Für die ATT-Prognoseroutine gesetzte Standardparameter

Wird beim Algorithmus "Robust Holt-Winters" verwendet. Wenn keine Ausreißererkennung erforderlich ist, empfiehlt sich der Wert 100. Sollen Ausreißer erkannt werden, lautet der Wert 3,5. Die Grenzwertkonstante repräsentiert die Anzahl der Standardabweichungen des historischen Werts beim Vergleich mit dem prognostizierten Wert.

Setzt den Konfidenzgrenzwert für den Ljung-Box-Test fest. Mit dem Ljung-Box-Test wird die statistische Signifikanz der von einem angepassten Modell vorausgesagten Residuen geprüft. Ist der Test signifikant, sind die Residuen nicht zufällig, was für ein gut angepasstes Modell nicht gültig ist. Ein Nullwert weist die Routine an, die Statistik nicht zu berechnen. Je stärker sich der Wert 1 annähert, desto größer wird die Wahrscheinlichkeit, dass ein signifikantes Ergebnis generiert wird. Das Modell kann aber immer noch verwendet werden, auch wenn das Ergebnis signifikant ist.

Legt fest, anhand welchen Entscheidungskriteriums ermittelt werden soll, welches Modell sich am besten eignet. Wird sowohl beim Algorithmus "Beste(r/s)" als auch bei der Optimierung verwendet. AIC (Akaike Information Criterion) und BIC (Bayesian Information Criterion) sind in der Regel besser als das SD-Modell (SD = Standardabweichung).

Je höher der Wert für die Epoche, desto genauer das Modell, allerdings mit Auswirkungen auf die Leistung.

Stellt den Dämpfungsfaktor für den Historientrend für den Holt-Winters-Algorithmus dar. Mit diesem Faktor wird beim Anpassen des Modells der Trend gedämpft. Dieser Faktor wird auch verwendet, um die Trenddämpfung in der Prognose fortzusetzen. Gibt es in den Daten einen starken Trend, muss der Trenddämpfungsfaktor nahe 1 liegen, sodass ein Wert von 0,95 als akzeptabel angesehen wird. Ist keine Trenddämpfung erforderlich, müssen Sie den Wert 1 verwenden.

Legt fest, welche Initialisierungsmethode beim Holt-Winters-Algorithmus verwendet werden muss. Ist nicht relevant, wenn die Routine unter Verwendung von "Beste(r/s)" (fitmodelPickingAlgorithm) aufgerufen wird, da dann eine Teilmenge der Initialisierungsmethoden verwendet wird.

Wird angewendet, um die Regressionskoeffizienten der Prognose zu überarbeiten. Wird unter bestimmten Umständen anstelle der Routineversion verwendet, z. B. bei einem Ausreißer oder einer Stufenänderung.

Der akzeptierte Mindestwert für den Bayes-Faktor für die Niveauverschiebung, bevor ein Verfolgungssignal aktiviert wird. Wird in der BATS-Überwachung eingesetzt.

Wenn der Bayes-Faktor in einer einzelnen Periode unter den Schwellenwert fällt, wird ein Ausreißer vermerkt.

Wenn der Bayes-Faktor wiederholt unter den Schwellenwert fällt, werden das Verfolgungssignal und der entsprechende Prozess in Gang gesetzt.

Stellt den Grundbedarfs-Glättungskoeffizienten für den Holt-Winters-Algorithmus dar. Wird verwendet, um den Einfluss (Gewichtung, Verfallsgeschwindigkeit usw.) der neuen Beobachtung auf die Grundbedarfskomponente des Holt-Winters-Modell zu erhöhen oder zu verringern. Bei einem Koeffizienten von 0 hat die neue Beobachtung keinen Einfluss auf den Grundbedarf des Modells. Bei einem Koeffizienten von 1 wird die neue Beobachtung zum Glättungsgrad (nachdem alle Saisoneinflüsse, wo relevant, entfernt wurden).

Beste(r/s).

