Onda Média Móvel

Suavizando dados com médias móveis Como suavizar uma série de dados voláteis Os economistas do problema econômico usam técnicas de suavização para ajudar a mostrar a tendência econômica nos dados Para decifrar as tendências nas séries de dados, os pesquisadores realizam várias manipulações estatísticas. Essas operações são referidas como ldquosmoothing techniquesrdquo e são projetadas para reduzir ou eliminar a volatilidade de curto prazo nos dados. Uma série suavizada é preferida a uma não suavizada porque pode capturar mudanças na direção da economia melhor do que a série não ajustada faz. O ajuste sazonal é uma técnica de suavização Uma técnica comum de suavização utilizada na pesquisa econômica é o ajuste sazonal. Este processo envolve a separação das flutuações nos dados que se repetem no mesmo mês todos os anos (fatores sazonais). Tais flutuações podem ser resultado de férias anuais (um salto nas vendas no varejo de dezembro) ou padrões climáticos previsíveis (um aumento na construção de casas na primavera). Para obter mais informações sobre o processo de ajuste sazonal, consulte Dados de ajuste sazonais. Uma média móvel pode suavizar dados que permanecem voláteis após o ajuste sazonal Em outros casos, uma série de dados mantém a volatilidade mesmo após o ajuste sazonal. Um bom exemplo são as autorizações de habitação, que exibem fortes flutuações sazonais, principalmente devido a padrões climáticos previsíveis. Mesmo após o ajuste sazonal elimina esses padrões previsíveis, no entanto, continua a haver volatilidade considerável (Gráfico 1). Porque o ajuste sazonal não explica fatores irregulares, como condições climáticas incomuns ou desastres naturais, entre outros. Tais eventos são inesperados e não podem ser isolados da forma como os fatores sazonais podem. Por exemplo, as permissões de habitação unifamiliar caíram em junho porque as condições econômicas pioraram, ou foi apenas uma junho mais úmida do que o habitual. Os economistas usam uma técnica de suavização simples chamada ldquomoving averagerdquo para ajudar a determinar a tendência subjacente nas permissões de habitação e outros dados voláteis. Uma média móvel suaviza uma série, consolidando os pontos de dados mensais em unidades mais longas de tempo, em média, em vários meses de dados. Há uma desvantagem para usar uma média móvel para alisar uma série de dados, no entanto. Como o cálculo depende de dados históricos, algumas das variáveis ​​de tempo são perdidas. Por esse motivo, alguns pesquisadores usam uma média móvel ldquoweighted, onde os valores mais atuais da variável recebem maior importância. Outra maneira de reduzir a dependência de valores passados ​​é calcular uma média móvel ldquocenteredrdquo, onde o valor atual é o valor médio em uma média de cinco meses, com dois atrasos e duas derivações. Os números principais são valores previstos. Os dados disponíveis no site da Dallas Feds são ajustados usando a técnica de média móvel simples explicada abaixo. A Solução Técnica A fórmula para uma média móvel simples é: onde y é a variável (como permissão de residência unifamiliar), t é o período de tempo atual (como o mês atual) e n é o número de períodos de tempo em a média. Na maioria dos casos, os pesquisadores usam médias móveis de três, quatro ou cinco meses (de modo que n 3, 4 ou 5), com o maior n. Mais suave a série. Exemplo de mundo real As permissões de habitação do Texas são voláteis de mês a mês, uma média móvel ajuda a mostrar a tendência subjacente na tabela de dados 1 usa a fórmula acima para calcular uma média móvel de cinco meses de licenças de construção residencial. Na terceira coluna, a figura inferior (7,218) é encontrada tomando a média do mês atual e os quatro meses anteriores na coluna dois. A série da terceira coluna é suavizada e, como mostra o gráfico 2, é muito menos volátil do que a série original. Usando os dados suavizados, um pesquisador