ชี้แจง เคลื่อนไหว เฉลี่ย หายไป ค่า

วิธีง่ายๆและทั่วไปสำหรับการกรอกข้อมูลที่ขาดหายไปหากคุณใช้งานข้อมูลที่สมบูรณ์ข้อมูลก็คือการใช้การถดถอยเชิงเส้น สมมติว่าคุณมีจำนวนการทำงาน 1000 ครั้งติดต่อกัน 5 ครั้งโดยไม่มีข้อมูลใดพลาด ตั้งค่าเวคเตอร์ 1000 x 1 y และ 1000 x 4 เมทริกซ์ X: การถดถอยจะทำให้คุณมีตัวเลข 4 ตัว b c d ที่ให้ข้อมูลที่ดีที่สุดสำหรับข้อมูล 1000 แถวของคุณ mdash ข้อมูลต่างๆแตกต่างกัน b c d จากนั้นคุณจะใช้ค่า b c d ในการประมาณ (ทำนาย interpolate) ขาดหายไป wt0 (สำหรับน้ำหนักของมนุษย์ Id คาดว่า abcd จะเป็นรอบ ๆ 14) (มี zillions ของหนังสือและเอกสารเกี่ยวกับการถดถอยในทุกระดับสำหรับการเชื่อมต่อกับการแก้ไขแม้ว่าฉันไม่ทราบของทุกคนแนะนำดี) Smoothing และกรอง เป็นเทคนิคสองชุดที่ใช้บ่อยที่สุดในการลบเสียงรบกวนจากข้อมูลพื้นฐานเพื่อช่วยในการเปิดเผยคุณลักษณะและองค์ประกอบที่สำคัญ (เช่นแนวโน้มฤดูกาลเป็นต้น) อย่างไรก็ตามเรายังสามารถใช้การปรับให้เรียบเพื่อเติมค่าที่ขาดหายไปและดำเนินการคาดการณ์ได้ ในบทความนี้เราจะพูดถึง 5 วิธีในการทำให้เรียบ: การถ่วงน้ำหนักแบบถัวเฉลี่ยถ่วงน้ำหนัก (WMA i) การเรียบเรียบแบบเอ็กซ์เรนแนนเชียลเรียบการเพิ่มความเปรียบเชิงเลขสองเท่าการเรียบแบบเสแสร้งแบบเส้นตรง ทำไมเราควรดูแล Smoothing จึงมักถูกใช้ (และถูกทารุณกรรม) ในอุตสาหกรรมเพื่อทำการตรวจสอบคุณสมบัติข้อมูลอย่างรวดเร็ว (เช่นแนวโน้มแนวโน้มฤดูกาลเป็นต้น) ให้พอดีกับค่าที่ขาดหายไปและดำเนินการอย่างรวดเร็ว พยากรณ์ ทำไมเราจึงมีฟังก์ชันการทำให้ราบรื่นมากเท่าที่เราจะเห็นในเอกสารฉบับนี้แต่ละฟังก์ชันทำงานสำหรับสมมติฐานที่แตกต่างกันเกี่ยวกับข้อมูลพื้นฐาน ยกตัวอย่างเช่นการเรียบแบบเรียบง่ายสมมติว่าข้อมูลมีค่าเฉลี่ยที่เสถียร (หรืออย่างน้อยค่าเฉลี่ยที่เคลื่อนที่ช้า) การเรียบง่ายในการชี้แจงแบบง่ายจะทำให้ข้อมูลพยากรณ์มีแนวโน้มฤดูกาลหรือมีแนวโน้มลดลง ในบทความนี้เราจะพูดถึงฟังก์ชันการทำให้ราบเรียบแต่ละข้อโดยเน้นสมมติฐานและพารามิเตอร์และสาธิตการประยุกต์ใช้ผ่านตัวอย่าง ค่าเฉลี่ยถ่วงน้ำหนัก (Weighted Moving Average - WMA) ใช้ค่าเฉลี่ยเคลื่อนที่โดยใช้ข้อมูลชุดข้อมูลแบบเรียลไทม์เพื่อลดความผันผวนในระยะสั้นและเน้นแนวโน้มหรือรอบระยะยาว ค่าเฉลี่ยถ่วงน้ำหนักที่ถ่วงน้ำหนักมีปัจจัยคูณเพื่อให้น้ำหนักที่ต่างกันกับข้อมูลในตำแหน่งต่างๆในหน้าต่างตัวอย่าง ค่าเฉลี่ยถ่วงน้ำหนักที่ถ่วงน้ำหนักมีหน้าต่างคงที่ (เช่น N) และปัจจัยต่างๆมักถูกเลือกให้มีน้ำหนักมากขึ้นในการสังเกตล่าสุด ขนาดของหน้าต่าง (N) กำหนดจำนวนจุดเฉลี่ยในแต่ละครั้งดังนั้นขนาดของหน้าต่างที่ใหญ่กว่าจึงไม่ตอบสนองต่อการเปลี่ยนแปลงใหม่ในชุดเวลาเดิมและขนาดหน้าต่างเล็ก ๆ อาจทำให้มีเสียงดังออกมาได้อย่างราบรื่น สำหรับตัวอย่างจากการคาดการณ์ตัวอย่าง: ตัวอย่างที่ 1: พิจารณายอดขายรายเดือนของ บริษัท X โดยใช้ค่าเฉลี่ยเคลื่อนที่ 4 เดือน (มีค่าถัวเฉลี่ยถ่วงน้ำหนัก) โปรดทราบว่าค่าเฉลี่ยเคลื่อนที่อยู่เบื้องหลังข้อมูลอยู่เสมอและการคาดการณ์ที่ไม่อยู่ในกลุ่มตัวอย่างจะแปรผันไปเป็นค่าคงที่ ให้ลองใช้รูปแบบการถ่วงน้ำหนัก (ดูด้านล่าง) ซึ่งจะให้ความสำคัญกับการสังเกตล่าสุด เราวางแผนค่าเฉลี่ยถ่วงน้ำหนักที่ถ่วงน้ำหนักและ WMA บนกราฟเดียวกัน WMA ดูเหมือนว่าจะตอบสนองต่อการเปลี่ยนแปลงล่าสุดและการคาดการณ์ตัวอย่างที่ไม่อยู่ในกลุ่มมีค่าเท่ากับค่าเฉลี่ยเคลื่อนที่ ตัวอย่างที่ 2: ให้ตรวจสอบ WMA ในกรณีที่มีแนวโน้มและตามฤดูกาล ตัวอย่างเช่นใช้ข้อมูลสายการบินผู้โดยสารระหว่างประเทศได้ดี หน้าต่างเฉลี่ยเคลื่อนที่เฉลี่ย 12 เดือน MA และ WMA ให้ทันกับแนวโน้ม แต่การคาดการณ์ที่ไม่คาดคิดจะเบาบางลง นอกจากนี้แม้ว่า WMA จะแสดงถึงฤดูกาลบางอย่าง แต่ก็ยังคงอยู่เบื้องหลังข้อมูลเดิมอยู่เสมอ (Browns) การเรียบง่ายแบบ Exponential การเรียบง่ายชี้แจงมีความคล้ายคลึงกับ WMA โดยมีข้อยกเว้นว่าขนาดหน้าต่างถ้าไม่มีที่สิ้นสุดและปัจจัยการถ่วงน้ำหนักลดลงอย่างมาก ตามที่เราได้เห็นใน WMA คำอธิบายง่าย ๆ นี้เหมาะสำหรับซีรีส์เวลาที่มีค่าคงที่เป็นค่าคงที่หรืออย่างน้อยค่าเฉลี่ยที่เคลื่อนที่ช้ามาก ตัวอย่างที่ 1: อนุญาตให้ใช้ข้อมูลการขายรายเดือน (เช่นเดียวกับที่เราทำในตัวอย่าง WMA) ในตัวอย่างข้างต้นเราเลือกค่า smoothing factor เป็น 0.8 ซึ่งจะถามคำถามว่าอะไรคือค่าที่ดีที่สุดสำหรับตัวปรับความเรียบโดยประมาณค่าที่ดีที่สุดจากข้อมูลโดยใช้ฟังก์ชัน TSSUB (คำนวณข้อผิดพลาด), SUMSQ และ Excel ตารางข้อมูลเราคำนวณผลรวมของข้อผิดพลาด (SSE) และวางแผนผลลัพธ์: SSE ถึงค่าต่ำสุดประมาณ 0.8 ดังนั้นเราจึงเลือกค่านี้สำหรับการทำให้ราบเรียบของเรา (Holt-Winters) Double Exonential Smoothing การเรียบง่ายแบบเสแสร้งไม่ได้ทำดีในที่ที่มีแนวโน้มดังนั้นจึงมีหลายวิธีที่คิดค้นขึ้นภายใต้ร่มเลขคู่ที่นำเสนอเพื่อจัดการกับข้อมูลประเภทนี้ NumXL รองรับ Holon-winters แบบ double exponential smoothing ซึ่งใช้สูตรดังต่อไปนี้ตัวอย่างที่ 1: ตรวจสอบข้อมูลสายการบินผู้โดยสารระหว่างประเทศเราเลือกค่า Alpha เท่ากับ 0.9 และ Beta 0.1 โปรดทราบว่าแม้ว่าการปรับให้เรียบอย่างราบรื่นจะทำให้ข้อมูลต้นฉบับดีขึ้นการคาดการณ์ที่ไม่ได้ใช้ตัวอย่างเป็นสิ่งที่ต่ำกว่าค่าเฉลี่ยเคลื่อนที่ที่เรียบง่าย เราจะหาวิธีที่ดีที่สุดในการทำให้ราบเรียบได้อย่างไรเราใช้แนวทางคล้ายคลึงกันกับตัวอย่างเรียบง่ายของเรา แต่ปรับเปลี่ยนเป็นสองตัวแปร เราคำนวณผลรวมของข้อผิดพลาดสองเหลี่ยมสร้างตารางข้อมูลสองตัวแปรและเลือกค่า alpha และ beta ที่ลด SSE โดยรวม (Browns) Linear Exponential Smoothing นี่คืออีกวิธีหนึ่งในการเพิ่มความสามารถในการทำให้เกิดการเพิ่มขึ้นของเลขยกกำลังสอง แต่มีปัจจัยการทำให้เรียบ: Browns double exponential smoothing ใช้พารามิเตอร์น้อยกว่า Holt-winters แต่ไม่สามารถให้พอดีกับฟังก์ชันนี้ได้ ตัวอย่างที่ 1: ให้ใช้ตัวอย่างเดียวกันในการระบุเลขสองครั้งของ Holt-winters