Jump to ContentJump to Main Navigation
Show Summary Details
More options …

Information Technology and Management Science

The Journal of Riga Technical University

1 Issue per year

Open Access
Online
ISSN
2255-9094
See all formats and pricing
More options …

A Comparative Analysis of Short Time Series Processing Methods

Arnis Kirshners / Arkady Borisov
Published Online: 2013-01-31 | DOI: https://doi.org/10.2478/v10313-012-0009-4

Abstract

This article analyzes the traditional time series processing methods that are used to perform the task of short time series analysis in demand forecasting. The main aim of this paper is to scrutinize the ability of these methods to be used when analyzing short time series. The analyzed methods include exponential smoothing, exponential smoothing with the development trend and moving average method. The paper gives the description of the structure and main operating principles. The experimental studies are conducted using real demand data. The obtained results are analyzed; and the recommendations are given about the use of these methods for short time series analysis.

Rakstā tiek analizētas tradicionālās laika rindu apstrādes metodes, kuras tiek lietotas pieprasījumu prognozēšanai īsu laika rindu analīzei. Parasti, analizējot pieprasījuma datus, kuri tiek uzskatīti par laika rindām un attēlo kāda produkta vēsturisko pieprasījumu tirgū konkrētā laika vienībā, rodas prognozes nepieciešamība, lai noteiktu šī produkta iespējamo pieprasījumu nākotnē. Ar prognozes palīdzību, iespējams, samazināt lēmumu riskus, kas rodas, piemēram, pasūtot nepieciešamo produkta daudzumu nākamajam periodam. Tradicionāli laika rindu analīzes process tiek balstīts uz likumsakarību meklēšanu ilgākā laika posmā, analizējot vērtību izmaiņas laika momentos, tā rezultātā tiek noteiktas analizējamā objekta iespējamās vērtības nākotnē. Prognozes mērķis ir pēc iespējas efektīvāk samazināt nejaušu faktoru ietekmi uz galīgo rezultātu, kā arī palīdzēt lēmējpersonai izvēlēties pareizo stratēģiju, pieņemot lēmumu. Iegūto prognozes ticamību ir iespējams pārbaudīt, aprēķinot izvēlētās pieejas vai metodes radīto kļūdu. Bet praksē ir sastopami uzdevumi, kad vēsturiskā pieprasījuma informācija ir pieejama ar ļoti nelielu statistikas daudzumu, piemēram, apģērbu tirdzniecība ar kolekcijas precēm; medicīnā analizējot gēnu ekspresijas vai farmakoloģijā analizējot zāļu iedarbību īsā laika vienībā utt. Rakstā ir analizētas eksponenciālās nogludināšanas, eksponenciālās nogludināšanas ar attīstības tendenci un slīdošā vidējā lieluma metodes. Aprakstīti šo metožu uzbūves un darbības principi. Raksta mērķis ir pārbaudīt šo metožu izmantošanas iespēju, analizējot īsas laika rindas. Eksperimentāli veikti pētījumi, izmantojot reālus pieprasījuma datus. Izvērtēti iegūtie rezultāti un sniegti ieteikumi par šo metožu izmantošanu īsu laika rindu analīzē.

В статье анализируются традиционные методы обработки временных рядов, которые используются в задачах прогнозирования спроса для анализа коротких временных рядов. Как правило, анализируя данные спроса, которые рассматриваются в качестве временных рядов и представляют собой исторический спрос продукта в определенной единице времени, появляется необходимость прогноза, чтобы определить потенциальный спрос на этот продукт в будущем. Прогноз помогает снизить риски принятия решения, возникающие, например, при заказе необходимого количества продуктов на следующий период. Традиционно, анализ временных рядов основан на процессе поиска закономерностей в долгосрочном периоде, анализируя изменения значения в определенном моменте времени, в результате чего определяется прогноз в будущем. Цель прогноза - эффективно снизить влияние случайных факторов на конечный результат, а также помочь лицу, принимающему решение, выбрать правильную стратегию для принятия решения. Достоверность прогноза определяется при расчёте ошибки подхода или метода. Но на практике встречаются задачи, в которых историческая информация о спросе доступна с очень небольшим количеством статистических данных, это, например, торговля коллекционной одеждой, в медицине - анализ экспрессии генов, в фармакологии - анализ воздействия препарата в коротком временном интервале и т.д. В данной статье анализируются методы экспоненциального сглаживания, экспоненциального сглаживания с тенденциями развития и скользящего среднего. Описано построение и принципы работы этих методов. Целью статьи является проверка возможности применения этих методов, анализируя короткие временные ряды. Проведены исследования с использованием реальных данных спроса. Оценены результаты и предложены рекомендации по применению этих методов в анализе коротких временных рядов.

