예측

예측은 과거와 현재의 데이터를 바탕으로 예측을 하는 과정입니다.나중에 발생한 일과 비교(해결)할 수 있습니다.예를 들어, 기업은 다음 해의 수익을 추정하여 실제 결과와 비교할 수 있습니다.예측은 비슷하지만 더 일반적인 용어입니다.예측은 시계열, 단면적 또는 종적 데이터를 사용하는 특정 공식 통계 방법을 참조하거나, 덜 형식적인 판단 방법이나 예측 및 해결 과정 자체를 대체할 수 있다.용도는 응용 분야마다 다를 수 있다. 예를 들어 수문학에서는 "예측"과 "예측"이라는 용어는 특정 미래 특정 시간의 값 추정치를 위해 유보되는 경우가 있다. 반면 "예측"이라는 용어는 장기간에 걸쳐 홍수가 발생하는 횟수 등 보다 일반적인 추정치를 위해 사용된다.

위험과 불확실성은 예측과 예측의 중심이다. 일반적으로 예측에 부수되는 불확실성의 정도를 나타내는 것이 모범 사례로 간주된다.어떤 경우에도 예측이 가능한 한 정확하려면 데이터가 최신이어야 합니다.관심 변수를 예측하는 데 사용되는 데이터가 예측되는 경우도 있습니다.^[1]

적용들

예측은 미래 상황의 추정이 유용한 광범위한 분야에 적용된다.정확도는 필드에 따라 크게 다릅니다.예측 대상과 관련된 요인을 알고 잘 이해하고 사용할 수 있는 상당한 양의 데이터가 있는 경우 최종 값은 예측에 가까울 수 있다.그렇지 않거나 실제 결과가 예측의 영향을 받는 경우 예측의 신뢰성이 현저히 ^[2]낮아질 수 있습니다.

기후 변화와 에너지 가격 상승으로 인해 건물에 Egain Forecasting을 사용하게 되었습니다.이것은 건물의 난방에 필요한 에너지를 줄이고, 따라서 온실가스의 방출을 줄이려고 시도한다.예측은 제조 및 유통 회사의 일상 업무에서 고객 수요 계획에 사용됩니다.

Efficient-Market(효율적 시장) 가설에 따라 실제 주식 수익률 예측의 진실성에 대한 논란이 있지만, 광범위한 경제 동향 예측은 일반적이다.이러한 분석은 비영리 단체와 영리 민간 ^{[citation needed]}기관에 의해 제공됩니다.

환율 변동 예측은 일반적으로 차트 분석과 기본 분석을 조합하여 이루어집니다.차트 분석과 근본적인 경제 분석의 본질적인 차이점은 차트 작성자들은 시장의 가격 행동만을 연구하는 반면, 근본론자들은 행동의 ^[3]이면에 있는 이유를 살펴보려고 한다는 것이다.금융기관들은 그들의 기초적이고 차트론적인 연구자들이 ^[4]제공한 증거를 하나의 노트에 흡수하여 해당 통화에 대한 최종 예측을 제공한다.

예측은 또한 분쟁 ^[5]상황의 전개를 예측하기 위해 사용되어 왔다.예보관은 경험적 결과를 사용하여 특정 예측 ^[6]모형의 효과를 측정하는 연구를 수행합니다.그러나 분쟁 상황에 정통한 전문가와 훨씬 더 ^[7]잘 알지 못하는 개인의 예측은 거의 차이가 없는 것으로 나타났다.

마찬가지로, 일부 연구의 전문가들은 역할 사고가^{[clarification needed]} ^[8]예측의 정확성에 기여하지 않는다고 주장한다.공급망 예측이라고도 하는 수요 계획의 원칙은 통계 예측과 합의 프로세스를 모두 수용합니다.예측의 중요한 측면은 종종 무시되지만 계획과의 관계이다.예측은 미래가 어떻게 보일지 예측하는 것으로 설명할 수 있지만, 계획은 미래가 어떻게 ^[9]^[10]보일지 예측하는 것이다.사용할 수 있는 단일 권리 예측 방법이 없습니다.방법은 목표와 조건(데이터 등)^[11]에 따라 선택해야 합니다.방법을 찾는 좋은 장소는 선택 트리를 방문하는 것입니다.여기서 선택 트리의 예를 찾을 수 있습니다.^[12]예측은 많은 상황에서 적용됩니다.

서플라이 체인 관리 - 서플라이 체인 관리에서는 예측 기능을 사용하여 적절한 제품이 적절한 타이밍에 적절한 장소에 있는지 확인할 수 있습니다.정확한 예측은 소매업자들이 과잉 재고를 줄이고 그에 따라 수익률을 높이는 데 도움이 될 것이다.연구에 따르면 외삽이 가장 정확하지 않은 반면 기업의 수익 예측은 가장 신뢰할 ^{[clarification needed]}^[13]수 있는 것으로 나타났습니다.정확한 예측은 또한 그들이 소비자의 요구를 충족시키는 데 도움이 될 것이다.
고객 수요 계획
경제 예측
지진 예측
Egain 예측
재생 가능 전력 통합을 위한 에너지 예측
신용등급 및 신용점수를 통한 채무불이행 위험에 대한 금융
토지이용예측
스포츠에서의 선수 및 팀 성적
정치 예측
제품 예측
매출 예측
테크놀로지 예측
통신 예측
교통계획 및 교통예측
일기예보, 홍수예보 및 기상

트레이닝, 베팅, 미래 정치로서의 예측

몇몇 경우에, 예측은 미래에 대한 예측보다 많거나 적거나 둘 중 하나입니다.

필립 E에서. Tetlock의 슈퍼포어캐스팅에서는 의사결정 능력을 향상시키는 방법으로서 예측에 대해 설명합니다.사람은 더 잘 측정할^{[citation needed]} 수 있습니다. 즉, 10%의 확률로 일어나는 일에 대해 10%의 신뢰도를 갖는 것입니다.또는 더 자신 있게^{[citation needed]} 상황을 예측할 수 있습니다. 같은 결론에 이르지만 더 일찍 도달할 수 있습니다.일부에서는 예측이 토론과 의사결정의^{[citation needed]} 다른 분야로 이바지할 수 있는 기술이라고 주장합니다.

스포츠나 정치에 돈을 거는 것은 예측의 또 다른 형태이다.베팅은 조언으로 이용되는 것이 아니라 정확하게 예측했는지에 따라 지급된다.이러한 투자(예측)에 근거해 의사결정이 이루어질 수 있지만, 주된 동기는 일반적으로 재정적인 것이다.

