี้: ในรุ่นที่สองการคาดการณ์ครั้งต่อไปจะได้รับโดยการปรับการคาดการณ์ก่อนหน้านี้ในทิศทางของข้อผิดพลาดก่อนหน้าด้วยจำนวนเศษ 945 ข้อผิดพลาดเกิดขึ้นที่ เวลา t ในรุ่นที่สามการคาดการณ์คือค่าเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนักแบบยกระดับ (เช่นลด) โดยมีปัจจัยการลดราคา 1-945: สูตรการคาดการณ์เวอร์ชันแก้ไขเป็นวิธีที่ง่ายที่สุดในการใช้งานหากคุณใช้โมเดลในสเปรดชีต: เหมาะกับรูปแบบ เซลล์เดี่ยวและมีการอ้างอิงเซลล์ชี้ไปที่การคาดการณ์ก่อนหน้านี้การสังเกตก่อนหน้าและเซลล์ที่เก็บค่า 945 ไว้ โปรดทราบว่าถ้า 945 1 รูปแบบ SES จะเทียบเท่ากับรูปแบบการเดินแบบสุ่ม (โดยไม่มีการเติบโต) ถ้า 945 0 รูปแบบ SES จะเท่ากับโมเดลเฉลี่ยโดยสมมติว่าค่าที่เรียบเป็นครั้งแรกจะเท่ากับค่าเฉลี่ย (กลับไปด้านบนสุดของหน้า) อายุโดยเฉลี่ยของข้อมูลในการคาดการณ์การเรียบอย่างง่ายและชี้แจงคือ 1 945 เทียบกับระยะเวลาที่คาดการณ์การคำนวณ (นี้ไม่ควรจะเป็นที่เห็นได้ชัด แต่ก็สามารถแสดงได้โดยการประเมินชุดอนันต์.) ดังนั้นการคาดการณ์ค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายมีแนวโน้มที่จะล่าช้าหลังจุดหักเหประมาณ 1 945 รอบระยะเวลา ตัวอย่างเช่นเมื่อ 945 0.5 ความล่าช้าเป็น 2 ช่วงเวลาเมื่อ 945 0.2 ความล่าช้าเป็น 5 ช่วงเวลาที่ 945 0.1 ความล่าช้าเป็น 10 ช่วงเวลาและอื่น ๆ สำหรับอายุโดยเฉลี่ยที่ระบุ (เช่นจำนวนเงินที่ล่าช้า) การคาดการณ์การทำให้การทำให้ลื่นไหลเรียบแบบสมมุติแบบง่าย (SES) ค่อนข้างดีกว่าการคาดการณ์ค่าเฉลี่ยเคลื่อนที่อย่างง่าย (SMA) เนื่องจากมีน้ำหนักมากขึ้นในการสังเกตการณ์ล่าสุด - คือ มีการเปลี่ยนแปลงมากขึ้นในช่วงไม่กี่ปีที่ผ่านมา ตัวอย่างเช่นโมเดล SMA ที่มี 9 คำและแบบ SES ที่มี 945 0.2 มีอายุเฉลี่ยอยู่ที่ 5 สำหรับข้อมูลในการคาดการณ์ แต่แบบจำลอง SES จะให้น้ำหนักมากกว่า 3 ค่าที่มากกว่าแบบจำลอง SMA และที่ ในเวลาเดียวกันมันไม่ได้ 8220forget8221 เกี่ยวกับค่ามากกว่า 9 งวดเก่าดังที่แสดงในแผนภูมินี้ข้อได้เปรียบที่สำคัญอีกประการหนึ่งของโมเดล SES ในรูปแบบ SMA คือรูปแบบ SES ใช้พารามิเตอร์การปรับให้ราบเรียบซึ่งเป็นตัวแปรที่เปลี่ยนแปลงได้อย่างต่อเนื่อง โดยใช้อัลกอริธึม quotsolverquot เพื่อลดข้อผิดพลาดกำลังสองเฉลี่ย ค่าที่เหมาะสมที่สุดของ 945 ในแบบจำลอง SES