Appel du moteur de prévisions avec l'algorithme BEST et combinaison de prévisions

Lorsque l'option Combinaison classique est activée, les techniques suivantes sont utilisées :

• Moyenne simple : Calcule la moyenne des prévisions
• Moyenne tronquée : Classe la valeur de prévision en ordre ascendant, supprime les valeurs extrêmes « X » (deux extrémités) et calcule la moyenne. « X » est défini par le facteur de réduction.
• Moyenne winsorisée : Classe la valeur de prévision, remplace les valeurs extrêmes « X » (deux extrémités) par « X+1 » et calcule la moyenne. « X » est défini par le facteur winsorisé.
• AIC pondéré : Calcule le poids pour les premières meilleures valeurs AIC « X ».

Ces techniques facultatives de régression linéaire multivariée (MLR) peuvent être appliquées pour combiner les prévisions :

• MLR utilisant l'algorithme du gradient stochastique (SGD) et la méthodologie de test de formation :
  • Appliqué avec la randomisation si « Randomisation jeu de données complet Machine Learning » est sélectionné dans le moteur de prévisions
  • Appliqué sans randomisation si « Jeu de données complet Machine Learning » est sélectionné dans le moteur de prévisions
• MLR utilisant l'algorithme du gradient stochastique (SGD) et la méthodologie de validation croisée est appliquée si « Validation croisée Machine Learning » est sélectionné dans le moteur de prévisions.

Les techniques MLR permettent de calculer un ensemble de poids (un pour chaque prévision au sein d'une période de temps donnée, c'est-à-dire, un pour chaque algorithme) comme suit :

• Définissez un ensemble initial de poids et une interception (un niveau sous-jacent qui n'est lié à aucune prévision).
• Effectuez une boucle sur tous les points de données, le nombre d'epochs, comme défini dans le paramètre du moteur de prévisions.
• Recalculez le poids pour chaque point de données dans chaque boucle principale en utilisant SGD. Le poids est ajusté en fonction d'un pourcentage de la prévision d'une étape d'avance multiplié par l'observation. Le pourcentage est déterminé par le rythme d’apprentissage tel qu'il est défini dans le paramètre du moteur de prévisions.
• L'ordre des données de test ou de formation est randomisé avant de calculer les poids lors de la demande de la randomisation (c'est-à-dire, valeur initiale de nombre aléatoire = 0).