และเปรียบเทียบผลรวมที่ดีที่สุดของข้อผิดพลาดในสี่เหลี่ยม ข้อมูลเลขยกกำลังสองของ Browns ไม่พอดีกับข้อมูลตัวอย่างเช่นเดียวกับวิธี Holt-winters แต่ตัวอย่างที่ไม่อยู่ในกรณีนี้ดีกว่า เราจะหาวิธีที่ดีที่สุดในการปรับให้เรียบ () เราใช้วิธีเดียวกันเพื่อเลือกค่า alpha ที่ลดผลรวมของความคลาดเคลื่อน สำหรับตัวอย่างข้อมูลตัวอย่าง alpha มีค่าเท่ากับ 0.8 (Winters) การเรียบแบบทวีคูณ Triple Exponential การปรับเรียบแบบเสแสร้งแบบ Triple Ex ใช้การเปลี่ยนแปลงตามฤดูกาลตลอดจนแนวโน้ม วิธีการนี้ต้องใช้พารามิเตอร์ 4 ตัว: สูตรสำหรับการเรียบแบบทวีคูณแบบสามขั้นตอนมีส่วนเกี่ยวข้องมากกว่าข้อมูลใด ๆ ก่อนหน้านี้ โปรดตรวจสอบคู่มืออ้างอิงออนไลน์ของเราสำหรับสูตรที่ถูกต้อง การใช้ข้อมูลสายการบินผู้โดยสารระหว่างประเทศเราสามารถใช้การทำให้เรียบเรียบขึ้นในช่วงฤดูหนาวหาค่าพารามิเตอร์ที่เหมาะสมและใช้การคาดการณ์ตัวอย่างที่ไม่อยู่ในกลุ่มตัวอย่าง เห็นได้ชัดว่าการใช้การทำให้เรียบเป็นรูปสามเหลี่ยมของ Winters ได้รับการใช้อย่างดีที่สุดสำหรับตัวอย่างข้อมูลนี้เนื่องจากจะติดตามค่าได้ดีและการคาดการณ์ตัวอย่างที่ไม่อยู่ในตัวอย่างแสดงถึงฤดูกาล (L12) เราจะหาค่า smoothing ที่ดีที่สุดได้อย่างไร () เราต้องเลือกค่าที่ลดผลรวมของข้อผิดพลาด (SSE) โดยรวม แต่ตารางข้อมูลสามารถใช้งานได้มากกว่าสองตัวแปรดังนั้นเราจึงใช้ Excel (2) ข้อ จำกัด สำหรับปัญหานี้การสนับสนุนข้อสรุป FilesExponential Moving Average - EMA การลดลงค่าเฉลี่ยการเคลื่อนย้ายเฉลี่ย (Exponential Moving Average - EMA) EMA 12 และ 26 วันมีค่ามากที่สุด (1) ตั้งค่าลดลงโดยใช้ SSE เป็นฟังก์ชันอรรถประโยชน์ (MACD) และค่าร้อยละของราคา (oscillator) ซึ่งเป็นตัวบ่งชี้ความผันผวนของราคา (PPO) โดยทั่วไปแล้ว EMA 50 และ 200 วันใช้เป็นสัญญาณของแนวโน้มในระยะยาว ผู้ค้าที่ใช้การวิเคราะห์ทางเทคนิคพบค่าเฉลี่ยเคลื่อนที่ที่มีประโยชน์และลึกซึ้งเมื่อใช้อย่างถูกต้อง แต่สร้างความหายนะเมื่อใช้ไม่ถูกต้องหรือถูกตีความผิด ค่าเฉลี่ยเคลื่อนที่ทั้งหมดที่ใช้กันโดยทั่วไปในการวิเคราะห์ทางเทคนิคเป็นไปตามลักษณะของตัวชี้วัดที่ล่าช้า ดังนั้นข้อสรุปที่ได้จากการนำค่าเฉลี่ยเคลื่อนที่ไปเป็นกราฟตลาดหนึ่ง ๆ ควรเป็นการยืนยันการเคลื่อนไหวของตลาดหรือเพื่อบ่งชี้ถึงความแข็งแกร่ง บ่อยครั้งเมื่อถึงเวลาที่เส้นค่าเฉลี่ยเคลื่อนไหวได้เปลี่ยนไปเพื่อสะท้อนการเคลื่อนไหวที่สำคัญในตลาดจุดที่เหมาะสมที่สุดของการเข้าสู่ตลาดได้ผ่านไปแล้ว EMA ช่วยลดปัญหานี้ได้บ้าง เนื่องจากการคำนวณ EMA ให้น้ำหนักมากขึ้นกับข้อมูลล่าสุดจึงทำให้การดำเนินการด้านราคาแย่ลงและตอบสนองได้เร็วขึ้น นี่เป็นที่พึงปรารถนาเมื่อใช้ EMA เพื่อรับสัญญาณการซื้อขาย การตีความ EMA เช่นเดียวกับตัวบ่งชี้ค่าเฉลี่ยเคลื่อนที่ทั้งหมดพวกเขาจะเหมาะกับตลาดที่มีแนวโน้มมากขึ้น เมื่อตลาดอยู่ในขาขึ้นที่แข็งแกร่งและยั่งยืน เส้นแสดงตัวบ่งชี้ EMA จะแสดงแนวโน้มขาขึ้นและทางกลับกันสำหรับแนวโน้มขาลง