Moving Average Wavelet

Glättung von Daten mit gleitenden Durchschnitten Wie man eine volatile Datenreihe glättet Das ökonomische Problem Ökonomen verwenden Glättungstechniken, um zu helfen, den ökonomischen Trend in den Daten zu entschlüsseln Tendenzen in den Datenreihen zu entschlüsseln Forscher verschiedene statistische Manipulationen. Diese Operationen werden als ldquosmoothing Techniken bezeichnet und sind entworfen, um die kurzfristige Flüchtigkeit der Daten zu reduzieren oder zu eliminieren. Eine geglättete Reihe wird einer nicht geglätteten vorgezogen, da sie Änderungen in der Richtung der Wirtschaft besser erfassen kann als die nicht eingestellte Reihe. Saisonale Anpassung ist eine Smoothing-Technik Eine gemeinsame Glättung Technik in der Wirtschaftsforschung verwendet wird, ist saisonale Anpassung. Dieses Verfahren beinhaltet die Trennung von Schwankungen der Daten, die im gleichen Monat jedes Jahr wiederkehren (saisonale Faktoren). Solche Schwankungen können auf Jahresferien zurückzuführen sein (ein Sprung im Dezember-Einzelhandelsumsatz) oder vorhersehbare Wetterverhältnisse (eine Zunahme des Hausbaus im Frühjahr). Weitere Informationen zum saisonalen Anpassungsprozess finden Sie unter Saisonbereinigte Daten. Ein gleitender Durchschnitt kann Daten glatt machen, die nach Saisonbereinigung flüchtig bleiben In anderen Fällen behält eine Datenreihe Volatilität auch nach Saisonanpassung bei. Ein gutes Beispiel sind die Wohngenehmigungen, die vor allem aufgrund vorhersehbarer Wetterverhältnisse starke saisonale Schwankungen aufweisen. Selbst nach saisonaler Anpassung werden diese vorhersehbaren Muster eliminiert, allerdings bleibt eine erhebliche Volatilität bestehen (Grafik 1). Warum Weil saisonale Anpassung nicht auf unregelmäßige Faktoren wie ungewöhnliche Wetterbedingungen oder Naturkatastrophen, unter anderem. Solche Ereignisse sind unerwartet und können nicht isoliert werden, wie saisonale Faktoren können. Zum Beispiel haben Einfamilienhäuser erlaubt im Juni fallen, weil die wirtschaftlichen Bedingungen verschlechtert, oder war es nur ein wetter Juni als üblich Ökonomen verwenden eine einfache Glättung Technik namens ldquomoving averagerdquo dazu beitragen, die zugrunde liegende Trend in Wohnungsgenehmigungen und andere volatile Daten zu bestimmen. Ein gleitender Durchschnitt glättet eine Serie durch die Konsolidierung der monatlichen Datenpunkte in längere Einheiten von timemdashnamely ein Durchschnitt von mehreren Monaten Daten. Es gibt einen Nachteil, einen gleitenden Durchschnitt zu verwenden, um eine Datenreihe zu glätten. Da die Berechnung auf historischen Daten beruht, gehen einige der Zeitvariablen verloren. Aus diesem Grund verwenden einige Forscher einen ldquoweightedrdquo gleitenden Durchschnitt, wobei die aktuelleren Werte der Variablen mehr Bedeutung erhalten. Eine andere Möglichkeit, die Abhängigkeit von vergangenen Werten zu reduzieren, besteht darin, einen ldquozentrischen gleitenden Durchschnitt zu berechnen, wobei der aktuelle Wert der Mittelwert in einem Fünfmonatsdurchschnitt mit zwei Verzögerungen und zwei Ableitungen ist. Die Leitzahlen sind prognostizierte Werte. Daten, die von der Dallas Feds Web site verfügbar sind, werden unter Verwendung der einfachen gleitenden durchschnittlichen Technik, die unten erklärt wird, justiert. Die technische Lösung Die Formel für einen einfachen gleitenden Durchschnitt ist: wobei y die Variable ist (z. B. Einfamilienhäuser), t die aktuelle Zeitperiode (wie der aktuelle Monat) und n die Anzahl der Zeitperioden ist Den Durchschnitt. In den meisten Fällen verwenden Forscher drei-, vier - oder fünfmonatige Bewegungsdurchschnitte (so dass n 3, 4 oder 5), mit dem größeren der n. Desto glatter die Serie. Real-World Beispiel Texas Housing Permits sind flüchtig von Monat zu Monat einen gleitenden Durchschnitt hilft, zeigen die zugrunde liegende Trend in der Tabelle Tabelle 1 verwendet die Formel