IDEAS home Printed from https://ideas.repec.org/a/vrs/itmasc/v15y2012i1p65-69n9.html
   My bibliography  Save this article

A Comparative Analysis of Short Time Series Processing Methods

Author

Listed:
  • Kirshners Arnis
  • Borisov Arkady

    (Riga Technical University)

Abstract

В статье анализируются традиционные методы обработки временных рядов, которые используются в задачах прогнозирования спроса для анализа коротких временных рядов. Как правило, анализируя данные спроса, которые рассматриваются в качестве временных рядов и представляют собой исторический спрос продукта в определенной единице времени, появляется необходимость прогноза, чтобы определить потенциальный спрос на этот продукт в будущем. Прогноз помогает снизить риски принятия решения, возникающие, например, при заказе необходимого количества продуктов на следующий период. Традиционно, анализ временных рядов основан на процессе поиска закономерностей в долгосрочном периоде, анализируя изменения значения в определенном моменте времени, в результате чего определяется прогноз в будущем. Цель прогноза - эффективно снизить влияние случайных факторов на конечный результат, а также помочь лицу, принимающему решение, выбрать правильную стратегию для принятия решения. Достоверность прогноза определяется при расчёте ошибки подхода или метода. Но на практике встречаются задачи, в которых историческая информация о спросе доступна с очень небольшим количеством статистических данных, это, например, торговля коллекционной одеждой, в медицине - анализ экспрессии генов, в фармакологии - анализ воздействия препарата в коротком временном интервале и т.д. В данной статье анализируются методы экспоненциального сглаживания, экспоненциального сглаживания с тенденциями развития и скользящего среднего. Описано построение и принципы работы этих методов. Целью статьи является проверка возможности применения этих методов, анализируя короткие временные ряды. Проведены исследования с использованием реальных данных спроса. Оценены результаты и предложены рекомендации по применению этих методов в анализе коротких временных рядов.

Suggested Citation

  • Kirshners Arnis & Borisov Arkady, 2012. "A Comparative Analysis of Short Time Series Processing Methods," Information Technology and Management Science, Sciendo, vol. 15(1), pages 65-69, December.
  • Handle: RePEc:vrs:itmasc:v:15:y:2012:i:1:p:65-69:n:9
    DOI: 10.2478/v10313-012-0009-4
    as

    Download full text from publisher

    File URL: https://doi.org/10.2478/v10313-012-0009-4
    Download Restriction: no

    File URL: https://libkey.io/10.2478/v10313-012-0009-4?utm_source=ideas
    LibKey link: if access is restricted and if your library uses this service, LibKey will redirect you to where you can use your library subscription to access this item
    ---><---

    References listed on IDEAS

    as
    1. Armstrong, J. Scott & Collopy, Fred & Yokum, J. Thomas, 2005. "Decomposition by causal forces: a procedure for forecasting complex time series," International Journal of Forecasting, Elsevier, vol. 21(1), pages 25-36.
    2. Enrique de Alba & Manuel Mendoza, 2007. "Bayesian Forecasting Methods for Short Time Series," Foresight: The International Journal of Applied Forecasting, International Institute of Forecasters, issue 8, pages 41-44, Fall.
    Full references (including those not matched with items on IDEAS)

    Most related items

    These are the items that most often cite the same works as this one and are cited by the same works as this one.
    1. Armstrong, J. Scott & Green, Kesten C. & Graefe, Andreas, 2015. "Golden rule of forecasting: Be conservative," Journal of Business Research, Elsevier, vol. 68(8), pages 1717-1731.
    2. Muñoz Negrón, David F. & Muñoz Medina, Diego F., 2009. "Bayesian Forecastings For Automobile Parts Using Stochastic Simulation," Journal of Economics, Finance and Administrative Science, Universidad ESAN, vol. 14(27), pages 7-20.
    3. Armstrong, J. Scott, 2006. "Findings from evidence-based forecasting: Methods for reducing forecast error," International Journal of Forecasting, Elsevier, vol. 22(3), pages 583-598.
    4. Germán Rubio Guerrero, 2017. "Perspectiva multivariante de los pronósticos en las pymes industriales de Ibagué (Colombia)," Revista Facultad de Ciencias Económicas, Universidad Militar Nueva Granada, vol. 25(2), pages 25-40, September.
    5. Anqiang Huang & Kin Keung Lai & Han Qiao & Shouyang Wang & Zhenji Zhang, 2018. "Does Interval Knowledge Sharpen Forecasting Models? Evidence from China’s Typical Ports," International Journal of Information Technology & Decision Making (IJITDM), World Scientific Publishing Co. Pte. Ltd., vol. 17(02), pages 467-483, March.

    More about this item

    Statistics

    Access and download statistics

    Corrections

    All material on this site has been provided by the respective publishers and authors. You can help correct errors and omissions. When requesting a correction, please mention this item's handle: RePEc:vrs:itmasc:v:15:y:2012:i:1:p:65-69:n:9. See general information about how to correct material in RePEc.

    If you have authored this item and are not yet registered with RePEc, we encourage you to do it here. This allows to link your profile to this item. It also allows you to accept potential citations to this item that we are uncertain about.

    If CitEc recognized a bibliographic reference but did not link an item in RePEc to it, you can help with this form .

    If you know of missing items citing this one, you can help us creating those links by adding the relevant references in the same way as above, for each refering item. If you are a registered author of this item, you may also want to check the "citations" tab in your RePEc Author Service profile, as there may be some citations waiting for confirmation.

    For technical questions regarding this item, or to correct its authors, title, abstract, bibliographic or download information, contact: Peter Golla (email available below). General contact details of provider: https://www.sciendo.com .

    Please note that corrections may take a couple of weeks to filter through the various RePEc services.

    IDEAS is a RePEc service. RePEc uses bibliographic data supplied by the respective publishers.