마지막으로, 미래정치는 어떤 조치를 취할지를 결정하기 위해 정부 행동의 영향에 대한 예측을 사용하는 정부의 한 형태이다.충고가 아니라 미래정치의 가장 강력한 형태에서 가장 예측된 결과를 가진 행동이 자동으로^{[citation needed]} 취해진다.

예측 방법의 카테고리

정성적 방법과 정량적 방법

정성적 예측 기법은 소비자 및 전문가의 의견과 판단에 따라 주관적이다. 과거 데이터를 이용할 수 없을 때 적절하다.이들은 보통 중장기 의사결정에 적용된다.정성적 예측 방법의^{[citation needed]} 예로는 정보에 입각한 의견과 판단, 델파이 방법, 시장 조사, 역사적 라이프 사이클 유추 등이 있다.

정량적 예측 모델은 과거 데이터의 함수로서 미래 데이터를 예측하는 데 사용된다.과거 수치 데이터를 사용할 수 있고 데이터의 일부 패턴이 미래에도 지속될 것으로 예상될 때 사용하는 것이 적절하다.이러한 방법은 보통 단기 또는 중간 범위의 결정에 적용됩니다.정량적 예측 방법의^{[citation needed]} 예로는 마지막 기간 수요, 단순 및 가중 N-주기 이동 평균, 단순 지수 평활, 포아송 공정 모델 기반 예측^[14] 및 승수 계절 지수 등이 있습니다.이전 연구에서는 방법에 따라 예측 정확도 수준이 다를 수 있음을 보여 줍니다.예를 들어, GMDH 신경망은 단일 지수 평활, 이중 지수 평활, ARIMA 및 역 전파 ^[15]신경망과 같은 기존 예측 알고리즘보다 더 나은 예측 성능을 가진 것으로 밝혀졌다.

평균적인 접근법

이 접근법에서 모든 미래 값의 예측은 과거 데이터의 평균과 동일합니다.이 접근방식은 과거 데이터를 사용할 수 있는 모든 종류의 데이터에 사용할 수 있습니다.시계열 표기법:

{y}_{T+h T}={y}=(y_{1}+)...+y_{T}/T

^[16]

$y_{1},...,y_{T}$ 서 y 1, $y_{1},...,y_{T}$ . $y_{1},...,y_{T}$ . $y_{1},...,y_{T}$ , $y_{1},...,y_{T}$ T { $y_{1},...,y_{T}$ ... $y_{T}$ 는 $y_{1},...,y_{T}$ 과거 데이터입니다.

여기에서 시계열 표기법을 사용했지만, 평균 접근법은 단면 데이터(비관측 값, 데이터 세트에 포함되지 않은 값)에도 사용할 수 있다.그런 다음 관측되지 않은 값에 대한 예측은 관측된 값의 평균입니다.

순진한 접근법

순진한 예측은 가장 비용 효율적인 예측 모델이며 보다 정교한 모델을 비교할 수 있는 벤치마크를 제공합니다.이 예측 방법은 시계열 ^[16]데이터에만 적합합니다.순진한 접근방식을 사용하면 마지막 관측치와 동일한 예측치가 생성된다.이 방법은 경제 및 금융 시계열에서 매우 잘 작동하며, 이러한 시계열은 종종 신뢰성 있고 정확하게 ^[16]예측하기 어려운 패턴을 가지고 있습니다.시계열에 계절성이 있다고 생각되는 경우, 예측치가 지난 시즌의 값과 동일한 경우 계절 순진 접근법이 더 적합할 수 있다.시계열 표기법:

{y}_{T+h T}=y_{T}

드리프트법

순진한 방법의 변동은 예측이 시간에 따라 증가하거나 감소하도록 하는 것이다. 여기서 시간 경과에 따른 변화량( 드리프트라고 함)은 과거 데이터에서 볼 수 있는 평균 변화로 설정된다. $T+h$ 시간 $T+h$ T + $T+h$ (\ $displaystyle$ T $+h)$ 에 $T+h$ 대한 예측은 다음과 같습니다.

{y}_{T+h T}=y_{T}+{\frac {h}{T-1}}\sum _{t=2}^{T}(y_{t}-y_{t-1})=y_{T}+h\left({\frac {y_{)T}-y_{1}:{T-1}\right}).

^[16]

이는 첫 번째 관측치와 마지막 관측치 사이에 선을 긋고 이를 미래로 추정하는 것과 같습니다.

계절적 순진한 접근법

계절 순진법은 각 예측을 같은 계절의 마지막 관측값과 동일하게 설정하여 계절성을 설명한다.예를 들어, 4월 이후의 모든 달에 대한 예측 값은 4월에 대해 관측된 이전 값과 동일합니다. $T+h$ T + $(style$ ^[16] $T+h$ 입니다 $.$

(\displaystyle {y}_{T+h T}=y_{T+h-m(k+1)})

$m$ 서m {\ $displaystyle$ m $}$ $m$ period 및 $k$ {\ $displaystyle$ k $}$ 는 $k$ ( $(h-1)/m$ - $(h-1)/m$ ) / $(h-1)/m$ { $displaystyle (h-1)/m$ 보다 큰 최소 정수입니다.

계절 순진법은 계절성 수준이 매우 높은 데이터에 특히 유용하다.

시계열 방식

시계열 방법은 과거 데이터를 미래 결과를 추정하는 기준으로 사용합니다.과거 수요 이력이 미래 수요의 좋은 지표라는 가정에 근거하고 있습니다.

이동평균
가중이동평균
지수 평활
자기 회귀 이동 평균(ARMA)(예측치는 예측되는 변수의 과거 값과 과거 예측 오류에 따라 다름)
자기 회귀 통합 이동 평균(ARIMA)(예측 변수의 주기 간 변화에 대한 ARMA)

예: 박스-젠킨스

계절 ARIMA, SARIMA 또는 ARIMARCH,

추리
선형 예측
추세 추정(변수를 시간의 선형 또는 다항식 함수로 예측)
성장 곡선(통계량)
반복신경망

관계법

일부 예측 방법에서는 예측되는 변수에 영향을 미칠 수 있는 기본 요인을 식별하려고 합니다.예를 들어, 기후 패턴에 대한 정보를 포함하면 우산 판매를 예측하는 모델의 능력이 향상될 수 있습니다.예측 모형은 종종 정기적인 계절 변동을 고려합니다.기후뿐만 아니라, 이러한 변화는 휴일이나 관습 때문이기도 하다: 예를 들어, 누군가는 대학 축구 의류의 판매가 ^[17]비수기보다 축구 시즌 동안 더 높을 것이라고 예상할 수 있다.

인과 예측에 사용되는 몇 가지 비공식 방법은 수학적 알고리즘의 결과에만 의존하는 것이 아니라 예보관의 판단을 사용한다.일부 예측은 변수 간의 과거 관계를 고려합니다. 예를 들어, 한 변수가 다른 변수와 오랜 기간 동안 거의 선형적으로 관련되어 있는 경우, 관계의 이유를 반드시 이해하지 않고 이러한 관계를 미래로 추정하는 것이 적절할 수 있습니다.