ผู้ค้าระมัดระวังจะไม่เพียง แต่ใส่ใจกับทิศทางของเส้น EMA แต่ยังสัมพันธ์ของอัตราการเปลี่ยนแปลงจากแถบหนึ่งไปอีก ตัวอย่างเช่นในขณะที่การดำเนินการตามราคาของขาขึ้นที่แข็งแกร่งจะเริ่มแผ่ออกและพลิกกลับอัตราการเปลี่ยนแปลงของ EMA จากแถบหนึ่งไปยังอีกส่วนหนึ่งจะเริ่มลดลงไปจนกว่าจะถึงเวลาดังกล่าวที่บรรทัดตัวบ่งชี้จะราบเรียบและอัตราการเปลี่ยนแปลงเป็นศูนย์ เนื่องจากผลกระทบที่ปกคลุมด้วยวัตถุฉนวนถึงจุดนี้หรือแม้กระทั่งไม่กี่บาร์ก่อนการดำเนินการด้านราคาน่าจะได้กลับรายการไปแล้ว ดังนั้นจึงเป็นไปได้ว่าการสังเกตการลดอัตราการเปลี่ยนแปลงของ EMA ที่สอดคล้องกันอาจถูกใช้เป็นตัวบ่งชี้ที่จะช่วยป้องกันภาวะที่กลืนไม่เข้าคายไม่ออกอันเกิดจากผลกระทบที่เกิดจากการเคลื่อนที่โดยเฉลี่ย การใช้ EMA ทั่วไปของ EMA มักใช้ร่วมกับตัวบ่งชี้อื่น ๆ เพื่อยืนยันการย้ายตลาดที่สำคัญและเพื่อวัดความถูกต้อง สำหรับผู้ค้าที่ค้าขายระหว่างวันและตลาดที่เคลื่อนไหวอย่างรวดเร็ว EMA จะสามารถใช้งานได้มากขึ้น ผู้ค้ามักใช้ EMA เพื่อหาอคติในการซื้อขาย ตัวอย่างเช่นหาก EMA ในแผนภูมิรายวันแสดงให้เห็นถึงแนวโน้มที่สูงขึ้นกลยุทธ์การค้าระหว่างวันอาจเป็นการค้าเฉพาะจากด้านยาวบนแผนภูมิในวันที่ฉันมีค่าต่อเนื่องที่ Id ต้องการคำนวณค่าเฉลี่ยเคลื่อนที่แบบเสวนา โดยปกติแล้ว Id ใช้สูตรมาตรฐานนี้: โดยที่ S n เป็นค่าเฉลี่ยใหม่ alpha คือ alpha, Y คือ sample และ S n-1 เป็นค่าเฉลี่ยก่อนหน้า แต่เนื่องจากปัญหาต่างๆ I dont มีเวลาตัวอย่างสม่ำเสมอ ฉันอาจรู้ว่าฉันสามารถหาตัวอย่างได้มากที่สุดเท่าที่พูดเช่นนี้ต่อหนึ่งมิลลิวินาที แต่เนื่องจากปัจจัยต่างๆที่อยู่นอกเหนือการควบคุมของฉันฉันอาจไม่สามารถใช้ตัวอย่างเป็นเวลาหลายมิลลิวินาทีในแต่ละครั้ง กรณีที่เป็นไปได้มากขึ้นก็คือตัวอย่างสั้น ๆ ของฉันเพียงเล็กน้อยก่อนหรือหลัง: แทนการสุ่มตัวอย่างที่ 0, 1 และ 2 มิลลิวินาที ตัวอย่างที่ 0, 0.9 และ 2.1 ms ฉันคาดหวังว่าโดยไม่คำนึงถึงความล่าช้าความถี่ในการสุ่มตัวอย่างของฉันจะไกลเกินกว่าขีด จำกัด ของ Nyquist ดังนั้นฉันจึงไม่จำเป็นต้องกังวลเกี่ยวกับการวางยา ฉันคิดว่าฉันสามารถจัดการกับสิ่งนี้ได้อย่างสมเหตุสมผลมากขึ้นโดยการเปลี่ยนค่า alpha ให้เหมาะสมขึ้นอยู่กับระยะเวลาตั้งแต่ตัวอย่างสุดท้าย ส่วนหนึ่งของเหตุผลของฉันที่จะใช้งานได้คือ EMA จะสอดแทรกเชิงเส้นระหว่างจุดข้อมูลก่อนหน้าและจุดข้อมูลปัจจุบัน ถ้าเราพิจารณาการคำนวณ EMA ของรายการตัวอย่างต่อไปนี้ในช่วงเวลา t: 0,1,2,3,4 เราควรได้รับผลเช่นเดียวกันถ้าเราใช้ช่วงเวลา 2t โดยที่ค่าอินพุทเป็น 0.22 ทางด้านขวาถ้า EMA ได้สันนิษฐานไว้ว่าที่ t 2 ค่าเป็น 2 เนื่องจาก t 0 ที่จะเป็นเช่นเดียวกับการคำนวณระยะ t คำนวณบน 0,2,2,4,4 ซึ่งไม่ได้ทำของมัน หรือว่าจะรู้สึกได้ทุกคนสามารถบอกได้อย่างไรว่าฉันจะเปลี่ยนอัลฟาได้อย่างเหมาะสมหรือไม่โปรดแสดงผลงานของคุณ นั่นคือ แสดงให้ฉันเห็นคณิตศาสตร์ที่พิสูจน์ให้เห็นว่าวิธีการของคุณจริงๆจะทำสิ่งที่ถูกต้อง ถาม 21 มิ.