H-W (Optimierung = TRUE)

Die maximale Anzahl an Bedingungen im generierten Modell. Dazu gehören Grundbedarf, Trend und 6 Harmonien (6 Paare aus Sinus und Kosinus).

Legt den zu verwendenden Modelltyp fest, zum Beispiel konstant (nur Grundbedarf), linear (Grundbedarf und Trend), saisonal (Grundbedarf, Trend und Saisonalität). Dies muss mit dem ausgewählten Parameter SeasonalType zusammenarbeiten.

Die Mindestanzahl an Standardabweichungen für einen Datenpunkt im Vergleich zur Prognose, um dieselbe als Ausreißer für den Algorithmus "Gleitender Durchschnitt" zu kennzeichnen (Standardwert = 0, was die Ausreißererkennung effektiv stoppt). Wenn Tests auf Ausreißer erforderlich sind, sind niedrige Werte empfehlenswert, zum Beispiel 2. Ausreißer funktionieren nur, wenn große Fehler auftreten müssen. Das liegt daran, dass die Modellanpassung "Gleitender Durchschnitt" beliebige Ausreißerbeobachtungen in der Anfangsberechnung enthält und daher relativ träge auf Ausreißer reagiert.

Legt die Anzahl der Datenpunkte fest, die bei jeder Berechnung des Durchschnitts zur Analyse der gleitenden Datenpunkte verwendet wird.

Mit dem (meta)heuristischen Optimierungsparameter Late Acceptance Hill Climbing (LAHC) wird festgelegt, um wie viel der relevante Holt-Winters-Glättungskoeffizient bei einer Iteration des Optimierungsalgorithmus heraufgesetzt werden muss. Lassen Sie diesen Wert gegen null sinken, um die Anzahl der Iterationen zu erhöhen, wodurch wiederum die Gesamtleistung der Optimierung abnimmt.

Mit dem (meta)heuristischen Optimierungsparameter Late Acceptance Hill Climbing (LAHC) wird festgelegt, wie viele Lösungskandidaten in Folge berechnet werden müssen, wenn die Lösung nicht gespeichert wird, um den Optimierungslauf zu beenden. Angegeben wird ein Prozentsatz der Gesamtanzahl an Läufen, die basierend auf der inkrementellen Optimierung und der Modellform vorkommen können. Ist dieser Wert gleich eins, wird die Gesamtanzahl an Läufen, die basierend auf der inkrementellen Optimierung und der Modellform vorkommen können, mithilfe der Optimierung ermittelt. Ist dieser Wert null, wird unter Verwendung der Optimierungsstartwerte für die relevanten Glättungskoeffizienten ein einzelner Lauf durchgeführt. Es wird die Verwendung des Standardwerts empfohlen. Mit Annäherung an den Wert 1 nimmt die Länge des Laufs zu und damit die Leistung ab. Die Chance, den erforderlichen globalen Minimalwert (die besten Glättungsparameter) zu erreichen, steigt jedoch.

Mit dem (meta)heuristischen Optimierungsparameter Late Acceptance Hill Climbing (LAHC) wird der Startwert für den Trend-Glättungskoeffizienten des Holt-Winters-Algorithmus festgelegt.

Mit dem (meta)heuristischen Optimierungsparameter Late Acceptance Hill Climbing (LAHC) wird der Startwert für den Trend-Glättungskoeffizienten des Holt-Winters-Algorithmus festgelegt.

Mit dem (meta)heuristischen Optimierungsparameter Late Acceptance Hill Climbing (LAHC) wird der Startwert für den Saisonalitäts-Glättungskoeffizienten des Holt-Winters-Algorithmus festgelegt.

Legt fest, ob in den Algorithmen Holt-Winters, Kleinste Quadrate, Gleitender Durchschnitt und Exponentieller gleitender Durchschnitt auf Ausreißer geprüft wird.

Legt fest, ob im Algorithmus Holt-Winters nach Stufen gesucht wird.

Legt fest, ob die Routine in den Algorithmen Holt-Winters, Kleinste Quadrate, Gleitender Durchschnitt und Exponentieller gleitender Durchschnitt nach Nachverfolgungssignalen sucht.