원인 방법에는 다음이 포함됩니다.

회귀 분석에는 다른 변수에 대한 정보를 사용하여 변수의 미래 값을 예측하는 많은 방법 그룹이 포함됩니다.이러한 방법에는 파라메트릭(선형 또는 비선형) 및 비파라메트릭 기법이 모두 포함됩니다.
외부 입력에 의한 자기 회귀 이동 평균(ARMAX)^[18]

양적 예측 모형은 종종 표본 내 또는 표본 외 평균 제곱 오차를 비교하여 서로 비교하여 판단되지만, 일부 연구자들은 이에 ^[19]대해 반대 의견을 제시했습니다.예측 접근법에 따라 정확도 수준이 다릅니다.예를 들어, GMDH가 기존^[20] ARIMA보다 예측 정확도가 높다는 것이 한 가지 맥락에서 확인되었다.

판단 방법

판단 예측 방법은 직관적 판단, 의견 및 주관적 확률 추정치를 포함한다.판단 예측은 과거 데이터가 부족하거나 완전히 새롭고 고유한 시장 ^[21]상황에서 사용된다.

판단 방법에는 다음이 포함됩니다.

인공지능 방법

오늘날에는 라벨이 느슨하게 붙어 있는 전문 프로그램에 의해 실시되는 경우가 많습니다.

오차 예측을 사용한 기하학적 외삽

시퀀스의 3가지 포인트와 "순간" 또는 "지수"를 사용하여 작성할 수 있는 이 유형의 외삽은 알려진 시리즈 데이터베이스(OEIS)의 큰 비율에서 예측 정확도가 100%입니다.^[22]

기타 방법

예측 정확도

예측 오차(잔차라고도 함)는 해당 기간의 실제 값과 예측 값 사이의 차이입니다.

{\displaystyle\E_{t}=Y_{t}-F_{t}}

여기서 E는 기간 t의 예측 오차, Y는 기간 t의 실제 값, F는 기간 t의 예측 값입니다.

좋은 예측 방법은 상관 없는 잔차를 산출합니다.잔차 값 사이에 상관 관계가 있으면 예측 계산에 사용해야 할 잔차에 정보가 남아 있는 것입니다.이는 잔차의 기대값을 알려진 과거 잔차의 함수로 계산하고 이 기대값이 0과 다른 양만큼 예측을 조정함으로써 달성할 수 있다.

좋은 예측 방법 역시 평균이 0이 됩니다.잔차의 평균이 0이 아니면 예측이 치우친 것이며 예측 기법을 수정되지 않은 잔차의 평균과 동일한 가산 상수로 수정하여 개선할 수 있습니다.

집계 오류 측정값:

스케일 의존 오류

예측 오차 E는 데이터와 같은 척도에 있으므로 이러한 정확도 측정은 척도에 따라 다르며 서로 다른 척도의 시계열을 비교하는 데 사용할 수 없습니다.

$\ MAE=MAD={\frac {\sum _{t=1}^{N}|E_{t}|}{N}}$ 절대 오차(MAE) 또는 평균 절대 편차( $MAD):$ M $\ MAE=MAD={\frac {\sum _{t=1}^{N}|E_{t}|}{N}}$ $\ MAE=MAD={\frac {\sum _{t=1}^{N}|E_{t}|}{N}}$ $\ MAE=MAD={\frac {\sum _{t=1}^{N}|E_{t}|}{N}}$ A $\ MAE=MAD={\frac {\sum _{t=1}^{N}|E_{t}|}{N}}$ $\ MAE=MAD={\frac {\sum _{t=1}^{N}|E_{t}|}{N}}$ $\ MAE=MAD={\frac {\sum _{t=1}^{N}|E_{t}|}{N}}$ t $\ MAE=MAD={\frac {\sum _{t=1}^{N}|E_{t}|}{N}}$ $\ MAE=MAD={\frac {\sum _{t=1}^{N}|E_{t}|}{N}}$ N $\ MAE=MAD={\frac {\sum _{t=1}^{N}|E_{t}|}{N}}$ $\ MAE=MAD={\frac {\sum _{t=1}^{N}|E_{t}|}{N}}$ { $displaystyle$ \ $MAE$ = MAD $= fr$ frac { $sum _$ { $t =$ 1 $ac frac$ { t } { $n }$

평균 제곱 오차(MSE) 또는 평균 제곱 예측 오차(MSE): $\ MSE=MSPE={\frac {\sum _{t=1}^{N}{E_{t}^{2}}}{N}}$ $\ MSE=MSPE={\frac {\sum _{t=1}^{N}{E_{t}^{2}}}{N}}$ $\ MSE=MSPE={\frac {\sum _{t=1}^{N}{E_{t}^{2}}}{N}}$ $\ MSE=MSPE={\frac {\sum _{t=1}^{N}{E_{t}^{2}}}{N}}$ $\ MSE=MSPE={\frac {\sum _{t=1}^{N}{E_{t}^{2}}}{N}}$ $\ MSE=MSPE={\frac {\sum _{t=1}^{N}{E_{t}^{2}}}{N}}$ $\ MSE=MSPE={\frac {\sum _{t=1}^{N}{E_{t}^{2}}}{N}}$ $\ MSE=MSPE={\frac {\sum _{t=1}^{N}{E_{t}^{2}}}{N}}$ t $\ MSE=MSPE={\frac {\sum _{t=1}^{N}{E_{t}^{2}}}{N}}$ $\ MSE=MSPE={\frac {\sum _{t=1}^{N}{E_{t}^{2}}}{N}}$ N $\ MSE=MSPE={\frac {\sum _{t=1}^{N}{E_{t}^{2}}}{N}}$ $\ MSE=MSPE={\frac {\sum _{t=1}^{N}{E_{t}^{2}}}{N}}$ { $displaystyle$ \ $MSE$ = $MSE$ = harc $frac$ { $sum$ _ { t $= 1$ } { $E$ _ { 2 N } { { T } { T } $\ MSE=MSPE={\frac {\sum _{t=1}^{N}{E_{t}^{2}}}{N}}$ } ^{ N