ย. เวลา 13:05 น. คุณไม่ควรได้รับ EMA แบบเดียวกันสำหรับการป้อนข้อมูลที่ต่างกัน คิดว่า EMA เป็นตัวกรองการสุ่มตัวอย่างที่ 2T เท่ากับการสุ่มตัวอย่างและตัวกรองจะให้ผลลัพธ์ที่ต่างกัน นี้ชัดเจนกับฉันตั้งแต่ 0,2,4 มีส่วนประกอบความถี่สูงกว่า 0,1,2,3,4 ยกเว้นคำถามคือฉันจะเปลี่ยนกรองในทันทีเพื่อให้ออกเดียวกัน บางทีฉันอาจจะหายไปบางอย่าง ndash freespace Jun 21 09 at 15:52 แต่ใส่ไม่แตกต่างกันเพียงตัวอย่างน้อยมักจะ 0,2,4 ในช่วงเวลา 2t เป็นเหมือน 0,, 2,, 4 ในช่วงเวลา t ซึ่งแสดงว่าตัวอย่างถูกละเลย ndash Curt Sampson 21 มิถุนายนที่ 23:45 คำตอบนี้อยู่บนพื้นฐานของความเข้าใจที่ดีของฉันต่ำผ่าน ตัวกรอง (ค่าเฉลี่ยเคลื่อนที่เป็นตัวชี้วัดเป็นเพียงตัวกรอง lowpass แบบโพลขั้วเดียว) แต่ความเข้าใจผิดเกี่ยวกับสิ่งที่คุณกำลังมองหาอยู่ ฉันคิดว่าต่อไปนี้คือสิ่งที่คุณต้องการ: ขั้นแรกคุณสามารถทำให้สมการของคุณง่ายขึ้นเล็กน้อย (ดูซับซ้อน แต่ง่ายกว่าในโค้ด) Im จะใช้ Y สำหรับ output และ X สำหรับ input (แทน S สำหรับ output และ Y สำหรับ input ตามที่คุณได้ทำ) ประการที่สองค่าของ alpha ที่นี่เท่ากับ 1-e - Deltattau โดยที่ Deltat เป็นเวลาระหว่างตัวอย่างและ tau เป็นค่าคงที่ตลอดเวลาของ low-pass filter ฉันพูดเท่ากันในคำพูดเพราะทำงานได้ดีเมื่อ Deltattau มีขนาดเล็กเมื่อเทียบกับ 1 และ alpha 1-e - Deltattau asymp Deltattau (แต่ไม่เล็กเกินไป: คุณจะวิ่งเข้าไปในประเด็น quantizing และถ้าคุณไม่คุ้นเคยกับเทคนิคแปลกใหม่ที่คุณต้องการบิตพิเศษของ N ในการแก้ปัญหาของคุณในตัวแปร State S ซึ่ง N - log 2 (alpha)) สำหรับค่าที่มากขึ้นของ Deltattau ผลการกรองเริ่มหายไปจนกว่าคุณจะถึงจุดที่อัลฟาใกล้เคียงกับ 1 และคุณเป็นเพียงการกำหนดอินพุทให้กับเอาท์พุท นี้จะทำงานได้อย่างถูกต้องกับค่าที่แตกต่างกันของ Deltat (รูปแบบของ Deltat ไม่สำคัญมากตราบเท่าที่อัลฟามีขนาดเล็กมิฉะนั้นคุณจะเรียกใช้ในบางค่อนข้างแปลกปัญหา Nyquist aliasing ฯลฯ ) และถ้าคุณกำลังทำงานกับโปรเซสเซอร์ที่คูณ มีราคาถูกกว่าการหารหรือปัญหาจุดคงที่มีความสำคัญ precalculate โอเมก้า 1tau และพิจารณาพยายามที่จะประมาณสูตรสำหรับอัลฟา ถ้าคุณต้องการทราบวิธีหาสูตร alpha 1-e - Deltattau ให้พิจารณาถึงสมการเชิงอนุพันธ์ของมัน: ซึ่งเมื่อ X เป็นฟังก์ชันขั้นบันไดมีทางออก Y 1 - e --ttau สำหรับค่า Deltat ขนาดเล็กอนุพันธ์สามารถประมาณได้โดย DeltaYDeltat โดยให้ YTU DeltaYDeltat X DeltaY (XY) (Deltattau) alpha (XY) และการคาดการณ์ของ alpha 1-e - Deltattau มาจากการพยายามจับคู่พฤติกรรมกับ หน่วยกรณีขั้นตอนการทำงาน คุณจะกรุณาอธิบายเพิ่มเติมเกี่ยวกับ quottrying เพื่อให้ตรงกับส่วนของ behaviorquot ฉันเข้าใจวิธีแก้ปัญหาแบบต่อเนื่อง Y 1 - exp (-t47) และการสรุปทั่วไปของฟังก์ชันการปรับขนาดที่มีค่า x และเงื่อนไขเริ่มต้น y (0) แต่ฉันไม่เห็นวิธีที่จะนำความคิดเหล่านี้ร่วมกันเพื่อให้บรรลุผลของคุณ ndash Rhys Ulerich