สำหรับชุดข้อมูลนี้จะเท่ากับ 0.2961 ดังแสดงในที่นี้อายุเฉลี่ยของข้อมูลในการคาดการณ์นี้คือ 10.2961 3.4 งวดซึ่งใกล้เคียงกับค่าเฉลี่ยเคลื่อนที่ 6-term ระยะสั้น การคาดการณ์ระยะยาวจากแบบจำลอง SES เป็นแนวเส้นตรง เช่นเดียวกับในรูปแบบ SMA และรูปแบบการเดินแบบสุ่มโดยไม่มีการเติบโต อย่างไรก็ตามโปรดทราบว่าช่วงความเชื่อมั่นที่คำนวณโดย Statgraphics จะแตกต่างกันไปในรูปแบบที่ดูสมเหตุสมผลและมีความแคบกว่าช่วงความเชื่อมั่นสำหรับรูปแบบการเดินแบบสุ่ม แบบจำลอง SES อนุมานว่าชุดนี้ค่อนข้างจะคาดเดาได้มากกว่าแบบจำลองการเดินแบบสุ่ม แบบจำลอง SES เป็นกรณีพิเศษของรูปแบบ ARIMA ดังนั้นทฤษฎีสถิติของแบบจำลอง ARIMA จึงเป็นพื้นฐานที่ใช้ในการคำนวณช่วงความเชื่อมั่นสำหรับแบบจำลอง SES โดยเฉพาะอย่างยิ่งแบบจำลอง SES คือแบบจำลอง ARIMA ที่มีความแตกต่างอย่างไม่มีความแตกต่างกันหนึ่งคำ MA (1) และไม่มีระยะคงที่ หรือที่เรียกว่าโควต้า (0,1,1) โดยไม่มีค่าคงที่ ค่าสัมประสิทธิ์ MA (1) ในรูปแบบ ARIMA สอดคล้องกับจำนวน 1-945 ในแบบจำลอง SES ตัวอย่างเช่นถ้าคุณพอดีกับรูปแบบ ARIMA (0,1,1) โดยไม่มีค่าคงที่สำหรับชุดข้อมูลที่วิเคราะห์ที่นี่ค่าสัมประสิทธิ์ MA (1) โดยประมาณจะเท่ากับ 0.7029 ซึ่งใกล้เคียงกับค่า 0.2961 เป็นไปได้ที่จะเพิ่มสมมติฐานของแนวโน้มเชิงเส้นที่ไม่เป็นศูนย์ให้เป็นรูปแบบ SES ในการทำเช่นนี้เพียงแค่ระบุรูปแบบ ARIMA ที่มีความแตกต่างอย่างไม่มีความแตกต่างอย่างหนึ่งและเทอม MA (1) ที่มีค่าคงที่นั่นคือ ARIMA (0,1,1) โดยมีค่าคงที่ การคาดการณ์ในระยะยาวจะมีแนวโน้มที่เท่ากับแนวโน้มเฉลี่ยที่สังเกตได้ในช่วงประมาณทั้งหมด คุณไม่สามารถดำเนินการนี้ควบคู่กับการปรับฤดูกาลได้เนื่องจากตัวเลือกการปรับฤดูกาลจะถูกปิดใช้งานเมื่อตั้งค่าประเภทของรูปแบบเป็น ARIMA อย่างไรก็ตามคุณสามารถเพิ่มแนวโน้มการชี้แจงในระยะยาวที่คงที่สำหรับแบบจำลองการทำให้เรียบแบบเลขแจงที่เรียบง่าย (โดยมีหรือไม่มีการปรับฤดูกาล) โดยใช้ตัวเลือกการปรับค่าเงินเฟ้อในขั้นตอนการคาดการณ์ อัตราการเติบโตของอัตราแลกเปลี่ยน (quotation) ในแต่ละช่วงเวลาสามารถประมาณได้จากค่าสัมประสิทธิ์ความชันในรูปแบบเส้นตรงที่พอดีกับข้อมูลร่วมกับการแปลงลอการิทึมตามธรรมชาติหรืออาจขึ้นอยู่กับข้อมูลอื่น ๆ ที่เป็นอิสระเกี่ยวกับแนวโน้มการเติบโตในระยะยาว . (กลับไปด้านบนสุดของหน้า) Browns Linear (เช่น double) Exponential Smoothing โมเดล SMA และ SES สมมุติว่าไม่มีแนวโน้มใด ๆ ในข้อมูล (โดยปกติจะเป็นอย่างน้อยหรืออย่างน้อยก็ไม่เลวสำหรับ 1- การคาดการณ์ล่วงหน้าเมื่อข้อมูลมีเสียงดังมาก) และสามารถปรับเปลี่ยนเพื่อรวมแนวโน้มเชิงเส้นคงที่ดังที่แสดงไว้ข้างต้น สิ่งที่เกี่ยวกับแนวโน้มในระยะสั้นหากซีรี่ส์แสดงอัตราการเติบโตที่แตกต่างกันหรือรูปแบบตามวัฏจักรที่โดดเด่นชัดเจนเมื่อเทียบกับเสียงรบกวนและหากมีความจำเป็นต้องคาดการณ์ล่วงหน้ามากกว่า 1 รอบการคาดการณ์แนวโน้มในท้องถิ่นอาจเป็นไปได้ ปัญหา แบบจำลองการทำให้เรียบเรียบง่ายสามารถสรุปเพื่อให้ได้รูปแบบการเรียบแบบเสวนาเชิงเส้น (LES) ซึ่งจะคำนวณการประมาณระดับท้องถิ่นและระดับแนวโน้ม รูปแบบแนวโน้มที่แตกต่างกันตามเวลาที่ง่ายที่สุดคือสีน้ำตาลแบบเสแสร้งแบบเสียดสีแบบเรียบซึ่งใช้ทั้งสองแบบที่เรียบเนียนแตกต่างกันไปตามจุดต่าง ๆ ในเวลา สูตรพยากรณ์ขึ้นอยู่กับการอนุมานของเส้นผ่านทั้งสองศูนย์ (รุ่นที่ซับซ้อนมากขึ้นของรุ่นนี้ Holt8217s ถูกกล่าวถึงด้านล่าง) รูปแบบพีชคณิตของ Brown8217s เชิงเส้นแบบเรียบเช่นเดียวกับรูปแบบการเรียบง่ายชี้แจงสามารถแสดงในรูปแบบที่แตกต่างกัน แต่ที่เท่าเทียมกัน รูปแบบมาตรฐานของแบบจำลองนี้มักจะแสดงดังนี้: ให้ S หมายถึงชุดแบบเดี่ยวที่เรียบง่ายได้โดยใช้การเรียบง่ายแบบเลขยกตัวอย่างให้เป็นชุด Y นั่นคือค่าของ S ในช่วง t จะได้รับโดย: (จำได้ว่าภายใต้หลักการง่ายๆ exponential smoothing นี่คือการคาดการณ์ของ Y ในช่วง t1) จากนั้นให้ Squot แสดงชุดที่มีการคูณทวีคูณขึ้นโดยใช้การเรียบแบบเลขแจงธรรมดา (ใช้แบบเดียวกัน 945) กับชุด S: สุดท้ายการคาดการณ์สำหรับ Y tk สำหรับ kgt1 ใด ๆ ให้โดย: ผลตอบแทนนี้ e 1 0 (เช่นโกงเล็กน้อยและให้การคาดการณ์ครั้งแรกเท่ากับการสังเกตครั้งแรกจริง) และ e 2 Y 2 8211 Y 1 หลังจากที่คาดการณ์จะถูกสร้างโดยใช้สมการข้างต้น ค่านี้จะให้ค่าพอดีกับสูตรตาม S และ S ถ้าค่าเริ่มต้นใช้ S 1 S 1 Y 1 รุ่นของรุ่นนี้ใช้ในหน้าถัดไปที่แสดงให้เห็นถึงการรวมกันของการเรียบแบบเสวนากับการปรับฤดูกาลตามฤดูกาล Holt8217s Linear Exponential Smoothing Brown8217s แบบจำลอง LES คำนวณการประมาณระดับท้องถิ่นและแนวโน้มโดยการให้ข้อมูลที่ราบรื่น