RMSE(Root Mean Square $\ RMSE={\sqrt {\frac {\sum _{t=1}^{N}{E_{t}^{2}}}{N}}}$ ): $\ RMSE={\sqrt {\frac {\sum _{t=1}^{N}{E_{t}^{2}}}{N}}}$ $\ RMSE={\sqrt {\frac {\sum _{t=1}^{N}{E_{t}^{2}}}{N}}}$ $\ RMSE={\sqrt {\frac {\sum _{t=1}^{N}{E_{t}^{2}}}{N}}}$ $\ RMSE={\sqrt {\frac {\sum _{t=1}^{N}{E_{t}^{2}}}{N}}}$ $\ RMSE={\sqrt {\frac {\sum _{t=1}^{N}{E_{t}^{2}}}{N}}}$ $\ RMSE={\sqrt {\frac {\sum _{t=1}^{N}{E_{t}^{2}}}{N}}}$ $=$ $\ RMSE={\sqrt {\frac {\sum _{t=1}^{N}{E_{t}^{2}}}{N}}}$ N t 2 N { $displaystyle$ \ RMSE $= sqrt$ { $frac$ { $sum$ _ { t $\ RMSE={\sqrt {\frac {\sum _{t=1}^{N}{E_{t}^{2}}}{N}}}$ = 1 }^{ $N$ } { E _ { $t }$ } { $N$ } }

$\ {\bar {E}}={\frac {\sum _{i=1}^{N}{E_{i}}}{N}}$ 오차(E): E $\ {\bar {E}}={\frac {\sum _{i=1}^{N}{E_{i}}}{N}}$ ¯ $\ {\bar {E}}={\frac {\sum _{i=1}^{N}{E_{i}}}{N}}$ $\ {\bar {E}}={\frac {\sum _{i=1}^{N}{E_{i}}}{N}}$ i $\ {\bar {E}}={\frac {\sum _{i=1}^{N}{E_{i}}}{N}}$ $\ {\bar {E}}={\frac {\sum _{i=1}^{N}{E_{i}}}{N}}$ N $\ {\bar {E}}={\frac {\sum _{i=1}^{N}{E_{i}}}{N}}$ $\ {\bar {E}}={\frac {\sum _{i=1}^{N}{E_{i}}}{N}}$ N { \ $display$ style \ \ \ \ $bar$ { E } = $fr$ frac { $sum$ _ { i $\ {\bar {E}}={\frac {\sum _{i=1}^{N}{E_{i}}}{N}}$ = $1$ }^{ N } { $E$ _ { i } } { $N$ }

에러율

이러한 값은 척도에 의존하지 않기 때문에 서로 다른 데이터 집합 간의 예측 성능을 비교하는 데 더 자주 사용됩니다.그러나 Y가 0에 가깝거나 같으면 매우 크거나 정의되지 않는 단점이 있습니다.

평균 절대 백분율 오차(MAPE): $\ MAPE=100*{\frac {\sum _{t=1}^{N}|{\frac {E_{t}}{Y_{t}}}|}{N}}$ $\ MAPE=100*{\frac {\sum _{t=1}^{N}|{\frac {E_{t}}{Y_{t}}}|}{N}}$ P $\ MAPE=100*{\frac {\sum _{t=1}^{N}|{\frac {E_{t}}{Y_{t}}}|}{N}}$ $\ MAPE=100*{\frac {\sum _{t=1}^{N}|{\frac {E_{t}}{Y_{t}}}|}{N}}$ 100 $\ MAPE=100*{\frac {\sum _{t=1}^{N}|{\frac {E_{t}}{Y_{t}}}|}{N}}$ µ $\ MAPE=100*{\frac {\sum _{t=1}^{N}|{\frac {E_{t}}{Y_{t}}}|}{N}}$ $\ MAPE=100*{\frac {\sum _{t=1}^{N}|{\frac {E_{t}}{Y_{t}}}|}{N}}$ $\ MAPE=100*{\frac {\sum _{t=1}^{N}|{\frac {E_{t}}{Y_{t}}}|}{N}}$ $\ MAPE=100*{\frac {\sum _{t=1}^{N}|{\frac {E_{t}}{Y_{t}}}|}{N}}$ $\ MAPE=100*{\frac {\sum _{t=1}^{N}|{\frac {E_{t}}{Y_{t}}}|}{N}}$ $\ MAPE=100*{\frac {\sum _{t=1}^{N}|{\frac {E_{t}}{Y_{t}}}|}{N}}$ $\ MAPE=100*{\frac {\sum _{t=1}^{N}|{\frac {E_{t}}{Y_{t}}}|}{N}}$ $\ MAPE=100*{\frac {\sum _{t=1}^{N}|{\frac {E_{t}}{Y_{t}}}|}{N}}$ t $\ MAPE=100*{\frac {\sum _{t=1}^{N}|{\frac {E_{t}}{Y_{t}}}|}{N}}$ N \ $display$ \ MPE = $100$ * { \ $frac$ { $sum$ _ { t $\ MAPE=100*{\frac {\sum _{t=1}^{N}|{\frac {E_{t}}{Y_{t}}}|}{N}}$ = $1$ }^{ $N$ } { $frac$ { $E$ _ { $t$ } } $Y_{t}}}}} {N}}$

평균 절대 백분율 편차(MAPD): $\ MAPD={\frac {\sum _{t=1}^{N}|E_{t}|}{\sum _{t=1}^{N}|Y_{t}|}}$ $\ MAPD={\frac {\sum _{t=1}^{N}|E_{t}|}{\sum _{t=1}^{N}|Y_{t}|}}$ $\ MAPD={\frac {\sum _{t=1}^{N}|E_{t}|}{\sum _{t=1}^{N}|Y_{t}|}}$ $\ MAPD={\frac {\sum _{t=1}^{N}|E_{t}|}{\sum _{t=1}^{N}|Y_{t}|}}$ t $\ MAPD={\frac {\sum _{t=1}^{N}|E_{t}|}{\sum _{t=1}^{N}|Y_{t}|}}$ $\ MAPD={\frac {\sum _{t=1}^{N}|E_{t}|}{\sum _{t=1}^{N}|Y_{t}|}}$ $\ MAPD={\frac {\sum _{t=1}^{N}|E_{t}|}{\sum _{t=1}^{N}|Y_{t}|}}$ $\ MAPD={\frac {\sum _{t=1}^{N}|E_{t}|}{\sum _{t=1}^{N}|Y_{t}|}}$ t $\ MAPD={\frac {\sum _{t=1}^{N}|E_{t}|}{\sum _{t=1}^{N}|Y_{t}|}}$ t $\ MAPD={\frac {\sum _{t=1}^{N}|E_{t}|}{\sum _{t=1}^{N}|Y_{t}|}}$ $\ MAPD={\frac {\sum _{t=1}^{N}|E_{t}|}{\sum _{t=1}^{N}|Y_{t}|}}$ $\ MAPD={\frac {\sum _{t=1}^{N}|E_{t}|}{\sum _{t=1}^{N}|Y_{t}|}}$ $\ MAPD={\frac {\sum _{t=1}^{N}|E_{t}|}{\sum _{t=1}^{N}|Y_{t}|}}$ t { $displaystyle$ \ $MAPD$ = 1 N $frac$ { $sum$ _ { t $\ MAPD={\frac {\sum _{t=1}^{N}|E_{t}|}{\sum _{t=1}^{N}|Y_{t}|}}$ = $1$ } { $n$ } $E$ _ { $t$ } } { \ $sum$ _ t = 1 ^{ N } $Y } }$

스케일링 오류

Hyndman과 Koehler(2006)는 백분율 오류의 대안으로 스케일 오류를 사용할 것을 제안했다.