May 4 13 at 22:34 นี่ไม่ใช่คำตอบที่สมบูรณ์ แต่อาจจะเริ่มต้นหนึ่ง เท่าที่ฉันได้รับกับเรื่องนี้ในชั่วโมงหรือดังนั้นของการเล่นอิ่มโพสต์เป็นตัวอย่างของสิ่งที่อิ่มมองหาและบางทีอาจจะเป็นแรงบันดาลใจให้กับคนอื่น ๆ ที่ทำงานเกี่ยวกับปัญหา ฉันเริ่มต้นด้วย S 0 ซึ่งเป็นค่าเฉลี่ยที่เกิดจากค่าเฉลี่ย S -1 ก่อนหน้าและตัวอย่าง Y 0 ที่ถ่ายเมื่อ t 0 (t 1 - t 0) เป็นช่วงตัวอย่างของฉันและ alpha ถูกตั้งค่าให้เป็นสิ่งที่เหมาะสมสำหรับช่วงเวลาตัวอย่างและระยะเวลาที่ฉันต้องการเฉลี่ย ฉันพิจารณาสิ่งที่เกิดขึ้นถ้าพลาดตัวอย่างที่ t 1 และแทนที่จะต้องทำอย่างไรกับตัวอย่าง Y 2 ที่ถ่ายที่ t 2 เราสามารถเริ่มต้นด้วยการขยายสมการเพื่อดูว่าจะเกิดอะไรขึ้นถ้าเรามี Y 1: ฉันสังเกตเห็นว่าชุดนี้น่าจะขยายไปเรื่อย ๆ แบบนี้เพราะเราสามารถแทนที่ S n ทางขวามือได้เรื่อย ๆ : Ok ดังนั้นจึงไม่ได้จริงๆพหุนาม (โง่ฉัน) แต่ถ้าเราคูณระยะเริ่มต้นโดยหนึ่งแล้วเราจะเห็นรูปแบบ: Hm: ชุดเลขลำดับของ ความประหลาดใจ Quelle ลองจินตนาการว่าออกมาจากสมการสำหรับค่าเฉลี่ยเคลื่อนที่ที่อธิบายไว้ดังนั้นต่อไปฉันมี x 0 x 1 x 2 x 3 สิ่งที่จะเกิดขึ้นและอิ่ม Im แน่ใจอิ่มหรือลอการิทึมธรรมชาติเตะรอบที่นี่ แต่ฉันลาดเทจำที่ฉันกำลังมุ่งหน้าต่อไปก่อนที่ฉันจะหมดเวลา คำตอบสำหรับคำถามนี้หรือคำรับรองใด ๆ ที่เป็นความถูกต้องของคำตอบนั้นขึ้นอยู่กับข้อมูลที่คุณกำลังวัด หากตัวอย่างของคุณถูกถ่ายที่ 0 0ms t 1 0.9ms และ t 2 2.1ms แต่การเลือก alpha ขึ้นอยู่กับช่วงเวลา 1 มิลลิวินาทีและดังนั้นคุณจึงต้องการปรับ alpha n ในระบบ การพิสูจน์ความถูกต้องของทางเลือกจะหมายถึงการทราบค่าตัวอย่างที่ t1ms และ t2ms สิ่งนี้นำไปสู่คำถาม: คุณสามารถสอดแทรกข้อมูลของคุณได้อย่างแม่นยำเพื่อให้มีการคาดเดาอย่างมีสติของค่าที่อยู่ระหว่างกันหรือคุณสามารถ interpolate ค่าเฉลี่ยได้ถ้าไม่เป็นไปได้ให้เท่าที่ฉันเห็นมันตรรกะ การเลือกค่าระหว่าง Y (t) เป็นค่าเฉลี่ยที่คำนวณโดยเร็วที่สุด นั่นคือ Y (t) asymp S n โดยที่ n เป็นจำนวนสูงสุดเช่นที่ t n ltt ทางเลือกนี้มีผลอย่างง่ายๆ: ปล่อยให้อัลฟาอยู่คนเดียวไม่ว่าความแตกต่างของเวลาจะเป็นอย่างไร ถ้าในทางกลับกันมีความเป็นไปได้ในการสอดแทรกค่าของคุณแล้วค่านี้จะให้ตัวอย่างค่าคงที่เป็นระยะ ๆ สุดท้ายถ้าเป็นไปได้ที่จะแทรกแซงค่าเฉลี่ยของตัวเองที่จะทำให้คำถามไม่มีความหมาย ฉันคิดว่าฉันสามารถ interpolate ข้อมูลของฉัน: ให้ I39m สุ่มตัวอย่างมันในช่วงเวลาไม่ต่อเนื่อง I'm แล้วทำเช่นนั้นกับมาตรฐาน EMA อย่างไรก็ตามสมมติว่าฉันต้องการ. quotproofquot ที่แสดงให้เห็นถึงการทำงานเช่นเดียวกับ EMA มาตรฐานซึ่งจะทำให้ได้ผลลัพธ์ที่ไม่ถูกต้องหากค่าไม่เปลี่ยนแปลงไปอย่างราบรื่นระหว่างช่วงเวลาตัวอย่าง ndash Curt Sampson 21 มิถุนายน 09 at 15:21 แต่นั่นคือสิ่งที่ฉันจะบอกว่า: ถ้าคุณพิจารณา EMA แก้ไขค่าของคุณคุณจะทำถ้าคุณออกจากอัลฟาตามที่เป็น (เพราะการแทรกค่าเฉลี่ยล่าสุดเป็น Y