Periodizität der weitergegebenen Historie und die Maskierungsinformationen. Stellt die wiederholende Eigenschaft der Daten für die Prognose von Saisoneinflüssen dar (z. B. Monate = 12/13, Wochen = 52, Quartale = 4 usw.).

• < 0: Es wird keine Randomisierung ausgeführt.
• 0: Es wird eine nicht reproduzierbare Randomisierung ausgeführt.
• >0: Es wird eine reproduzierbare Randomisierung durchgeführt, bei der also die Nummer identisch ist mit der zufälligen Reihenfolge. Daher sind die Ergebnisse reproduzierbar.

Gibt die Anzahl der letzten historischen Perioden an, um zu prüfen, ob die Artikel eine Verkaufshistorie haben. Wenn die Artikel keine Verkaufshistorie für die im Parameter festgelegte Anzahl von Perioden haben, gibt die Routine keine Prognose für die Perioden zurück und eine der neuesten Historieausnahmen wird durch die Routine gekennzeichnet/angegeben.

Wird verwendet, um den Einfluss (Gewichtung oder Verfallsgeschwindigkeit) der neuen Beobachtung auf die Regressionskomponente des BATS-Modells zu erhöhen oder zu verringern. Wenn der Abschwächungsfaktor gegen 1 geht, wird das Modell dynamischer, wenn er gegen 0 geht, wird das Modell weniger dynamisch.

Wird verwendet, um den Einfluss (Gewichtung oder Verfallsgeschwindigkeit) der neuen Beobachtung auf die saisonale Komponente des BATS-Modells zu erhöhen oder zu verringern. Wenn der Abschwächungsfaktor gegen 1 geht, wird das Modell dynamischer, wenn er gegen 0 geht, wird das Modell weniger dynamisch.

Wird verwendet, um den Einfluss (Gewichtung oder Verfallsgeschwindigkeit) der neuen Beobachtung auf die Trendkomponente des BATS-Modells zu erhöhen oder zu verringern. Wenn der Abschwächungsfaktor gegen 1 geht, wird das Modell dynamischer, wenn er gegen 0 geht, wird das Modell weniger dynamisch.

Wird verwendet, um den Einfluss (Gewichtung oder Verfallsgeschwindigkeit) der neuen Beobachtung auf die Abweichungskomponente des BATS-Modells zu erhöhen oder zu verringern. Wenn der Abschwächungsfaktor gegen 1 geht, wird das Modell dynamischer, wenn er gegen 0 geht, wird das Modell weniger dynamisch.

Definiert die Anzahl der Perioden, die auf signifikante Verschiebungen im Grundbedarf und/oder in der Abweichung überwacht werden sollen, und die maximale Dauer, während der ein Nachverfolgungssignal ausgeführt werden kann, bevor das Nachverfolgungssignal gekennzeichnet wird (wenn es nicht bereits gekennzeichnet ist). Wenn ein Nachverfolgungssignal erkannt wird, muss die Artikel/Ort-Kombination in Ausnahme - Nachverfolgung, falls zugeordnet, vermerkt werden. Wird in der BATS-Überwachung eingesetzt.

Die Faktoren, die zur Entwicklung eines alternativen Modells zur Überwachung des Anstiegs in der Abweichungskalkulation verwendet werden. Wird in der BATS-Überwachung eingesetzt.

Der zulässige Mindestwert für die Abweichung beim Bayes-Faktor, bevor ein Verfolgungssignal aktiviert wird. Wenn der Bayes-Faktor unter diesen Schwellenwert fällt, wird der Prozess für das Verfolgungssignal aktiviert.

Wird in der BATS-Überwachung eingesetzt.

Stellt den Staffelungsglättungskoeffizient für den Algorithmus "Robust Holt-Winters" dar. Wird verwendet, um den Einfluss des Prognosefehlers auf die Staffelungskomponente des Modells "Robust Holt-Winters" zu erhöhen oder zu verringern. Bei einem Koeffizienten von 0 hat der Prognosefehler keinen Einfluss auf die Staffelung des Modells. Bei einem Koeffizienten von 1 hat der Prognosefehler einen erheblichen Einfluss auf die Staffelung des Modells und macht es instabil. Wir empfehlen, diesen Wert auf 0,1 zu setzen und nicht zu verändern.

