2023年6月21日发(作者：)

运用时间序列预测方法进行案例分析

考虑季节因素

许多年来，ccw一直有一个传统的观点；一年中前3个季度的呼叫量（销售量）十分稳定，在第四个季度会一跃上升25%。这是25%规则的基础、

为了检验传统观点与现实的接近程度，咨询员给出的数据计算量过去三年中每个季度的平均呼叫量.

与25%规则相比，第四季度的季节性因子仅比第三季度搞19个百分点（然而第四季度的季节性因子比前三个季度的季节性因子的平均值0.94高出约25）。尽管没有近三年以前的呼叫量数据，但可靠的销售量数据被保存下来。通过检查前几年的数据，莉迪亚发现了相同的季节影响模式。

季节调整的时间序列

如果先对数据进行去除季节因素影响的处理，再分析销售量数据，则发现新的趋势会容易的多。

实际上去除季节因素的呼叫量表示了如果在一年特定时间（圣诞采购、开学前采购等）的呼叫量平均分配到整个年度时呼叫量将会是多少。

季节调整的时间序列的波动形式（特别是最近的数据点的波动形式）对预测下一个数据点落在什么地方特别有用。而最后一点是整个时间序列中最高的的一点。这表面下一个季度的数据点会高于平均数7529并可能在最后一点8178附近甚至更高。

各种时间序列预测方法采用不同的途径来外推去除季节因素影响的时间序列的趋势一预测下一个数据点。这一节降介绍主要的几种方法。

就像下面的概要一样，在得到了去除季节因素影响的预测之后，所有这些方法将再把预测结果转化为实际的呼叫量预测值(没有季节因素调整)。

预测呼叫量过程的概要

1. 选择时间序列预测方法。

2. 将此方法用于经过季节调整的时间序列，得到下一个季度季节调整的呼叫量预测。

3. 将这个预测值乘以相应的季节性因子，得到实际预测呼叫量（没有季节因素调整）。

下面对预测方法的描述集中于如何实现第二步，也就是如何根据给定的时间序列预测下一个数据点。我们还在每一种方法中使用电子表格，以过去三年的数据完成步骤2、3，并计算MAD（平均预测误差）和MSE（平均预测误差方差）。莉亚迪和咨询员特别关注MAD的值，用MAD值来评估哪一种方法最适于预测CCW的呼叫量。

上期预测值法

上期预测值法忽略了除最后一个数据点外的时间序列的所有数据点。它使用最后的一个值作为下一个数据点的预测值，于是公式非常简单；

预期值=上期值

第二年第一季度的呼叫量实际预测值为；

实际预测值=（0.93）（7005）=6515

由于呼叫量的实际只是7257，故单元格H10表示的改季度预测值误差为；

预测误差值=7257-6517=724

平均值预测方法

平均预测值方法走了另一个极端。这种方法使用时间序列的全部数据点，而非一个，并简单地球了平均值。所以下一个数据点的预测值为；

预测值=所有数据点球平均值

将F列的季节调整预测值乘以K列对应的季节性因子得到G列所示实际呼叫量预测值。通过H列给出的相应预测误差得到使用该方法的平均预测误差（单元格K23）为；

MAD=400

大大高于用上上期预测得到的295.同样，平均预测误差方差在单元格K26中为；

MSE=242876

这也大大高于用上期值预测法得到的145909.

移动平均预测方法

指数平滑预测方法

指数平滑预测方法是对移动平均方法的改进，将最重的权重赋予时间序列最近的值，将比较轻的权重赋予较老的值。它使用一个简单的公式获得结果二不必每次都计算加权平均。

2023年6月21日发(作者：)

运用时间序列预测方法进行案例分析

考虑季节因素

许多年来，ccw一直有一个传统的观点；一年中前3个季度的呼叫量（销售量）十分稳定，在第四个季度会一跃上升25%。这是25%规则的基础、

为了检验传统观点与现实的接近程度，咨询员给出的数据计算量过去三年中每个季度的平均呼叫量.

与25%规则相比，第四季度的季节性因子仅比第三季度搞19个百分点（然而第四季度的季节性因子比前三个季度的季节性因子的平均值0.94高出约25）。尽管没有近三年以前的呼叫量数据，但可靠的销售量数据被保存下来。通过检查前几年的数据，莉迪亚发现了相同的季节影响模式。

季节调整的时间序列

如果先对数据进行去除季节因素影响的处理，再分析销售量数据，则发现新的趋势会容易的多。

实际上去除季节因素的呼叫量表示了如果在一年特定时间（圣诞采购、开学前采购等）的呼叫量平均分配到整个年度时呼叫量将会是多少。

季节调整的时间序列的波动形式（特别是最近的数据点的波动形式）对预测下一个数据点落在什么地方特别有用。而最后一点是整个时间序列中最高的的一点。这表面下一个季度的数据点会高于平均数7529并可能在最后一点8178附近甚至更高。

各种时间序列预测方法采用不同的途径来外推去除季节因素影响的时间序列的趋势一预测下一个数据点。这一节降介绍主要的几种方法。

就像下面的概要一样，在得到了去除季节因素影响的预测之后，所有这些方法将再把预测结果转化为实际的呼叫量预测值(没有季节因素调整)。

预测呼叫量过程的概要

1. 选择时间序列预测方法。

2. 将此方法用于经过季节调整的时间序列，得到下一个季度季节调整的呼叫量预测。

3. 将这个预测值乘以相应的季节性因子，得到实际预测呼叫量（没有季节因素调整）。

下面对预测方法的描述集中于如何实现第二步，也就是如何根据给定的时间序列预测下一个数据点。我们还在每一种方法中使用电子表格，以过去三年的数据完成步骤2、3，并计算MAD（平均预测误差）和MSE（平均预测误差方差）。莉亚迪和咨询员特别关注MAD的值，用MAD值来评估哪一种方法最适于预测CCW的呼叫量。

上期预测值法

上期预测值法忽略了除最后一个数据点外的时间序列的所有数据点。它使用最后的一个值作为下一个数据点的预测值，于是公式非常简单；

预期值=上期值

第二年第一季度的呼叫量实际预测值为；

实际预测值=（0.93）（7005）=6515

由于呼叫量的实际只是7257，故单元格H10表示的改季度预测值误差为；

预测误差值=7257-6517=724

平均值预测方法

平均预测值方法走了另一个极端。这种方法使用时间序列的全部数据点，而非一个，并简单地球了平均值。所以下一个数据点的预测值为；

预测值=所有数据点球平均值

将F列的季节调整预测值乘以K列对应的季节性因子得到G列所示实际呼叫量预测值。通过H列给出的相应预测误差得到使用该方法的平均预测误差（单元格K23）为；

MAD=400

大大高于用上上期预测得到的295.同样，平均预测误差方差在单元格K26中为；

MSE=242876

这也大大高于用上期值预测法得到的145909.

移动平均预测方法

指数平滑预测方法

指数平滑预测方法是对移动平均方法的改进，将最重的权重赋予时间序列最近的值，将比较轻的权重赋予较老的值。它使用一个简单的公式获得结果二不必每次都计算加权平均。