$MASE={\frac {\sum _{t=1}^{N}|{\frac {E_{t}}{{\frac {1}{N-m}}\sum _{t=m+1}^{N}|Y_{t}-Y_{t-m}|}}|}{N}}$ 절대 스케일 오차(MASE): $MASE={\frac {\sum _{t=1}^{N}|{\frac {E_{t}}{{\frac {1}{N-m}}\sum _{t=m+1}^{N}|Y_{t}-Y_{t-m}|}}|}{N}}$ S $MASE={\frac {\sum _{t=1}^{N}|{\frac {E_{t}}{{\frac {1}{N-m}}\sum _{t=m+1}^{N}|Y_{t}-Y_{t-m}|}}|}{N}}$ $MASE={\frac {\sum _{t=1}^{N}|{\frac {E_{t}}{{\frac {1}{N-m}}\sum _{t=m+1}^{N}|Y_{t}-Y_{t-m}|}}|}{N}}$ t $MASE={\frac {\sum _{t=1}^{N}|{\frac {E_{t}}{{\frac {1}{N-m}}\sum _{t=m+1}^{N}|Y_{t}-Y_{t-m}|}}|}{N}}$ 1 $MASE={\frac {\sum _{t=1}^{N}|{\frac {E_{t}}{{\frac {1}{N-m}}\sum _{t=m+1}^{N}|Y_{t}-Y_{t-m}|}}|}{N}}$ - m $MASE={\frac {\sum _{t=1}^{N}|{\frac {E_{t}}{{\frac {1}{N-m}}\sum _{t=m+1}^{N}|Y_{t}-Y_{t-m}|}}|}{N}}$ t $=$ + $MASE={\frac {\sum _{t=1}^{N}|{\frac {E_{t}}{{\frac {1}{N-m}}\sum _{t=m+1}^{N}|Y_{t}-Y_{t-m}|}}|}{N}}$ $MASE={\frac {\sum _{t=1}^{N}|{\frac {E_{t}}{{\frac {1}{N-m}}\sum _{t=m+1}^{N}|Y_{t}-Y_{t-m}|}}|}{N}}$ $MASE={\frac {\sum _{t=1}^{N}|{\frac {E_{t}}{{\frac {1}{N-m}}\sum _{t=m+1}^{N}|Y_{t}-Y_{t-m}|}}|}{N}}$ - $MASE={\frac {\sum _{t=1}^{N}|{\frac {E_{t}}{{\frac {1}{N-m}}\sum _{t=m+1}^{N}|Y_{t}-Y_{t-m}|}}|}{N}}$ - $MASE={\frac {\sum _{t=1}^{N}|{\frac {E_{t}}{{\frac {1}{N-m}}\sum _{t=m+1}^{N}|Y_{t}-Y_{t-m}|}}|}{N}}$ N $MASE={\frac {\sum _{t=1}^{N}|{\frac {E_{t}}{{\frac {1}{N-m}}\sum _{t=m+1}^{N}|Y_{t}-Y_{t-m}|}}|}{N}}$ { $display style$ MASE = $sum _$ { $t$ }^{ $N }$ { $frAC { 1$ } $N} Y_{t}-Y_{t-m}}}}} {N}}$

여기서 m=불규칙한 기간 또는 비규칙적인 경우 1

기타 조치

예측 스킬(SS): $\ SS=1-{\frac {MSE_{forecast}}{MSE_{ref}}}$ $\ SS=1-{\frac {MSE_{forecast}}{MSE_{ref}}}$ - $\ SS=1-{\frac {MSE_{forecast}}{MSE_{ref}}}$ $\ SS=1-{\frac {MSE_{forecast}}{MSE_{ref}}}$ $\ SS=1-{\frac {MSE_{forecast}}{MSE_{ref}}}$ $\ SS=1-{\frac {MSE_{forecast}}{MSE_{ref}}}$ $\ SS=1-{\frac {MSE_{forecast}}{MSE_{ref}}}$ $\ SS=1-{\frac {MSE_{forecast}}{MSE_{ref}}}$ e $\ SS=1-{\frac {MSE_{forecast}}{MSE_{ref}}}$ a $\ SS=1-{\frac {MSE_{forecast}}{MSE_{ref}}}$ $\ SS=1-{\frac {MSE_{forecast}}{MSE_{ref}}}$ $\ SS=1-{\frac {MSE_{forecast}}{MSE_{ref}}}$ S E $\ SS=1-{\frac {MSE_{forecast}}{MSE_{ref}}}$ $\ SS=1-{\frac {MSE_{forecast}}{MSE_{ref}}}$ { $displaystyle$ \ $SS$ = 1 - { \ $frac$ { $MSE$ _ { $forecast }$ } }

비즈니스 캐스터와 실무자는 때때로 다른 용어를 사용합니다.이들은 PMAD를 MAPE라고 부르지만 이를 볼륨 가중치 MAPE라고 계산합니다.자세한 내용은 수요 예측 정확도 계산을 참조하십시오.

특정 데이터 세트에 대해 서로 다른 예측 방법의 정확성을 비교할 때, 집계 오차 측정값을 서로 비교하여 가장 낮은 오차를 산출하는 방법을 선호한다.

트레이닝 및 테스트 세트

예측 품질을 평가할 때 모형이 과거 데이터를 얼마나 잘 적합시키는지 살펴보는 것이 잘못되었습니다. 예측의 정확도는 모형을 적합시킬 때 사용되지 않은 새 데이터에 대해 모형이 얼마나 잘 수행되는지 고려해야 합니다.모형을 선택할 때는 위의 ^[23]예제와 같이 사용 가능한 데이터의 일부를 적합에 사용하고 나머지 데이터를 모형을 검정하는 데 사용하는 것이 일반적입니다.

교차 검증

교차 검증은 테스트 세트를 교육하는 보다 정교한 버전입니다.

단면 데이터의 경우 교차 검증을 위한 한 가지 방법은 다음과 같습니다.