ไม่ได้เปลี่ยนค่าเฉลี่ย) . หากคุณต้องการข้อมูลว่าเป็นสิ่งที่ต้องการเช่นเดียวกับ EMAquot มาตรฐาน - มีอะไรผิดปกติกับเอกสารต้นฉบับถ้าคุณไม่มีข้อมูลเพิ่มเติมเกี่ยวกับข้อมูลที่คุณกำลังวัดอยู่การปรับท้องถิ่นให้ alpha จะเป็นวิธีที่ดีที่สุด ndash balpha 9830 Jun 21 09 at 15:31 ฉันจะออกจากค่า alpha เพียงอย่างเดียวและกรอกข้อมูลที่หายไป เนื่องจากคุณไม่ทราบสิ่งที่เกิดขึ้นในช่วงเวลาที่คุณไม่สามารถใช้ตัวอย่างคุณสามารถกรอกข้อมูลตัวอย่างเหล่านั้นด้วย 0 หรือเก็บค่าก่อนหน้านี้ไว้และใช้ค่าเหล่านี้สำหรับ EMA หรือการแก้ไขย้อนหลังบางอย่างเมื่อคุณมีตัวอย่างใหม่กรอกค่าที่ขาดหายไปและคำนวณค่า EMA ใหม่ สิ่งที่ฉันพยายามจะได้รับคือคุณมี input xn ที่มีรู ไม่มีวิธีใดที่จะทำให้ข้อมูลของคุณหายไปได้ ดังนั้นคุณสามารถใช้การระงับคำสั่งซื้อเป็นศูนย์หรือตั้งค่าเป็นศูนย์หรือการแก้ไขระหว่าง xn และ xnM ได้ โดยที่ M คือจำนวนตัวอย่างที่หายไปและ n จุดเริ่มต้นของช่องว่าง แม้กระทั่งการใช้ค่าก่อน n จากการใช้จ่ายชั่วโมงหรือเพื่อ mucking เกี่ยวกับบิตกับคณิตศาสตร์นี้ผมคิดว่าเพียงแตกต่าง alpha จริงจะให้ฉันแก้ไขเหมาะสมระหว่างสองจุดที่คุณพูดถึง แต่ใน วิธีง่ายมาก นอกจากนี้ผมคิดว่าอัลฟาที่แตกต่างกันก็จะเหมาะสมกับตัวอย่างที่ถ่ายระหว่างช่วงเวลาการสุ่มตัวอย่างมาตรฐาน กล่าวอีกนัยหนึ่งฉันกำลังมองหาสิ่งที่คุณอธิบายไว้ แต่พยายามใช้คณิตศาสตร์เพื่อหาวิธีง่ายๆในการทำ ndash Curt Sampson 21 มิ.ย. 21 เวลา 14:07 น. ฉันไม่คิดว่าสัตว์ประหลาดดังกล่าวเป็น interpolationquot ของ quotproper คุณก็ไม่ทราบว่าเกิดอะไรขึ้นในเวลาที่คุณไม่ได้สุ่มตัวอย่าง การแทรกซึมที่ดีและไม่ดีหมายถึงความรู้บางอย่างเกี่ยวกับสิ่งที่คุณพลาดเนื่องจากคุณต้องประเมินว่าการตัดสินเป็นสิ่งที่ดีหรือไม่ดี แม้ว่าจะกล่าวว่าคุณสามารถวางข้อ จำกัด เช่นมีการเร่งความเร็วสูงสุด ฯลฯ ฉันคิดว่าถ้าคุณทราบวิธีการสร้างแบบจำลองข้อมูลที่หายไปจากนั้นคุณก็จะจำลองข้อมูลที่หายไปจากนั้นใช้อัลกอริทึม EMA โดยไม่มีการเปลี่ยนแปลง มากกว่าการเปลี่ยนอัลฟา เพียงแค่ฉัน 2c :) ndash freespace Jun 21 09 at 14:17 นี่คือสิ่งที่ฉันได้รับในการแก้ไขของฉันกับคำถาม 15 นาทีที่ผ่านมา: quotYou เพียงแค่ don39t รู้ว่าสิ่งที่เกิดขึ้นในเวลาที่คุณจะไม่สุ่มตัวอย่างให้ แต่ที่จริง แม้ว่าคุณจะสุ่มตัวอย่างทุกช่วงเวลา ดังนั้นการพิจารณา Nyquist ของฉัน: ตราบเท่าที่คุณรู้ว่ารูปแบบคลื่นไม่ได้เปลี่ยนทิศทางมากกว่าคู่ของตัวอย่างแต่ละช่วงเวลาตัวอย่างจริงไม่ควรเป็นเรื่องและควรสามารถเปลี่ยนแปลงได้ สมการ EMA ดูเหมือนว่าฉันจะคำนวณได้เหมือนกับว่ารูปแบบคลื่นมีการเปลี่ยนแปลงเชิงเส้นจากค่าตัวอย่างล่าสุดไปเป็นค่าปัจจุบัน ndash Curt Sampson 21 มิ.