แต่ข้อเท็จจริงที่ว่าด้วยพารามิเตอร์เรียบเพียงอย่างเดียวจะกำหนดข้อ จำกัด ของรูปแบบข้อมูลที่สามารถพอดีกับระดับและแนวโน้มได้ ไม่ได้รับอนุญาตให้เปลี่ยนแปลงในอัตราที่เป็นอิสระ แบบจำลอง LES ของ Holt8217s กล่าวถึงปัญหานี้ด้วยการรวมค่าคงที่ที่ราบเรียบสองค่าหนึ่งค่าสำหรับหนึ่งและหนึ่งสำหรับแนวโน้ม ทุกเวลา t เช่นเดียวกับในรุ่น Brown8217s มีการประมาณการ L t ของระดับท้องถิ่นและประมาณการ T t ของแนวโน้มในท้องถิ่น ที่นี่พวกเขาจะได้รับการคำนวณจากค่าของ Y ที่สังเกตได้ในเวลา t และการประมาณค่าก่อนหน้าของระดับและแนวโน้มโดยสมการสองตัวที่ใช้การอธิบายแบบเอกซ์โพเน็นเชียลให้เรียบขึ้น หากระดับและแนวโน้มโดยประมาณของเวลา t-1 คือ L t82091 และ T t-1 ตามลำดับจากนั้นคาดว่า Y tshy ที่จะทำในเวลา t-1 เท่ากับ L t-1 T t-1 เมื่อมีการสังเกตค่าจริงค่าประมาณระดับที่ปรับปรุงใหม่จะถูกคำนวณโดยการ interpolating ระหว่าง Y tshy และการคาดการณ์ L t-1 T t-1 โดยใช้น้ำหนักของ 945 และ 1-945 การเปลี่ยนแปลงระดับโดยประมาณ, คือ L t 8209 L t82091 สามารถตีความได้ว่าเป็นสัญญาณรบกวนของแนวโน้มในเวลา t การประมาณการแนวโน้มของแนวโน้มจะถูกคำนวณโดยการ interpolating ระหว่าง L t 8209 L t82091 และประมาณการก่อนหน้าของแนวโน้ม T t-1 โดยใช้เครื่องชั่ง 946 และ 1-946 การตีความค่าคงที่การทรงตัวของกระแส 946 มีความคล้ายคลึงกับค่าคงที่ของการปรับให้เรียบระดับ 945 โมเดลที่มีค่าน้อย 946 อนุมานได้ว่าแนวโน้มมีการเปลี่ยนแปลงเพียงอย่างช้าๆเมื่อเวลาผ่านไป ใหญ่กว่า 946 สมมติว่ามีการเปลี่ยนแปลงอย่างรวดเร็ว แบบจำลองที่มีขนาดใหญ่ 946 เชื่อว่าในอนาคตอันใกล้นี้มีความไม่แน่นอนมากเนื่องจากข้อผิดพลาดในการคาดการณ์แนวโน้มกลายเป็นสิ่งสำคัญมากเมื่อคาดการณ์ล่วงหน้ามากกว่าหนึ่งช่วง (กลับไปด้านบนสุดของหน้า) ค่าคงที่ที่ราบเรียบ 945 และ 946 สามารถประมาณได้ตามปกติโดยลดข้อผิดพลาดของค่าเฉลี่ยของการคาดการณ์ล่วงหน้า 1 ขั้นตอน เมื่อทำใน Statgraphics ค่าประมาณนี้จะเท่ากับ 945 0.3048 และ 946 0.008 ค่าที่น้อยมากของ 946 หมายความว่ารูปแบบสมมติว่ามีการเปลี่ยนแปลงน้อยมากในแนวโน้มจากระยะหนึ่งไปยังอีกรูปแบบหนึ่งดังนั้นโดยทั่วไปโมเดลนี้กำลังพยายามประมาณแนวโน้มในระยะยาว โดยการเปรียบเทียบกับความคิดของอายุโดยเฉลี่ยของข้อมูลที่ใช้ในการประมาณระดับท้องถิ่นของชุดข้อมูลอายุโดยเฉลี่ยของข้อมูลที่ใช้ในการประเมินแนวโน้มในท้องถิ่นเป็นสัดส่วนกับ 