검정 세트에 대해 관측치 i를 선택하고 교육 세트의 나머지 관측치를 사용합니다.검정 관측치의 오차를 계산합니다.
i = 1,2,...,N에 대해 위의 단계를 반복합니다. 여기서 N은 총 관측치 수입니다.
얻어진 오차를 바탕으로 예측 정확도 측정을 계산합니다.

따라서 각 단계에서 하나의 관측치만 생략되므로 사용 가능한 데이터를 효율적으로 사용할 수 있습니다.

시계열 데이터의 경우 교육 세트에는 검정 세트 이전의 관측치만 포함될 수 있습니다.따라서 미래 관측치를 사용하여 예측을 구성할 수 없습니다.신뢰할 수 있는 예측을 생성하는 데 k개의 관측치가 필요하다고 가정하면 공정이 다음과 같이 작동합니다.

i=1부터 시작하여 검정 세트에 대한 관측치 k + i를 선택하고 1, 2, ..., k+i–1의 관측치를 사용하여 예측 모형을 추정합니다.k+i 예측값의 오차를 계산합니다.
i = 2,...에 대해 위 단계를 반복합니다.T-k 여기서 T는 관측치의 총 수입니다.
모든 오류에 대한 예측 정확도를 계산합니다.

이 절차는 예측의 기반이 되는 "원점"(k+i -1)이 시간 ^[24]내에 롤포워딩되기 때문에 "롤링 예측 원점"이라고도 합니다.또, 트레이닝 세트 직후의 값을 우선 예측하고, 그 값을 트레이닝 세트 값과 함께 사용해 2개의 기간을 예측해, 2개의 기간을 예측해, 2개의 선행 예측을 실시하는 등, 2개의 선행 예측을 산출할 수 있다.

「」를 참조해 주세요.

계절성과 주기적 행동

계절성

계절성은 데이터가 매년 반복되는 규칙적이고 예측 가능한 변화를 경험하는 시계열의 특성입니다.1년간에 걸쳐 반복되거나 반복되는 시계열의 예측 가능한 변화나 패턴은 계절적 변화라고 할 수 있습니다.식료품점이나^[25] 검시관 사무실^[26] 등 많은 상황에서 요일에 따라 수요가 달라지는 것은 흔한 일입니다.이러한 상황에서 예측 절차에서는 "계절"의 계절 지수를 계산한다. 즉, 7계절, 하루에 1계절, 즉 해당 계절의 평균 수요(그 계절에만 해당하는 과거 데이터를 사용하여 이동 평균 또는 지수 평활로 계산)의 비율이다.지수가 1보다 크면 수요가 평균보다 높음을 나타내고, 1보다 작으면 수요가 평균보다 적음을 나타냅니다.

순환 거동

데이터의 주기적 동작은 일반적으로 최소 2년 동안 지속되는 데이터에 정기적인 변동이 있고 현재 주기의 길이를 미리 결정할 수 없을 때 발생한다.주기적 행동은 계절적 행동과 혼동해서는 안 된다.계절적 변동은 매년 일정한 패턴을 따르기 때문에 그 기간은 항상 알려져 있다.예를 들면, 크리스마스 기간에는, 크리스마스 쇼핑객에 대비하기 위해서 점포의 재고가 증가하는 경향이 있다.순환행동의 예로서, 특정 자연생태계의 개체수는 자연식량원이 감소함에 따라 개체수가 감소하면 순환행동을 나타내며, 개체수가 감소하면 개체수가 회복되고 개체수가 다시 증가하기 시작한다.주기적 데이터는 고정된 기간이 아니기 때문에 일반적인 계절적 조정을 사용하여 설명할 수 없습니다.

제한 사항

한계는 예측 방법이 신뢰할 수 있게 예측할 수 없는 장벽을 만든다.신뢰성 있게 예측할 수 없는 이벤트와 값이 많이 있습니다.주사위 굴림이나 추첨 결과와 같은 사건은 랜덤 사건이고 데이터에 유의한 관계가 없기 때문에 예측할 수 없습니다.주식시장이나 외환시장 등 예측에 영향을 미치는 요소가 불분명하거나 잘 이해되지 않는 경우, 이러한 시장의 예측 결과를 신뢰할 수 있도록 이러한 시장에 영향을 미치는 모든 것에 대한 데이터가 충분하지 않기 때문에 종종 부정확하거나 잘못된 경우, 이러한 시장의 예측 결과는 b를 변화시킨다.시장 관계자의 대응이 향상되어 예측 ^[2]정확도가 더욱 저하됩니다.

"자멸적 예측"의 개념은 일부 예측이 사회적 ^[27]행동에 영향을 미침으로써 스스로를 훼손할 수 있는 방식에 관한 것이다.이는 "예측요인은 예측하려는 사회적 맥락의 일부이며 프로세스에서 해당 맥락에 영향을 미칠 수 있기 때문"^[27]이다.예를 들어, 인구의 많은 비율이 기존 추세에 따라 HIV에 감염될 것이라는 예측은 더 많은 사람들이 위험한 행동을 피하고 따라서 HIV 감염률을 감소시켜 그 예측을 무효화시킬 수 있다.또는 사이버 보안이 주요 이슈가 될 것이라는 예측은 조직이 더 많은 보안 사이버 보안 조치를 시행하게 하여 문제를 제한할 수 있습니다.

유체역학 방정식의 성능 한계

1963년 에드워드 로렌츠가 제안한 것처럼, 2주 또는 그 이상의 범위에서 만들어진 장기 일기예보는 관련된 유체역학 방정식의 혼돈한 특성 때문에 대기의 상태를 확실하게 예측하는 것이 불가능하다.수치 모델 내의 온도 및 바람과 같은 초기 입력의 극히 작은 오류는 ^[28]5일마다 두 배씩 증가합니다.

「」를 참조해 주세요.