ย. 21 เวลา 14:26 น. ฉันไม่คิดว่ามันค่อนข้างจริง ทฤษฎีบทของ Nyquist ต้องใช้ตัวอย่างอย่างน้อย 2 ตัวอย่างต่อระยะเวลาเพื่อให้สามารถระบุสัญญาณได้เฉพาะ ถ้าคุณไม่ทำเช่นนี้คุณจะได้รับการตั้งชื่อตาม aliasing จะเหมือนกับการสุ่มตัวอย่างเป็น fs1 เป็นเวลาหนึ่งครั้งแล้ว fs2 จากนั้นกลับไปที่ fs1 และคุณจะได้รับข้อมูลที่เป็นนามแฝงในตัวอย่างเมื่อใช้ fs2 ถ้า fs2 อยู่ต่ำกว่าขีด จำกัด Nyquist ฉันยังต้องสารภาพฉันไม่เข้าใจสิ่งที่คุณหมายถึงโดยการเปลี่ยนแปลง quotwaveform เชิงเส้นจากตัวอย่างล่าสุดไปปัจจุบัน onequot คุณช่วยอธิบาย Cheers Steve ได้ไหม ndash freespace Jun 21 09 at 14:36 ​​นี้คล้ายกับปัญหาเปิดในรายการสิ่งที่ต้องทำของฉัน ฉันมีหนึ่งโครงการทำงานออกบางส่วน แต่ไม่ได้ทำงานทางคณิตศาสตร์เพื่อกลับข้อเสนอแนะนี้ยัง สรุปแอ็พพลิเคชันการอัปเดต: ต้องการรักษาปัจจัยการทำให้ราบรื่น (alpha) ขึ้นอยู่กับปัจจัยชดเชย (ซึ่งฉันอ้างว่าเป็นเบต้าที่นี่) คำตอบที่ดีเยี่ยมของ Jasons ที่ยอมรับในที่นี้เหมาะสำหรับฉันมาก ถ้าคุณสามารถวัดเวลาตั้งแต่ตัวอย่างสุดท้ายได้ด้วย (ในรอบคูณของเวลาเก็บตัวอย่างคงที่ - ดังนั้น 7.8 ms เนื่องจากตัวอย่างสุดท้ายจะเป็น 8 units) ซึ่งสามารถใช้เพื่อปรับให้เรียบได้หลายครั้ง ใช้สูตรนี้ 8 ครั้งในกรณีนี้ คุณได้ทำอย่างมีประสิทธิภาพราบเรียบลำเอียงมากขึ้นต่อมูลค่าปัจจุบัน เพื่อให้ได้ความเรียบที่ดีขึ้นเราจำเป็นต้องปรับแต่งอัลฟาในขณะที่ใช้สูตร 8 ครั้งในกรณีก่อนหน้านี้ นี่คือประมาณในขั้นตอนที่ 1 ด้วยการประยุกต์ใช้ค่าใหม่อีกครั้งเป็นลายลักษณ์อักษรอีก 7 ครั้งถ้าเรากำหนดค่าประมาณเบต้าที่จะใช้ร่วมกับอัลฟ่า (เป็น alphabeta แทนที่จะเป็น alpha) เราจะสมมติว่า 7 ตัวอย่างที่ไม่ได้รับการเปลี่ยนแปลงอย่างราบรื่นระหว่างค่าตัวอย่างก่อนหน้าและปัจจุบัน ฉันคิดเกี่ยวกับเรื่องนี้ แต่บิตของ mucking เกี่ยวกับคณิตศาสตร์ได้ฉันไปยังจุดที่ฉันเชื่อว่ามากกว่าการใช้สูตรแปดครั้งกับค่าตัวอย่างผมสามารถคำนวณ. ของอัลฟาใหม่ที่จะช่วยให้ฉันสามารถใช้สูตรได้เพียงครั้งเดียวและให้ผลลัพธ์ที่เหมือนกัน นอกจากนี้การดำเนินการนี้จะจัดการกับปัญหาของตัวอย่างที่ชดเชยจากเวลาตัวอย่างที่แน่นอน ndash Curt Sampson Jun 21 09 at 13:47 โปรแกรมเดียวจะดี สิ่งที่ฉันไม่แน่ใจเกี่ยวกับยังเป็นวิธีการที่ดีคือประมาณของ 7 ค่าที่ขาดหายไป หากการเคลื่อนไหวอย่างต่อเนื่องทำให้ค่าความกระวนกระวายใจเป็นจำนวนมากในช่วง 8 มิลลิวินาทีอาจมีค่าประมาณใกล้เคียงกับความเป็นจริง แต่ถ้าคุณกำลังสุ่มตัวอย่างที่ 1ms (ความละเอียดสูงสุดยกเว้นตัวอย่างที่ล่าช้า) คุณได้คิดไปแล้วว่า jitter ภายใน 1ms ไม่เกี่ยวข้อง เหตุผลนี้ทำงานให้คุณ (ฉันยังพยายามโน้มน้าวตัวเอง) ndash nik มิ.ย. 21 09 เวลา 14:08 ต้อง นั่นคือเบต้าปัจจัยจากคำอธิบายของฉัน ค่าเบต้าจะคำนวณตามช่วงเวลาที่แตกต่างกันและตัวอย่างปัจจุบันและก่อนหน้า อัลฟาใหม่จะเป็น (alphabeta) แต่จะใช้สำหรับตัวอย่างเท่านั้น ในขณะที่คุณดูเหมือนจะมีแอลฟาอยู่ในสูตรนี้ฉันมีแนวโน้มที่จะคงที่อัลฟา (smoothing factor) และเบต้าคำนวณที่เป็นอิสระ (เป็นปัจจัยปรับแต่ง) ที่สามารถชดเชยตัวอย่างที่พลาดไปได้ในขณะนี้ ndash nik มิ.ย. 21 09 เวลา 15:23 น