Keywords : short time series; forecasting; exponential smoothing; exponential smoothing with the development trend; moving average method

  • [1] J. J. Flores and R. Loaeza, Financial time series forecasting using a hybrid neural-evolutive approach, Proceedings of the XV SIGEFInternational Conference, Lugo, Spain, 2009, pp. 547-555.Google Scholar

  • [2] E. de Alba and M. Mendoza, Bayesian Forecasting Methods for Short Time Series, Foresight: The International Journal of AppliedForecasting, International Institute of Forecasters, Issue 8, 2007, pp. 41-44.Google Scholar

  • [3] J. S. Armstrong, F. Collopy and J. T. Yokum, Decomposition by causal forces: A procedure for forecasting complex time series, InternationalJournal of Forecasting, 21, 2005, pp. 25-36.Google Scholar

  • [4] D. C. Montgomery, C. L. Jennings and M. Kulachi, Introduction to timeseries analysis and forecasting. Wiley-interscience, 2008.Google Scholar

  • [5] J. Ernst, G. J. Nau and Z. Bar-Joseph, Clustering short time series gene expression data, Bioinformatics, Vol. 21, No. suppl_1, 2005, pp. 159-168.Google Scholar

  • [6] I. H. Written and E. Frank, Data mining: practical machine learningtools and techniques - 2nd edition. Amsterdam etc.: Morgan Kaufman, 2005.Google Scholar

  • [7] Jr. E.S. Gardner, Exponential Smoothing: The State of Art, Journal ofForecasting 4, 1985, pp. 1-28Google Scholar

  • [8] K. K. Boyer and R. Verma, Operations and Supply Chain Managementfor the 21st Century, USA: South-Western Cengage Learning, 2010.Google Scholar

About the article

Arnis Kirshners

Arnis Kirshners, Mg.sc. ing., Doctoral Student, Lecturer and Systems Analyst, the Department of Modelling and Simulation at the Faculty of Computer Science and Information Technology, Riga Technical University. He received his diploma from the Department of Modelling and Simulation at Riga Technical University. His research interests include data mining and knowledge extraction, bioinformatics, intelligent systems, programming, database and evolutionary computing. Previous publications: Kirshners A., Liepinsh E., Parshutin S., Kuka J., Borisov A. “Risk Prediction System for Pharmacological Problems”, Automatic Control and Computer Sciences, Vol. 46, No. 2, 2012, pp. 57-65. Contact information: 1 Kalku Street, Riga, LV- 1658, phone: +371 67089530

Arkady Borisov

Arkady Borisov, Professor of Computer Science at the Faculty of Computer Science and Information Technology, Riga Technical University. He holds a degree of Doctor of Technical Sciences in Control of Technical Systems and a habilitation degree in Computer Science. His research interests include fuzzy sets, fuzzy logic, computational intelligence and bioinformatics. He has 220 publications in the fields of computer science and information technology. Contact information: 1 Kalku Street, Riga, LV-1658, phone: +371 67089530


Published Online: 2013-01-31

Published in Print: 2012-12-01


Citation Information: Information Technology and Management Science, Volume 15, Issue 1, Pages 65–69, ISSN (Online) 2255-9094, ISSN (Print) 2255-9086, DOI: https://doi.org/10.2478/v10313-012-0009-4.

Export Citation

This content is open access.

Comments (0)

Please log in or register to comment.
Log in