레퍼런스

^ French, Jordan (2017). "The time traveller's CAPM". Investment Analysts Journal. 46 (2): 81–96. doi:10.1080/10293523.2016.1255469. S2CID 157962452.
^ ^a ^b Forecasting: Principles and Practice.
^ Helen Allen; Mark P. Taylor (1990). "Charts, Noise and Fundamentals in the London Foreign Exchange Market". The Economic Journal. 100 (400): 49–59. doi:10.2307/2234183. JSTOR 2234183.
^ 파운드 스털링 라이브「기관 연구원의 유로 전망」은, 외환 시장의 기술적·근본적인 분석을 포함한 종합 환율 전망의 일람.
^ T. Chadefaux (2014)."조기경보 뉴스에서 전쟁 신호"평화연구저널, 51(1), 5-18
^ J. Scott Armstrong; Kesten C. Green; Andreas Graefe (2010). "Answers to Frequently Asked Questions" (PDF). Archived from the original (PDF) on 2012-07-11. Retrieved 2012-01-23.
^ Kesten C. Greene; J. Scott Armstrong (2007). "The Ombudsman: Value of Expertise for Forecasting Decisions in Conflicts" (PDF). Interfaces: 1–12. Archived from the original (PDF) on 2010-06-20. Retrieved 2011-12-29.
^ Kesten C. Green; J. Scott Armstrong (1975). "Role thinking: Standing in other people's shoes to forecast decisions in conflicts" (PDF). Role Thinking: Standing in Other People's Shoes to Forecast Decisions in Conflicts. 39: 111–116.
^ J. Scott Armstrong; Kesten C. Green; Andreas Graefe (2010). "Answers to Frequently Asked Questions" (PDF). Archived from the original (PDF) on 2012-07-11. Retrieved 2012-01-23.
^ "FAQ". Forecastingprinciples.com. 1998-02-14. Retrieved 2012-08-28.
^ "FAQ". Forecastingprinciples.com. 1998-02-14. Retrieved 2012-08-28.
^ "Selection Tree". Forecastingprinciples.com. 1998-02-14. Retrieved 2012-08-28.
^ J. Scott Armstrong (1983). "Relative Accuracy of Judgmental and Extrapolative Methods in Forecasting Annual Earnings" (PDF). Journal of Forecasting. 2 (4): 437–447. doi:10.1002/for.3980020411. S2CID 16462529.
^ Mahmud, Tahmida; Hasan, Mahmudul; Chakraborty, Anirban; Roy-Chowdhury, Amit (19 August 2016). A poisson process model for activity forecasting. 2016 IEEE International Conference on Image Processing (ICIP). IEEE. doi:10.1109/ICIP.2016.7532978.
^ Li, Rita Yi Man; Fong, Simon; Chong, Kyle Weng Sang (2017). "Forecasting the REITs and stock indices: Group Method of Data Handling Neural Network approach". Pacific Rim Property Research Journal. 23 (2): 123–160. doi:10.1080/14445921.2016.1225149. S2CID 157150897.
^ ^a ^b ^c ^d ^e 2.3 Some simple forecasting methods - OTexts. www.otexts.org. Retrieved 16 March 2018.
^ Steven Nahmias; Tava Lennon Olsen (15 January 2015). Production and Operations Analysis: Seventh Edition. Waveland Press. ISBN 978-1-4786-2824-8.
^ Ellis, Kimberly (2008). Production Planning and Inventory Control Virginia Tech. McGraw Hill. ISBN 978-0-390-87106-0.
^ J. Scott Armstrong and Fred Collopy (1992). "Error Measures For Generalizing About Forecasting Methods: Empirical Comparisons" (PDF). International Journal of Forecasting. 8: 69–80. CiteSeerX 10.1.1.423.508. doi:10.1016/0169-2070(92)90008-w. Archived from the original (PDF) on 2012-02-06.
^ 16. Li, Rita Yi Man, Fong, S., Chong, W.S. (2017년) 리츠 및 주가지수 예측: 뉴럴 네트워크 대응 데이터 그룹 방법, 환태평양 속성 연구 저널, 23(2), 1-38
^ 3.1 Introduction - OTexts. www.otexts.org. Retrieved 16 March 2018.
^ V. Nos (2021). "Geometric Extrapolation of Integer Sequences". {{cite journal}}:Cite 저널 요구 사항 journal=(도움말)
^ 2.5 Evaluating forecast accuracy OTexts. www.otexts.org. Retrieved 2016-05-14.
^ 2.5 Evaluating forecast accuracy OTexts. www.otexts.org. Retrieved 2016-05-17.
^ Erhun, F.; Tayur, S. (2003). "Enterprise-Wide Optimization of Total Landed Cost at a Grocery Retailer". Operations Research. 51 (3): 343. doi:10.1287/opre.51.3.343.14953.
^ Omalu, B. I.; Shakir, A. M.; Lindner, J. L.; Tayur, S. R. (2007). "Forecasting as an Operations Management Tool in a Medical Examiner's Office". Journal of Health Management. 9: 75–84. doi:10.1177/097206340700900105. S2CID 73325253.
^ ^a ^b Overland, Indra (2019-03-01). "The geopolitics of renewable energy: Debunking four emerging myths". Energy Research & Social Science. 49: 36–40. doi:10.1016/j.erss.2018.10.018. ISSN 2214-6296.
^ Cox, John D. (2002). Storm Watchers. John Wiley & Sons, Inc. pp. 222–224. ISBN 978-0-471-38108-2.

Armstrong, J. Scott, ed. (2001). Principles of Forecasting: A Handbook for Researchers and Practitioners. Norwell, Massachusetts: Kluwer Academic Publishers. ISBN 978-0-7923-7930-0.
Ellis, Kimberly (2010). Production Planning and Inventory Control. McGraw-Hill. ISBN 978-0-412-03471-8.
Geisser, Seymour (June 1993). Predictive Inference: An Introduction. Chapman & Hall, CRC Press. ISBN 978-0-390-87106-0.
Gilchrist, Warren (1976). Statistical Forecasting. London: John Wiley & Sons. ISBN 978-0-471-99403-9.
Hyndman, Rob J.; Koehler, Anne B. (October–December 2006). "Another look at measures of forecast accuracy" (PDF). International Journal of Forecasting. 22 (4): 679–688. CiteSeerX 10.1.1.154.9771. doi:10.1016/j.ijforecast.2006.03.001.
Makridakis, Spyros; Wheelwrigt, Steven; Hyndman, Rob J. (1998). Forecasting: Methods and Applications. John Wiley & Sons. ISBN 978-0-471-53233-0.
Malakooti, Behnam (February 2014). Operations and Production Systems with Multiple Objectives. John Wiley & Sons. ISBN 978-0-470-03732-4.
Kaligasidis, Angela Sasic; Taesler, Roger; Andersson, Cari; Nord, Margitta (August 2006). "Upgraded weather forecast control of building heating systems". In Fazio, Paul (ed.). Research in Building Physics and Building Engineering. Taylor & Francis, CRC Press. pp. 951–958. ISBN 978-0-415-41675-7.
Kress, George J.; Snyder, John (May 1994). Forecasting and Market Analysis Techniques: A Practical Approach. Quorum Books. ISBN 978-0-89930-835-7.
Rescher, Nicholas (1998). Predicting the Future: An Introduction to the Theory of Forecasting. State University of New York Press. ISBN 978-0-7914-3553-3.
Taesler, Roger (1991). "Climate and Building Energy Management". Energy and Buildings. 15 (1–2): 599–608. doi:10.1016/0378-7788(91)90028-2.
Turchin, Peter (2007). "Scientific Prediction in Historical Sociology: Ibn Khaldun meets Al Saud". History & Mathematics: Historical Dynamics and Development of Complex Societies. Moscow: KomKniga. pp. 9–38. ISBN 978-5-484-01002-8.
미국 특허 6098893, Berglund, Ulf Stefan & Lundberg, Bjorn Henry, "기상 예보 데이터를 포함하는 쾌적 제어 시스템 및 그러한 시스템을 작동하기 위한 방법"은 2000년 8월 8일에 발표되었습니다.

