Hay una forma fuera de línea de un filtro de Kalman llamada método Holt-Winters:
La tendencia local se indica mediante el parámetro de crecimiento b_t, que se actualiza a medida que llegan nuevos datos y_t. La entrada principal del usuario es la elección de alfa y beta, que pueden considerarse como factores de suavizado (ver Sarah Gelper, 2007, Pronóstico robusto con suavizado exponencial y Holt-Winters ). Sin embargo, dados los datos específicos, es factible optimizar conjuntamente los parámetros del modelo, alfa y beta. Para robustez, el error absoluto medio es preferible al error cuadrático medio como una función de pérdida. Esto se demuestra aquí: rsvp / fecon235 utilizando el paquete scipy de Python.
- ¿Cómo pueden las empresas beneficiarse del análisis de datos?
- ¿Cuáles son las habilidades valiosas necesarias para comenzar con Data Analytics?
- Cómo comenzar mi carrera en el campo del análisis de big data
- ¿Qué tan difícil es para un chico experimentado de 5 años cambiar a la carrera de ciencia de datos en India?
- ¿Qué tan comunes son los trabajos de 40 horas / semana de científicos de datos en Google, Microsoft, Facebook y Amazon?
La estimación del componente estacional es opcional, dependiendo de su comprensión de los datos (el nivel l_t a menudo se usa para desestacionalizar los datos).
El algoritmo es simple de implementar en cualquier lenguaje de programación, y más preciso en la práctica que los sofisticados modelos ARIMA de Box-Jenkins para pronosticar tendencias (ver las competiciones de series temporales de Makridakis).
Para una implementación rápida usando Python numpy, vea rsvp / fecon235 en un módulo llamado yi_timeseries que se ha utilizado para datos económicos financieros en formato DataFrame de pandas: rsvp / fecon235
[Nota: los enlaces se ven similares a los de Quora, pero de hecho son distintos.]