clementine自带实例_时间序列.ppt

数据挖掘论坛 补充视频 Clementine时间序列预测模型 邮箱:347346073@ 公司对预测男装销售额感兴趣，现手头有最近十年的销售数据 流文件\demos\classification_module\catalog_forecast.str 数据文件 \demos\catalog_seasfac.sav 预测男装销售额 先画出时间序列图，以便决定使用哪种模型。看图是帮助你选择模型的常用方法【】。你应该问自己以下问题： 序列是否有总体趋势？如果有，这个趋势会持续，还是会随着时间衰减？【】 这个序列是否展现出季节性？如果是，季节波动性是 随着时间增强还是保持总体不变？ 高中，大学，解数学题 经济学上边际效用递减，数学二阶导数不为零 拖入SPSS源节点，选择需要建模的数据文件 点击读取按钮 把men字段的方向置为输出 其余字段的方向置为无 添加一个时间区间节点至SPSS源节点 双击时间区间节点，选择时间区间为月 选择从数据构建 选择字段为date 添加一个时间散点图至时间区间节点 增加men字段到序列当中 去掉标准化的勾 点击执行 序列图分析： 1.序列图显示大体是上升趋势，上升趋势看起来是持续的，展示了其线性趋势。 2.如竖轴所示，销售额有明显的季节差异，一年中12月销售额最高。季节波动性随着时间的推移而增强，因此比起加数算法，我们应更多的考虑乘数算法。 确认了序列图特征之后，我们可以开始试着建立模型了。指数平滑法对这种趋势，季节性波动的时间序列是有用的。 构建一个最优的指数平滑模型包括确定模型类型——模型是否需要包含趋势，季节性或者两者兼顾——然后为模型设置最佳参数。 从男装的销售额序列图可以看出，销售额既有线性趋势成分，也有乘数季节性成分，由此我们应该用Winters模型。 方法一 ： 首先，我们先探索一个 简单模型（不考虑趋势和季节性）然后试验-- Holt模型（考虑线性趋势但不考虑季节性）。这样做是为了练习选择哪种模型更适合当前的数据，这是成功建模的基本技巧。 添加一个时间序列节点至时间区间 在模型标签下，设置方法为指数平滑 点击执行生成模型 点击确定关闭时间序列对话框 将生成的模型节点连接至时间分区节点 将时间散点图节点连接至生成的模型节点 图标签，在序列添加字段men和$TS-men 去掉在单独面板中显示序列和标准化的钩，点击执行 尝试一个简单的指数平滑模型 men表示实际数据，$TS-men表示时间序列数据。 尽管这个简单的模型展示了逐步（但略显呆板）的上升趋势，但是它没考虑到季节性。你可以安全的丢弃这个模型。 点击确定关闭时间散点图 删掉生成的模型，但留下时间散点图节点 我们再来试下Holts线性模型。至少相对简单的模型，它能更好的反应趋势，尽管它也对季节性的反应不够好 双击时间序列节点 在模型标签一栏，确认建模方法还是线性平滑，点击标准 选取Holts线性趋势 点击确定关闭对话框，点击执行 把生成的模型连接到时间分区节点 将模型输出流连接到时间散点图，做图 Holts模型生成并展现了带有上升趋势特征的比简单模型更为平滑的效果图，但它依然没有把季节性考虑进去，所以我们同样可以舍弃这个模型。 关闭散点图，并将刚生成的建模节点从数据流区域中删去 你可能会想起，开始时画的时间散点图显示，男装销售数据同时具有线性上升趋势和乘数季节性。因此更合适的模型，是Winters模型 重新打开时间序列节点，在建模标签，确认指数平滑依然被选中，点击标准 选择Winters乘数法 点击确定，点击执行以生成新模型 连接新模型至时间分区节点，连接时间散点图至新模型节点 这样看起来更好一些吧~这个模型既反映了数据的趋势性又反映了数据的季节性 本数据集包含十年以及发生在每年十二月的季节性峰值。这十个峰值预测结果跟实际数据相当吻合。 然而，预测结果依然过于强调指数平滑的限制。观察上升下降尖锐的部分，该模型还有一些显著的结构没有考虑到。 如果你首要关心的是模型的长期趋势，再加上一点季节性波动，那么指数平滑可能是一个不错的选择。要建一个更复杂模型，我们可以考虑用ARIMA（自回归求和移动平均模式autoregressive integrated moving average）过程 ARIMA过程能为时间序列创建细微调整的自回归求和移动平均模型。相比指数平滑算法，对于趋势和季节ARIMA提供了更为灵活的建模方法。并且允许在模型中增加预测变量的收益。 方法二： 继续讨论列表公司要建立预测模型的例子，目前为止，我们看到公司是怎样收集男装销售额月数据以及用它们来解释销售额的变化。我们可能还有邮件数，接受订单电话的数量，客户代表数量等数据。 这些数据对于预测有用吗？多因子模型真的比单因子模型好？