كتب الذكاء الاصطناعيمشاريع الذكاء الاصطناعيمقالات الذكاء الاصطناعيمعجم الذكاء الاصطناعياسئلة واجوبة في الذكاء الاصطناعيأكاديمية الذكاء الاصطناعي للأطفالأكاديمية الذكاء الاصطناعيمدرسة رياضيات الذكاء الاصطناعيمختبر الذكاء الاصطناعيمختبر الخوارزميات المستوحاة من الطبيعةأطلس نماذج الذكاء الاصطناعيموسوعة تطبيقات الذكاء الاصطناعيمستكشف مجموعات البيانات للذكاء الاصطناعياختبارات الذكاء الاصطناعيالفايب كودينغدليل البرمجة بالذكاء الاصطناعيمولّد مشاريع الذكاء الاصطناعيمرصد الذكاء الاصطناعيدليل أدوات الذكاء الاصطناعي البحث والنشر الأكاديميمكتبة البرومبتات الأكاديميةمستودع الرسائل والأطاريح في الذكاء الاصطناعيحاسبة الترقية العلميةمختبر التنبؤ بالسلاسل الزمنيةمتحف الذكاء الاصطناعيمختبر الرؤية الحاسوبيةمختبر معالجة اللغة الطبيعيةمختبر الحوسبة الكمّيةخرائط طريق الذكاء الاصطناعي

طريقة الانجراف

Drift Method

تنبؤ ساذج يضيف متوسط التغير التاريخي، أي خط مستقيم بين أول قيمة وآخر قيمة يمدّد إلى المستقبل.

يعمل في المتصفحيحتاج محرك Pythonالمستوى الأول: النماذج الأساسية

جرّب هذا النموذج في المختبر

المبدأ

ŷ_{T+h|T} = y_T + h (y_T − y_1)/(T − 1).

\hat{y}_{T+h\mid T} = y_T + h\,\frac{y_T-y_1}{T-1}

متطلبات البيانات

سلسلة ذات اتجاه شبه خطي.

المزايا

  • يلتقط الاتجاه بأبسط شكل
  • لا معاملات

العيوب

  • يعتمد على أول وآخر نقطة فقط
  • لا موسمية

الاستخدامات

  • خط أساس للسلاسل ذات الاتجاه مثل السكان

مثال تطبيقي

على عدد سكان العراق السنوي يعطي تنبؤاً خطياً معقولاً للأفق القصير.

المراجع

  1. Hyndman & Athanasopoulos, Forecasting: Principles and Practice (3rd ed.), §5.2 Some simple forecasting methods

من المستوى نفسه