1 946 แม้ว่าจะไม่เท่ากันก็ตาม . ในกรณีนี้ที่กลายเป็น 10.006 125 นี่เป็นตัวเลขที่แม่นยำมากที่สุดเท่าที่ความถูกต้องของค่าประมาณ 946 isn8217t จริง ๆ 3 ตำแหน่งทศนิยม แต่มันก็เป็นเรื่องธรรมดาของขนาดตามตัวอย่างขนาด 100 ดังนั้น รุ่นนี้มีค่าเฉลี่ยมากกว่าค่อนข้างมากของประวัติศาสตร์ในการประมาณแนวโน้ม พล็อตการคาดการณ์ด้านล่างแสดงให้เห็นว่าโมเดล LES ประมาณการแนวโน้มท้องถิ่นในวงกว้างขึ้นเล็กน้อยที่ส่วนท้ายของชุดข้อมูลมากกว่าแนวโน้มที่คงที่ในแบบจำลอง SEStrend นอกจากนี้ค่าประมาณของ 945 เกือบจะเหมือนกันกับที่ได้จากการปรับรุ่น SES ที่มีหรือไม่มีแนวโน้มดังนั้นเกือบจะเป็นแบบเดียวกัน ตอนนี้ดูเหมือนว่าการคาดการณ์ที่สมเหตุสมผลสำหรับโมเดลที่ควรจะประเมินแนวโน้มในระดับท้องถิ่นดูเหมือนว่าแนวโน้มในท้องถิ่นมีแนวโน้มลดลงในตอนท้ายของชุดข้อมูลสิ่งที่เกิดขึ้นพารามิเตอร์ของรุ่นนี้ ได้รับการประเมินโดยการลดข้อผิดพลาดสี่เหลี่ยมของการคาดการณ์ล่วงหน้า 1 ขั้นตอนไม่ใช่การคาดการณ์ในระยะยาวซึ่งในกรณีนี้แนวโน้มไม่ได้สร้างความแตกต่างมากนัก หากสิ่งที่คุณกำลังมองหาคือข้อผิดพลาด 1 ขั้นตอนคุณจะไม่เห็นภาพใหญ่ของแนวโน้มในช่วง 10 หรือ 20 ครั้ง เพื่อให้โมเดลนี้สอดคล้องกับการคาดการณ์ข้อมูลลูกตาของเรามากขึ้นเราจึงสามารถปรับค่าคงที่การปรับให้เรียบตามแนวโน้มเพื่อให้ใช้พื้นฐานที่สั้นกว่าสำหรับการประมาณแนวโน้ม ตัวอย่างเช่นถ้าเราเลือกที่จะตั้งค่า 946 0.1 แล้วอายุเฉลี่ยของข้อมูลที่ใช้ในการประเมินแนวโน้มท้องถิ่นคือ 10 ช่วงเวลาซึ่งหมายความว่าเรามีค่าเฉลี่ยของแนวโน้มมากกว่าช่วงเวลา 20 ช่วงที่ผ่านมา Here8217s พล็อตการคาดการณ์มีลักษณะอย่างไรถ้าเราตั้งค่า 946 0.1 ขณะเก็บรักษา 945 0.3 นี่ดูเหมาะสมสำหรับชุดนี้แม้ว่าจะเป็นแนวโน้มที่จะคาดการณ์แนวโน้มดังกล่าวได้ไม่น้อยกว่า 10 งวดในอนาคต สิ่งที่เกี่ยวกับสถิติข้อผิดพลาดนี่คือการเปรียบเทียบรูปแบบสำหรับสองรุ่นที่แสดงข้างต้นเช่นเดียวกับสามรุ่น SES ค่าที่เหมาะสมที่สุดคือ 945 สำหรับรุ่น SES มีค่าประมาณ 0.3 แต่ผลการค้นหาที่คล้ายกัน (มีการตอบสนองน้อยหรือน้อยตามลำดับ) จะได้รับค่า 0.5 และ 0.2 (A) Holts linear exp. การให้ความนุ่มนวลด้วย alpha 0.3048 และ beta 0.008 (B) Holts linear