Explique el método croston de R

Question

Estoy usando crost() función de R para analizar y prever la demanda intermitente/lenta de demanda intermitente/artículos de movimiento lento. Tengo dificultades para entender la salida. ¿Podría alguien ayudarme a entender el modelo en términos sencillos?

A continuación se muestra el código y la salida del modelo:

v <- c(1910,874,1920,350,160,685,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,176,0,16,826,0,66,3798,800,1274,638,192,160,0,0,0,0,0,0,0,
0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,28,0,0,276,0,0,1072,80,1776,240,80,528,3081,566,1483,112,272,120,0,0,0,
0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,160,0,808,0,0,608,0,1480,184)
t <- ts(v, f=52)
x<-crost(t,h=52)
x

He leído el documento del paquete 'tsintermittent', pero todavía no he entendido qué son los pesos, frc.in, frc.out. Me gustaría discutir esto en el hilo ya que soy totalmente nuevo en este método.

Answer 1

Tenga en cuenta que el método de Croston no no prever períodos "probables" con demandas no nulas. Supone que todos los periodos tienen la misma probabilidad de presentar demanda. Suaviza por separado el intervalo entre demandas y las demandas no nulas mediante un alisado exponencial, pero actualiza ambos sólo cuando hay demanda no nula. El ajuste dentro de la muestra y la previsión puntual son entonces esencialmente la relación de la demanda no nula suavizada, dividida por el intervalo entre demandas (a menos que haya algún tipo de corrección del sesgo de Syntetos-Boylan).

x$frc.in es el tasa de demanda en la muestra . Se trata de la estimación de la demanda media dentro de la muestra: como en el caso anterior, es el cociente del valor actual de las demandas no nulas suavizadas, dividido por el valor actual de las longitudes de los intervalos entre demandas suavizadas. Si se observa con atención, se ve que esto no cambia durante los períodos con demanda cero... porque el método de Croston sólo actualiza (suaviza) sus estimaciones para el intervalo entre demandas y para la demanda no nula cuando hay una demanda no nula .

x$frc.out es el tasa de demanda fuera de la muestra es decir, la previsión de la demanda media. Como se ve, es constante, porque el método de Croston no contempla dinámicas fuera de la muestra como la tendencia o la estacionalidad.

x$weights son los pesos de suavización optimizados para suavizar el intervalo entre demandas y el componente de demanda no nulo. Originalmente, Croston utilizaba sólo un peso (preestablecido) para el suavizado; Kourentzes aparentemente optimiza ambos pesos por separado. (No estoy familiarizado con la referencia dada en la página de ayuda - aunque puede ser útil que lo leas).

Aquí está su serie temporal, con el ajuste en la muestra en rojo y la previsión en verde:

bar <- crost(t)
plot(t,xlim=c(1,4.1))
lines(ts(bar$frc.in,frequency=52),col="red")
lines(ts(bar$frc.out,frequency=52,start=c(3,49)),col="green")

Ahora, mirando sus datos v El método de Croston es obviamente inapropiado. Aunque tiene muchos ceros, su serie temporal no es intermitente en ningún sentido significativo. Por el contrario, es obviamente estacional, con períodos de demanda no nula que se alternan con períodos de demanda nula en un patrón anual.

Yo recomendaría mucho más utilizar un método que modele explícitamente esta estacionalidad, como stlf() en el forecast paquete. Sus previsiones serán negativas, por lo que hay que truncarlas en cero, es decir, poner a 0 todas las previsiones de puntos negativos. pmax() es útil aquí. Por supuesto, los intervalos de predicción de stlf() no tienen mucho sentido, ya que su cálculo no respeta las restricciones de no negatividad, pero supongo que, de todos modos, te interesan sobre todo las previsiones puntuales.

Por ejemplo:

foo <- stlf(t)
foo$mean <- pmax(foo$mean,0)    # truncate at zero
plot(foo)