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 العلميةأكاديمية الوكلاء الذكيينمختبر أخلاقيات الذكاء الاصطناعي والعدالةساحة ألعاب الذكاء الاصطناعيمختبر التنبؤ بالسلاسل الزمنيةمتحف الذكاء الاصطناعيمختبر الرؤية الحاسوبيةمختبر الشبكات العصبية البيانيةمختبر معالجة اللغة الطبيعيةمختبر الحوسبة الكمّيةخرائط طريق الذكاء الاصطناعيمصمم الشبكات العصبية

التمهيد الأسي البسيط

Simple Exponential Smoothing (SES)

متوسط مرجّح تتناقص أوزانه أسياً مع قِدم المشاهدة؛ يناسب السلاسل بلا اتجاه ولا موسمية.

يعمل في المتصفحيحتاج محرك Pythonالمستوى الأول: النماذج الأساسية

جرّب هذا النموذج في المختبر

المبدأ

المستوى ℓ_t = α y_t + (1−α) ℓ_{t−1}، والتنبؤ لكل الآفاق يساوي ℓ_T. تُقدّر α بتقليل مجموع مربعات أخطاء التنبؤ خطوة واحدة.

\ell_t = \alpha y_t + (1-\alpha)\ell_{t-1}
\hat{y}_{T+h\mid T} = \ell_T
\sigma_h^2 = \sigma^2\left[1+\alpha^2(h-1)\right]

متطلبات البيانات

سلسلة بلا اتجاه أو موسمية واضحين.

المعاملات

α
معامل تمهيد المستوى بين 0 و1: كبيره يتبع آخر القيم وصغيره ينعّم أكثر

المزايا

  • معامل واحد سهل التفسير
  • سريع وقوي كخط أساس
  • فترات تنبؤ بصيغة مغلقة (ETS(A,N,N))

العيوب

  • تنبؤ مسطح
  • يتأخر عن الاتجاه

الاستخدامات

  • طلب مستقر
  • مؤشرات بلا موسمية

مثال تطبيقي

إذا قدّر المختبر α قريبة من 1 فهذا يعني أن السلسلة تشبه السير العشوائي وأن SES يقترب من Naive.

أخطاء شائعة

  • استخدامه على بيانات موسمية

مقارنة مع خوارزميات أخرى

Holt يضيف الاتجاه، وHolt-Winters يضيف الموسمية.

المراجع

  1. FPP3 §8.1 Simple exponential smoothing
  2. statsmodels: SimpleExpSmoothing
  3. Gardner (1985). Exponential smoothing: The state of the art. J. Forecasting. DOI 10.1002/for.3980040103

من المستوى نفسه