외부 링크

Wikimedia Commons 예측 관련 매체
예측 원칙: "증거에 근거한 예측"
국제 기상 캐스터 협회
시계열 분석 입문(엔지니어링 통계 핸드북) - 시계열 분석 및 예측 실무 가이드
시계열 분석
IF를 사용한 글로벌 예측
지진 전자 전구체 연구
예측과학과 예측이론

[1] French, Jordan (2017). "The time traveller's CAPM". Investment Analysts Journal. 46 (2): 81–96. doi:10.1080/10293523.2016.1255469. S2CID 157962452.

[https://www.otexts.org/fpp/1/1-2] Forecasting: Principles and Practice.

[3] Helen Allen; Mark P. Taylor (1990). "Charts, Noise and Fundamentals in the London Foreign Exchange Market". The Economic Journal. 100 (400): 49–59. doi:10.2307/2234183. JSTOR 2234183.

[InstutionalResearch-4] 파운드 스털링 라이브「기관 연구원의 유로 전망」은, 외환 시장의 기술적·근본적인 분석을 포함한 종합 환율 전망의 일람.

[5] T. Chadefaux (2014)."조기경보 뉴스에서 전쟁 신호"평화연구저널, 51(1), 5-18

[6] J. Scott Armstrong; Kesten C. Green; Andreas Graefe (2010). "Answers to Frequently Asked Questions" (PDF). Archived from the original (PDF) on 2012-07-11. Retrieved 2012-01-23.

[7] Kesten C. Greene; J. Scott Armstrong (2007). "The Ombudsman: Value of Expertise for Forecasting Decisions in Conflicts" (PDF). Interfaces: 1–12. Archived from the original (PDF) on 2010-06-20. Retrieved 2011-12-29.

[8] Kesten C. Green; J. Scott Armstrong (1975). "Role thinking: Standing in other people's shoes to forecast decisions in conflicts" (PDF). Role Thinking: Standing in Other People's Shoes to Forecast Decisions in Conflicts. 39: 111–116.

[9] J. Scott Armstrong; Kesten C. Green; Andreas Graefe (2010). "Answers to Frequently Asked Questions" (PDF). Archived from the original (PDF) on 2012-07-11. Retrieved 2012-01-23.

[10] "FAQ". Forecastingprinciples.com. 1998-02-14. Retrieved 2012-08-28.

[11] "FAQ". Forecastingprinciples.com. 1998-02-14. Retrieved 2012-08-28.

[12] "Selection Tree". Forecastingprinciples.com. 1998-02-14. Retrieved 2012-08-28.

[13] J. Scott Armstrong (1983). "Relative Accuracy of Judgmental and Extrapolative Methods in Forecasting Annual Earnings" (PDF). Journal of Forecasting. 2 (4): 437–447. doi:10.1002/for.3980020411. S2CID 16462529.

[14] Mahmud, Tahmida; Hasan, Mahmudul; Chakraborty, Anirban; Roy-Chowdhury, Amit (19 August 2016). A poisson process model for activity forecasting. 2016 IEEE International Conference on Image Processing (ICIP). IEEE. doi:10.1109/ICIP.2016.7532978.

[15] Li, Rita Yi Man; Fong, Simon; Chong, Kyle Weng Sang (2017). "Forecasting the REITs and stock indices: Group Method of Data Handling Neural Network approach". Pacific Rim Property Research Journal. 23 (2): 123–160. doi:10.1080/14445921.2016.1225149. S2CID 157150897.

[otexts.org-16] 2.3 Some simple forecasting methods - OTexts. www.otexts.org. Retrieved 16 March 2018.

[NahmiasOlsen2015-17] Steven Nahmias; Tava Lennon Olsen (15 January 2015). Production and Operations Analysis: Seventh Edition. Waveland Press. ISBN 978-1-4786-2824-8.

[18] Ellis, Kimberly (2008). Production Planning and Inventory Control Virginia Tech. McGraw Hill. ISBN 978-0-390-87106-0.

[19] J. Scott Armstrong and Fred Collopy (1992). "Error Measures For Generalizing About Forecasting Methods: Empirical Comparisons" (PDF). International Journal of Forecasting. 8: 69–80. CiteSeerX 10.1.1.423.508. doi:10.1016/0169-2070(92)90008-w. Archived from the original (PDF) on 2012-02-06.

[20] 16. Li, Rita Yi Man, Fong, S., Chong, W.S. (2017년) 리츠 및 주가지수 예측: 뉴럴 네트워크 대응 데이터 그룹 방법, 환태평양 속성 연구 저널, 23(2), 1-38

[21] 3.1 Introduction - OTexts. www.otexts.org. Retrieved 16 March 2018.

[22] V. Nos (2021). "Geometric Extrapolation of Integer Sequences". {{cite journal}}:Cite 저널 요구 사항 journal=(도움말)

[23] 2.5 Evaluating forecast accuracy OTexts. www.otexts.org. Retrieved 2016-05-14.

[24] 2.5 Evaluating forecast accuracy OTexts. www.otexts.org. Retrieved 2016-05-17.

[25] Erhun, F.; Tayur, S. (2003). "Enterprise-Wide Optimization of Total Landed Cost at a Grocery Retailer". Operations Research. 51 (3): 343. doi:10.1287/opre.51.3.343.14953.

[26] Omalu, B. I.; Shakir, A. M.; Lindner, J. L.; Tayur, S. R. (2007). "Forecasting as an Operations Management Tool in a Medical Examiner's Office". Journal of Health Management. 9: 75–84. doi:10.1177/097206340700900105. S2CID 73325253.

[:0-27] Overland, Indra (2019-03-01). "The geopolitics of renewable energy: Debunking four emerging myths". Energy Research & Social Science. 49: 36–40. doi:10.1016/j.erss.2018.10.018. ISSN 2214-6296.

[28] Cox, John D. (2002). Storm Watchers. John Wiley & Sons, Inc. pp. 222–224. ISBN 978-0-471-38108-2.

[1]

[2]

[3]

[4]

[5]

[6]

[7]

[8]

[9]

[10]

[11]

[12]

[13]

[14]

[15]

[16]

[17]

[18]

[19]

[20]

[21]

[22]

[23]

[24]

[25]

[26]

[27]

[28]

Search

예측

네임스페이스

더

목차

적용들

트레이닝, 베팅, 미래 정치로서의 예측