pode determinar mais facilmente as tendências subjacentes nos dados, além de detectar mudanças significativas na direção. As técnicas de suavização reduzem a volatilidade em uma série de dados, o que permite aos analistas identificar tendências econômicas importantes. A técnica de média móvel oferece uma maneira simples de suavizar os dados no entanto, porque utiliza dados de períodos passados, pode obscurecer as últimas mudanças na tendência. Visão geral do glossário Média em movimento: um cálculo que suaviza uma série de dados voláteis pela média de pontos de dados vizinhos. Ajuste sazonal: o tipo de técnica de suavização em que as flutuações sazonais nos dados são estimadas e removidas. Técnica de suavização: uma operação estatística realizada em séries econômicas de dados para reduzir ou eliminar a volatilidade de curto prazo. Análise de dados de cancelamento usando modelo de média móvel (MA) e modelo inteligente de resolução múltipla wavelet para avaliação de ruído para melhorar a precisão de previsão Primeira linha: 29 de julho 2014 Recebido: 17 de janeiro de 2013 Aceito: 14 de julho de 2014 Cite este artigo como: Akrami, SA El-Shafie, A. Naseri, M. et al. Neural Comput Applic (2014) 25: 1853. doi: 10.1007s00521-014-1675-0 2 Citações 247 Downloads A previsão de precipitação e a aproximação da sua magnitude têm um papel enorme e imperativo na gestão da água e na previsão de escoamento. O principal objetivo deste trabalho é obter a relação entre as séries temporais de precipitação obtidas da transformada wavelet (WT) e a média móvel (MA) na bacia do rio Klang, na Malásia. Para isso, os Haar e Dmey WTs foram aplicados para decompor as séries temporais de precipitação em 7, 10 diferentes níveis de resolução, respectivamente. Vários estudos de caso de pré-processamento baseados em mestras de 2, 3, 5, 10, 15, 20, 25 e 30 meses foram realizados para descobrir uma tendência de longo prazo em comparação com um MA de curto prazo. As informações e os dados foram coletados da barragem de Klang Gates, na Malásia, de 1997 a 2008. Quanto ao comportamento, as séries temporais de precipitação de 10, 15, 20 e 30 dias são decompostas em aproximação e coeficiente de detalhes com diferentes tipos De WT. O coeficiente de correlação R 2 e os critérios de erro do quadrado médio da raiz são aplicados para examinar o desempenho dos modelos. Os resultados mostram que existem algumas semelhanças entre os filtros MA e os filtros de sub-séries de aproximação wavelet devido à eliminação de ruído. Além disso, os resultados obtidos que a alta correlação com MAs podem ser alcançados através de Dmey WT em comparação com wavelet Haar para dados de precipitação. Além disso, os sinais limpos podem ser utilizados como entradas de modelos para melhorar o desempenho do modelo. Portanto, as técnicas de decomposição do sinal com o objetivo de pré-processamento de dados podem ser favoráveis ​​e podem ser apropriadas para a eliminação dos erros. Coeficientes de decomposição Dmey wavelet Onda de Haar Média em movimento Precisão de previsão Referências Akrami SA, Nourani V, Hakim SJS (2014) Desenvolvimento de modelo não-linear baseado em wavelet-ANFIS para previsão de precipitação na represa Klang Gates. Water Resour Manag 28 (10): 29993018 CrossRef Google Scholar Cannas B, Fanni A, See L, Sias G (2006) Pré-processamento de dados para a previsão de fluxo de rio usando redes neurais: transformações wavelet e particionamento de dados. Phys Chem Earth 31: 11641171 CrossRef Google Scholar Chang FJ, Chen L (1998) Algoritmo genético codificado real para o gerenciamento de reservatórios de controle de inundação baseado em regras. Water Resour Management 12 (3): 185198 CrossRef Google Scholar Chen GY, Bui TD, Krzyzak A (2009) Reconhecimento de padrões invariantes usando radon, wavelet complexo de árvore dupla e transformações de Fourier. Pattern Recognition 42: 20132019 CrossRef MATH Google Scholar Chen