exp. การทำให้เรียบด้วยเอ็กซ์พี 0.3 และเบต้า 0.1 (C) การเพิ่มความเรียบง่ายด้วยการอธิบายด้วย alpha 0.5 (D) การทำให้เรียบอย่างง่ายด้วยเอ็กซ์โป 0.3 (E) การเรียบง่ายด้วยเลขแจงอัลฟา 0.2 สถิติของพวกเขาใกล้เคียงกันมากดังนั้นเราจึงสามารถเลือกได้บนพื้นฐาน ข้อผิดพลาดในการคาดการณ์ล่วงหน้า 1 ขั้นตอนภายในตัวอย่างข้อมูล เราต้องกลับไปพิจารณาเรื่องอื่น ๆ ถ้าเราเชื่อว่าการคาดการณ์แนวโน้มในปัจจุบันเกี่ยวกับสิ่งที่เกิดขึ้นในระยะเวลา 20 ปีที่ผ่านมาเราสามารถสร้างกรณีสำหรับโมเดล LES ด้วย 945 0.3 และ 946 0.1 ได้ ถ้าเราต้องการที่จะไม่เชื่อเรื่องว่ามีแนวโน้มในระดับท้องถิ่นแบบใดแบบหนึ่งของ SES อาจอธิบายได้ง่ายกว่านี้และจะให้การคาดการณ์ระดับกลางของถนนต่อไปอีก 5 หรือ 10 ครั้ง ชนิดของแนวโน้มการอนุมานที่ดีที่สุดคือแนวนอนหรือเส้นตรงหลักฐานเชิงประจักษ์ชี้ให้เห็นว่าหากข้อมูลได้รับการปรับแล้ว (ถ้าจำเป็น) สำหรับอัตราเงินเฟ้อแล้วก็อาจจะไม่ระมัดระวังในการคาดการณ์ระยะสั้นในเชิงเส้น แนวโน้มที่ไกลมากในอนาคต แนวโน้มที่เห็นได้ชัดในวันนี้อาจลดลงในอนาคตอันเนื่องมาจากสาเหตุที่แตกต่างกันเช่นความล้าสมัยของผลิตภัณฑ์การแข่งขันที่เพิ่มขึ้นและการชะลอตัวของวัฏจักรหรือการปรับตัวในอุตสาหกรรม ด้วยเหตุนี้การเรียบอย่างง่ายจึงมักจะทำให้ได้ตัวอย่างที่ดีกว่าที่ควรจะเป็นอย่างอื่นแม้จะมีการอนุมานแนวโน้มในแนวนอน การปรับเปลี่ยนรูปแบบการลดลงของรูปแบบการเพิ่มประสิทธิภาพเชิงเส้นแบบเชิงเส้นมักใช้ในการปฏิบัติเพื่อแนะนำโน้ตของอนุรักษนิยมในการคาดการณ์แนวโน้ม โมเดล LES ที่มีแนวโน้มลดลงสามารถใช้เป็นกรณีพิเศษของรูปแบบ ARIMA โดยเฉพาะ ARIMA (1,1,2) เป็นไปได้ในการคำนวณช่วงความเชื่อมั่นรอบการคาดการณ์ในระยะยาวที่ผลิตโดยแบบจำลองการทำให้เรียบโดยพิจารณาเป็นกรณีพิเศษของรูปแบบ ARIMA ความกว้างของช่วงความเชื่อมั่นขึ้นอยู่กับ (i) ข้อผิดพลาด RMS ของโมเดล (ii) ประเภทของการปรับให้เรียบ (แบบง่ายหรือแบบเส้นตรง) (iii) ค่า (s) ของคงที่ราบเรียบ (s) และ (iv) จำนวนรอบระยะเวลาที่คุณคาดการณ์ โดยทั่วไปช่วงเวลาจะกระจายออกไปได้เร็วกว่าเมื่อ 945 มีขนาดใหญ่ขึ้นในรูปแบบ SES และแพร่กระจายได้เร็วกว่ามากเมื่อใช้เส้นตรงมากกว่าการเรียบแบบเรียบ หัวข้อนี้จะกล่าวถึงต่อไปในส่วนรูปแบบ ARIMA ของบันทึกย่อ (กลับไปที่ด้านบนของหน้า.)