Die Croston-Methode ist eine Prognosemethode, die sich besonders für intermittierende Nachfragezeitreihen eignet, die durch seltene und unregelmäßige Nachfrageereignisse gekennzeichnet sind.
In einer Zeitreihe mit intermittierender Nachfrage gibt es häufig viele Zeiträume ohne oder mit geringer Nachfrage, gefolgt von sporadischen Zeiträumen mit höherer Nachfrage. Angenommen, Sie sind für die Verwaltung des Ersatzteilbestands einer Industriemaschine verantwortlich. Da die Maschine selten ausfällt, müssen Sie nicht regelmäßig Ersatzteile bestellen. Wenn es jedoch einmal kaputt geht, benötigen Sie schnell Ersatzteile, um es zu reparieren. Diese Artwork der Nachfrage wird als intermittierende Nachfrage bezeichnet.
Zeitreihen mit intermittierender Nachfrage zeichnen sich durch Perioden geringer oder keiner Nachfrage aus, gefolgt von plötzlichen Nachfragespitzen. Diese Spitzen sind oft unvorhersehbar und können in unregelmäßigen Abständen auftreten.
import numpy as np
import matplotlib.pyplot as pltnp.random.seed(1)
n = 100 # size
# generate random information
ts = np.zeros(n)
for i in vary(n):
if np.random.rand() < 0.2:
ts[i] = np.random.randint(1, 10)
# plotting
plt.plot(ts)
plt.xlabel('Time')
plt.ylabel('Demand')
plt.title('Intermittent Demand Time Collection')
plt.present()
Herkömmliche Prognosemethoden, die auf kontinuierlichen Nachfragezeitreihen basieren, funktionieren möglicherweise nicht intestine für intermittierende Nachfrage, da sie von einem regelmäßigen Nachfragemuster ausgehen.
import matplotlib.pyplot as plt
from statsmodels.tsa.arima.mannequin import ARIMA# cut up information
train_data = ts[:-25]
test_data = ts[-25:]
# construct ARIMA mannequin
mannequin = ARIMA(train_data, order=(1, 1, 1))
model_fit = mannequin.match()
forecast = model_fit.forecast(steps=25)
# plot forecast vs precise
plt.plot(test_data, label="Precise")
plt.plot(forecast, label="Forecast")
plt.legend()
plt.present()
Um intermittierende Nachfragezeitreihen genau vorherzusagen, sind spezielle Methoden erforderlich. Eine dieser Methoden ist Crostons Methode, die die Zeitreihe in zwei Komponenten zerlegt: das Muster des Nachfrageaufkommens und das Muster der Nachfragegröße. Der Bedarfseintritt Das Muster schätzt die Wahrscheinlichkeit des nächsten Bedarfseintritts, während das Nachfragegröße Das Muster schätzt die erwartete Größe des nächsten Bedarfs, sofern dieser auftritt.
Crostons Methode verwendet exponentielle Glättung Diese beiden Komponenten werden separat geschätzt und dann kombiniert, um eine Prognose über das nächste Auftreten und die nächste Bedarfsgröße zu erstellen.
Easy Exponential Smoothing (SES) ist eine Zeitreihenvorhersagemethode, die zur Vorhersage zukünftiger Werte auf der Grundlage vergangener Beobachtungen verwendet wird. Dabei wird jüngeren Beobachtungen mehr Gewicht beigemessen und älteren Beobachtungen weniger Gewicht beigemessen.
Die Methode wird „einfach“ genannt, da sie nur die Schätzung eines Parameters, des sogenannten Glättungsfaktors, erfordert. Der Glättungsfaktor bestimmt, wie stark die jüngste Beobachtung gewichtet werden soll, wobei höhere Werte den jüngsten Beobachtungen mehr Gewicht verleihen und niedrigere Werte den jüngsten Beobachtungen weniger Gewicht verleihen.
F(t+1) = α * Y
Source link