RJC, Bloomfield P, Fu JS (2003) Uma avaliação de métodos de previsão alternativos para visitas recreativas. J livres Res 35 (4): 441454 Google Scholar Earth Observation Center, Universiti Kebangsaan Malásia (UKM), Malásia 2013 Fonseca ES, Guido RC, Scalassara PR (2007) Análise de freqüência de tempo de onda e máquinas de vetores de suporte de mínimos quadrados para a identificação de distúrbios de voz . Comput Biol Med 37: 571578 CrossRef Google Scholar Fu Y, Serrai H (2011) Imagem espectroscópica de ressonância magnética rápida (MRSI) usando codificação wavelet e imagem paralela: resultados in vitro. J Magn Reson 211: 4551 CrossRef Google Scholar Genovese L, Videaud B, Ospici M, Deutschd T, Goedeckere S, Mhaut JF (2011) Daubechies wavelets para cálculos de estrutura eletrônica de alto desempenho. CR Mec 339: 149164 CrossRef MATH Google Scholar Lisi F, Nicolis O, Sandri M (1995) Combinando análises de espectro singular e redes neurais para previsão de séries temporais. Neural Process Lett 2 (4): 610 CrossRef Google Scholar Maier HR, Dandy GC (2000) Redes neurais para a previsão e previsão de variáveis ​​de recursos hídricos: uma revisão de problemas de modelagem e aplicações. Environ Model Softw 15: 101123 CrossRef Google Scholar Mallat SG (1998) Uma turnê wavelet de processamento de sinal. Academic Press, San Diego MATH Google Scholar Masset P (2008) Análise de séries temporais financeiras utilizando métodos de Fourier e Wavelet, Universidade de Friburgo (Suíça) Faculdade de Ciências Econômicas e Sociais Newbold P, Carlson WL, Thorne BM (2003) Estatísticas de Negócios e economia (quinta versão). Prentice Hall, Upper Saddle River Google Scholar Nourani V, Komasi M, Mano A (2009) Uma abordagem de onda múltipla multivariada para modelagem de precipitação-escoamento. Water Resour Manag 23: 28772894 CrossRef Google Scholar Partal T, Kisi O (2007) Wavelet e modelo de conjunção neuro-fuzzy para a previsão de precipitação. J Hydrol 342: 199212 CrossRef Google Scholar Rioul O, Vetterli M (1991) Wavelets e processamento de sinal. Revista IEEE SP. Pp 1438 Serrai H, Senhadji L (2005) Redução do tempo de aquisição na imagem espectroscópica de ressonância magnética usando codificação discreta de wavelet. J Magn Reson 177: 2230 CrossRef Google Scholar Shafiekhah M, Moghaddam MP, Sheikh El Eslami MK (2011) Previsão de preços dos mercados de eletricidade diária usando um método de previsão híbrido. Energy Convers Manag 52: 21652169 CrossRef Google Scholar Sifuzzaman M, Islamand MR, Ali MZ (2009) Aplicação da transformada wavelet e suas vantagens em comparação com a transformada fourier. J Phys Sci 13: 121134 Google Scholar Syed AR, Aqil B, Badar S (2010) Previsão de carga de tráfego de rede usando filtros de wavelet e modelo de média móvel automotiva sazonal. Int J Comput Electr Eng 2 (6): 17938163 Google Scholar Wu CL, Chau KW, Li YS (2009) Métodos para melhorar o desempenho da rede neural na previsão de fluxos diários. J Hydrol 372: 8093 CrossRef Google Scholar Yang X, Ren H, Li B (2008) Codificação embutida de wavelets de árvore zero com base em agrupamentos flexíveis adaptativos para compressão de imagens. Image Vis Comput 26: 812819 CrossRef Google Scholar Zhao X, Ye B (2010) Transformação de pacotes wavelet de convolução e suas aplicações para processamento de sinal. Processo de sinal de dígito 20: 13521364 CrossRef Google Scholar Informações de direitos autorais The Natural Computing Applications Forum 2014 Autores e afiliações Seyed Ahmad Akrami 1 Email autor Ahmed El-Shafie 1 Mahdi Naseri 2 Celso AG Santos 3 1. Departamento de Engenharia Civil e Estrutural Universiti Kebangsaan Malásia (UKM ) Bangi Malásia 2. Departamento de Engenharia Civil Universidade de Birjand Birjand Irã 3. Departamento de Engenharia Civil e Ambiental Universidade Federal de Paraba Joo Pessoa Brasil Sobre este artigo Imprimir ISSN 0941-0643 Online ISSN 1433-3058 Editor Nome Springer London