oben, um einen Fünf-Monats-gleitenden Durchschnitt der Wohngebäude Genehmigungen zu berechnen. In der dritten Spalte wird die untere Figur (7,218) ermittelt, indem der Durchschnitt des laufenden Monats und der letzten vier Monate in Spalte 2 ermittelt wird. Die Reihe in der dritten Säule wird geglättet, und wie Schaubild 2 zeigt, ist sie viel weniger flüchtig als die ursprüngliche Reihe. Unter Verwendung der geglätteten Daten kann ein Forscher einfacher die zugrunde liegenden Trends in den Daten bestimmen sowie wesentliche Richtungsänderungen erkennen. Glättungstechniken reduzieren die Volatilität in einer Datenreihe, die es Analysten ermöglicht, wichtige wirtschaftliche Trends zu identifizieren. Die gleitende durchschnittliche Technik bietet einen einfachen Weg, um Daten jedoch zu glätten, weil sie Daten aus vergangenen Zeiträumen nutzt, kann es die letzten Änderungen im Trend verdecken. Glossar auf einen Blick Gleitender Durchschnitt: Eine Berechnung, die eine flüchtige Datenreihe durch Mittelung benachbarter Datenpunkte glättet. Saisonale Anpassung: Die Art der Glättungstechnik, bei der saisonale Schwankungen der Daten abgeschätzt und entfernt werden. Glättungstechnik: Ein statistischer Vorgang, der an ökonomischen Datenreihen durchgeführt wird, um die kurzfristige Volatilität zu reduzieren oder zu eliminieren. Rückfalldatenanalyse mit gleitendem Durchschnittsmodell (MA) und Wavelet multi-resolution Intelligentes Modell zur Geräuschbewertung zur Verbesserung der Prognosegenauigkeit First Online: 29. Juli 2014 Empfangen: 17 Januar 2013 Akzeptiert: 14 Juli 2014 Zitieren Sie diesen Artikel als: Akrami, SA El-Shafie, A. Naseri, M. et al. Neural Comput Applic (2014) 25: 1853. doi: 10.1007s00521-014-1675-0 2 Zitate 247 Downloads Die Niederschlagsvorhersage und die Annäherung ihrer Größenordnung haben eine enorme und wichtige Rolle bei der Wasserbewirtschaftung und Abflussvorhersage. Das Hauptziel dieser Arbeit ist es, die Beziehung zwischen den Niederschlagszeitreihen, die durch die Wavelet-Transformation (WT) und den gleitenden Durchschnitt (MA) im Klang-Einzugsgebiet, Malaysia, erreicht wurden. Zu diesem Zweck wurden die Haar - und Dmey-WTs verwendet, um die Niederschlagszeitreihen in 7, 10 verschiedene Auflösungsniveaus zu zersetzen. Mehrere Pre-Processing-Fallstudien auf der Grundlage von 2-, 3-, 5-, 10-, 15-, 20-, 25- und 30-Monats-MAs wurden durchgeführt, um einen längerfristigen Trend im Vergleich zu einem kürzerfristigen MA zu entdecken. Die Informationen und Daten wurden von Klang Gates Dam, Malaysia, von 1997 bis 2008 gesammelt. In Bezug auf das Verhalten werden die Zeitreihen von 10-, 15-, 20- und 30-Tage-Niederschlägen in Annäherungs - und Detailkoeffizienten mit anderer Art zerlegt Von WT. Korrelationskoeffizienten R 2 und Wurzel-Mittel-Quadrat-Fehlerkriterien werden angewandt, um die Leistungsfähigkeit der Modelle zu untersuchen. Die Ergebnisse zeigen, dass es einige Ähnlichkeiten zwischen MA-Filter und Wavelet Approximation Sub-Serie-Filter aufgrund der Rausch-Elimination. Darüber hinaus haben die Ergebnisse, dass die hohe Korrelation mit MAs über Dmey WT im Vergleich zu Haar Wavelet für Niederschlagsdaten erreicht werden kann. Darüber hinaus könnten saubere Signale als Modell-Eingänge verwendet werden, um die Modellleistung zu verbessern. Daher könnten Signalzerlegungstechniken für den Zweck der Datenvorverarbeitung günstig sein und könnten zur Beseitigung der Fehler geeignet sein. Zerlegungskoeffizienten Dmey Wavelet Haar Wavelet Gleitender Durchschnitt Prognosegenauigkeit Referenzen Akrami SA, Nourani V, Hakim SJS (2014) Entwicklung eines nichtlinearen Modells basierend auf Wavelet-ANFIS für die Niederschlagsprognose am Klang Gates Dam. (2006) Datenvorverarbeitung für die Flussfluss-Prognose mittels neuronaler Netze: Wavelet-Transformationen und Datenpartitionierung. Phys Chem Earth 31: 11641171 CrossRef Google Scholar Chang FJ, Chen L (1998) Realer kodierter genetischer Algorithmus für regelbasiertes Hochwasserschutz-Reservoir-Management. Wasser Resour Manag 12 (3): 185198 CrossRef Google Scholar Chen GY, Bui TD, Krzyzak A (2009) Invariante Mustererkennung mit Radon, Dual-Tree-Komplex Wavelet und Fourier-Transformationen. Pattern Recogn 42: 20132019 CrossRef MATH Google Scholar Chen RJC, Bloomfield P, Fu JS (2003) Eine Bewertung von alternativen Prognosemethoden zur Erholungsbesuch. J Leis Res 35 (4): 441454 Google Scholar Erdbeobachtungszentrum, Universiti Kebangsaan Malaysia (UKM), Malaysia 2013 Fonseca ES, Guido RC, Scalassara PR (2007) Wavelet-Zeitfrequenzanalyse und kleinste Quadrate unterstützen Vektor-Maschinen zur Identifizierung von Sprachstörungen . (MRSI) mittels Wavelet-Kodierung und paralleler Bildgebung: In-vitro-Ergebnisse. J Magn Reson 211: 4551 CrossRef Google Scholar Genovese L, Videud B, Ospici M, Deutschd T, Goedeckere S, Mhaut JF (2011) Daubechies-Wavelets für leistungsstarke elektronische Strukturberechnungen. CR Mec 339: 149164 CrossRef MATH Google Scholar Lisi F, Nicolis O, Sandri M (1995) Kombination von Singular-Spektrum-Analyse und neuronale Netze für die Zeitreihen-Prognose. Neuronale Netze für die Vorhersage und Prognose von Wasserressourcen Variablen: eine Überprüfung der Modellierung von Fragen und Anwendungen. Environ Modell Softw 15: 101123 CrossRef Google Scholar Mallat SG (1998) Eine Wavelet-Tour der Signalverarbeitung. Akademische Presse, San Diego MATH Google Scholar Masset P (2008) Analyse der finanziellen Zeitreihen mittels Fourier - und Wavelet-Methoden, Universität Freiburg (Schweiz) Fakultät für Wirtschaftswissenschaften und Sozialwissenschaften Newbold P, Carlson WL, Thorne BM (2003) Wirtschaft und Wirtschaft (fünfte Version). Prentice Hall, Upper Saddle River Google Scholar Nourani V, Komasi M, Mano A (2009) Ein multivariater ANN-Wavelet-Ansatz für die Niederschlagsabflussmodellierung. Wasser Resour Manag 23: 28772894 CrossRef Google Scholar Partal T, Kisi O (2007) Wavelet und Neuro-Fuzzy-Konjunktion Modell für die Niederschlagsvorhersage. J Hydrol 342: 199212 CrossRef Google Scholar Rioul O, Vetterli M (1991) Wavelets und Signalverarbeitung. IEEE SP Zeitschrift. Pp 1438 Serrai H, Senhadji L (2005) Akquisitionszeitverkürzung bei der Magnetresonanzspektroskopie mit diskreter Wavelet-Kodierung. J Magn Reson 177: 2230 CrossRef Google Scholar Shafiekhah M, Moghaddam Abgeordneter, Sheikh El Eslami MK (2011) Die Preisvorhersage für die Strommarktmärkte nach einer hybriden Prognosemethode. Energie-Convers Manag 52: 21652169 CrossRef Google Scholar Sifuzzaman M, Islamand MR, Ali MZ (2009) Anwendung der Wavelet-Transformation und ihre Vorteile im Vergleich zu Fourier-Transformation. J Phys Sci 13: 121134 Google Scholar Syed AR, Aqil B, Badar S (2010) Vorhersage der Netzwerk-Verkehrslast mit Wavelet-Filter und saisonale autoregressive gleitenden Durchschnitt Modell. (2009) Methoden zur Verbesserung der Leistung des neuronalen Netzes in der Prognose der täglichen Flüsse. J Hydrol 372: 8093 CrossRef Google Scholar Yang X, Ren H, Li B (2008) Eingebettete Null-Baum-Wavelets-Codierung basierend auf adaptivem Fuzzy-Clustering zur Bildkompression. Bild Vis Comput 26: 812819 CrossRef Google Scholar Zhao X, Ye B (2010) Faltung Wavelet-Paket-Transformation und ihre Anwendungen auf Signalverarbeitung. Digit Signal Process 20: 13521364 CrossRef Google Scholar Urheberrechtsinformationen Das Natural Computing Applications Forum 2014 Autoren und Mitgliedsverbände Seyed Ahmad Akrami 1 E-Mail-Autor Ahmed El-Shafie 1 Mahdi Naseri 2 Celso AG Santos 3 1. Bau - und Ingenieurbüro Universiti Kebangsaan Malaysia (UKM ) Bangi Malaysia 2. Institut für Bauingenieurwesen Universität Birjand Birjand Iran 3. Institut für Bau - und Umwelttechnik Bundesuniversität Paraba Joo Pessoa Brasilien Über diesen Artikel Drucken ISSN 0941-0643 Online ISSN 1433-3058 Verlagsname Springer London