پیشگویی با استفاده از رگرسیون چارک های نمایی وزن دار

در این پایان نامه به بررسی روش های پرکاربرد در روند هموارسازی زمانی – مکانی می پردازیم و شرایط و موارد استفاده از هر یک از این روش ها را شرح می دهیم . هموارسازی ، روش تعدیل نسبی عوامل تاثیر گذاری همچون مکان ، سطح ، روند و فصل بر مقدار داده ها است . روش هموارسازی مکانی به منظور تعدیل عوامل مکانی استفاده می گردد . با استفاده از روش هموارسازی مکانی تنها قادر به تعدیل روندهای موثر بر داده ها هستید . این روش قادر به تعدیل عوامل فصلی نیست . نوع دیگری از روش هموارسازی ، روش میانگین متحرک است . روش میانگین متحرک بر روی داده های سری های زمانی ، وقتی به عنوان عامل هموارسازی می تواند بکار رود که ، در درون داده ها هیچ گرایشی ، عامل فصلی و سطحی دخیل نباشد این روش ، وقتی که دوره زمانی داده ها کوتاه است و دوره زمانی پیش بینی ها و تعداد پیش بینی ها کم است نتایج بهینه ای را شامل خواهد شد . مدل های هموار سازی نمایی ، به عنوان میانگین های وزن دار مشاهدات قبل و مقادیر جاری استفاده می شوند اگر داده ها متاثر از گرایش ها و عوامل فصلی نباشند در چنین شرایطی برای تعدیل عوامل موثر سطح ، از روش هموارسازی نمایی ساده 1 استفاده می گردد . در غیر اینصورت اگر داده ها متاثر از گرایشهای خطی باشند آنگاه از روش هموارسازی نمایی مضاعف 2 برای تعدیل داده ها استفاده می کنیم . اگر گرایش های خطی موثر نباشد اما عوامل فصلی موثر باشند آنگاه از روش هموارسازی نمایی فصلی 3 استفاده می کنیم . اگر گرایش های خطی و عوامل فصلی هر دو موثر باشند آنگاه از روش هموارسازی نمایی سه جزئی 4 استفاده می گردد . پس از یافتن عوامل موثر ، نوبت به برآورد پارامترهای معادله هموارسازی نمایی ، جایگزینی مقادیر ، رسم نمودار داده های اصلی و هموارسازی شده می رسد .