Stellt den Saisonalitäts-Glättungskoeffizienten für den Holt-Winters-Algorithmus dar. Dieser wird verwendet, um den Einfluss der neuen Beobachtung auf den relevanten Saisonindex des Holt-Winters-Modells zu erhöhen oder zu verringern. Bei einem Koeffizienten von 0 beeinflusst die neue Beobachtung den relevanten Saisonindex des Modells nicht. Bei einem Koeffizienten von 1 wird die neue Beobachtung zum relevanten Saisonindex (nachdem der Einfluss des Grundbedarfs ausgeschaltet wurde).

Legt den Typ der Saisonalität fest, der für das Holt-Winters-Modell verwendet werden soll, zum Beispiel additiv oder multiplikativ.

Speichert die Mindestlänge der Historie, die für die Modellanpassung erforderlich ist. Die Länge der Historie muss größer oder gleich dem angegebenen Parameter für die Kurzhistorie sein. Die benutzerdefinierte Vorlagen werden vor dem Test entfernt.

Enthält den Abschwächungsfaktor, der zum Glätten der Ebene in BATS für Langsamdreher verwendet wird. Dies erleichtert die Schätzung der aktuellen Länge des Zeitraums zwischen Verkaufsereignissen.

Bestimmt den Horizont in der Historie im Test "Stufenänderungsausnahme" auf der Periodenebene der berechneten Prognose (z. B. Anzahl von Monaten, wenn Periodenebene = Monate). Stufenänderungen werden für die vollständige Historie festgelegt, jedoch nur, wenn eine Stufenänderung innerhalb der neuesten Perioden, die den Ausnahmehorizont abdecken, als statische Alarmmeldung gekennzeichnet ist (bei pconst). Wenn nicht festgelegt, gibt es keinen Grenzwert.

Enthält die maximale Anzahl zusammenhängender Ausreißer, die zum Auslösen einer Stufenänderung im Holt-Winters-Algorithmus erforderlich sind. Alle Ausreißer müssen in dieselbe Richtung abweichen.

Bestimmt den Horizont in der Historie im Test "Ausnahme - Nachverfolgung" auf der Periodenebene der berechneten Prognose (z. B. Anzahl von Monaten, wenn Periodenebene = Monate). Nachverfolgungssignale werden für die vollständige Historie festgelegt, jedoch nur, wenn ein Nachverfolgungssignal innerhalb der neuesten Perioden, die den Ausnahmehorizont abdecken, als statische Alarmmeldung gekennzeichnet ist (bei pconst).

Bestimmt das Steuerungslimit für die Nachverfolgung, wenn Nachverfolgung auf "An" gesetzt ist. Der Wert 0,99 deaktiviert die Erkennung von Nachverfolgungssignalen entsprechend.

Bestimmt die verwendete Strategie für das Nachverfolgungssignal, wenn Nachverfolgung auf "An" gesetzt ist.

Stellt den Trendglättungskoeffizienten für den Holt-Winters-Algorithmus dar. Dieser wird verwendet, um den Einfluss des Grundbedarfs auf die Trendkomponente des Holt-Winters-Modells zu erhöhen oder zu verringern. Bei einem Koeffizienten von 0 beeinflusst die Differenz zwischen dem neuen und dem alten Grundbedarf den Trend des Modells nicht. Bei einem Koeffizienten von 1 ist die Differenz zwischen dem neuen und dem alten Grundbedarf der Trend.

Gibt die maximale Abweichung vom niedrigsten AIC-Wert an, damit eine Methode bei der Berechnung der Gewichtung berücksichtigt wird. Wird in der gewichteten AIC-Methode verwendet und angewendet, wenn die Option Prognosen kombinieren auf "An" gesetzt ist.