Parâmetro padrão definido para o mecanismo de previsão ATT

Usado no algoritmo Holt-Winters robusto. O valor recomendado é 100 se nenhuma detecção de desvio for necessária. Se houver necessidade de detecção de desvio, o valor será de 3,5. A constante de limite representa o número de desvios padrão do valor histórico em comparação ao valor previsto.

Representa o limite de confiança para o teste de Ljung-Box. O teste de Ljung-Box verifica a significância estatística nos resíduos ajustados do modelo. Se o teste for significativo, os resíduos não serão aleatórios, o que não será válido para um modelo bem ajustado. Um valor de zero instrui o mecanismo a não calcular essa estatística. Quanto mais próximo o valor estiver de 1, mais provável será a geração de um resultado significativo. Porém, o modelo ainda pode ser usado mesmo que o resultado não seja significativo.

Isso determina o tipo de critério de decisão a ser usado para testar qual modelo é o "melhor". Usado tanto para o algoritmo Melhor quanto para otimização. AIC (Critério de informação de Akaike) e BIC (Critério de informação bayesiano) geralmente são melhores que o modelo SD (Desvio padrão).

Quanto maior for o valor de epoch, mais preciso será o modelo, mas afeta o desempenho

Representa o fator de amortecimento da tendência histórica para o algoritmo Holt-Winters. Esse fator é usado para amortecer a tendência durante o processo de ajuste do modelo. Esse fator também é usado para continuar o amortecimento da tendência na previsão. Se houver uma forte tendência nos dados, o fator de amortecimento de tendência deverá ser próximo de 1, de modo que um valor de 0,95 é considerado aceitável. Se não houver necessidade de amortecimento de tendência, use um valor de 1.

Determina qual técnica de inicialização deve ser usada quando o algoritmo é Holt-Winters. Não se aplica ao chamar o mecanismo usando o Melhor (fitmodelPickingAlgorithm), pois um subconjunto de técnicas de inicialização é usado.

Aplicado para revisar os coeficientes de regressão da previsão. Isso é usado no lugar da versão de rotina em determinadas circunstâncias, por exemplo, um desvio ou uma alteração em etapas.

O valor mínimo aceito para o fator de Bayes para a mudança de nível antes de um sinal de rastreamento ser ativado. Isso é usado no monitoramento BATS.

Um desvio é declarado se o fator de Bayes cair abaixo do valor de limite em um período individual.

O sinal e o processo de rastreamento serão ativados se o fator de Bayes cair abaixo do valor de limite de maneira cumulativa.

Isso representa o coeficiente atenuante de nível para o algoritmo de Holt-Winters. É usado para aumentar ou diminuir a influência (o peso, taxa de decaimento etc.) da nova observação no nível do componente do modelo de Holt-Winters. Quando o coeficiente for 0, a nova observação não influenciará o nível do modelo. Quando o coeficiente for 1, a nova observação se tornará o nível atenuante (após a remoção de qualquer influência sazonal, quando aplicável).

Best.

H-W (Otimização = TRUE)

O número máximo de termos no modelo gerado. Isso inclui o nível, a tendência e os 6 harmônicos (6 pares de um seno e cosseno).

Determina o tipo de modelo a ser usado, por exemplo, constante (apenas nível), linear (nível e tendência), sazonal (nível, tendência e sazonalidade). Deve ser usado em conjunto com o parâmetro SeasonalType.

o número mínimo de desvios padrão para um ponto de dados quando comparado à previsão para sinalizá-lo como um desvio para o algoritmo de Média móvel (padrão = 0, que efetivamente interrompe a detecção de desvio). Se for necessário teste de desvio, valores baixos serão recomendados, por exemplo, 2. Os desvios funcionam somente quando precisarem ocorrem erros grandes. Isso se deve ao fato de o modelo de média móvel incluir quaisquer observações de desvio no cálculo inicial, sendo, portanto, relativamente indiferente a desvios.

Representa o número de pontos de dados usados em cada cálculo de ponto móvel.

O parâmetro heurístico de otimização Late Acceptance Hill Climbing (LAHC) é usado para determinar a quantia de aumento para o coeficiente de atenuação de Holt-Winters relevante em uma iteração do algoritmo de otimização. Reduza esse valor em direção a zero para aumentar o número de iterações, o que, por sua vez, diminui o desempenho geral de otimização.

O parâmetro heurístico de otimização Late Acceptance Hill Climbing (LAHC) é usado para determinar o número de possíveis soluções que devem ser calculadas consecutivamente quando a solução não estiver salva para concluir a execução de otimização. Essa é a percentagem do número total de execuções que podem ocorrer com base na otimização incremental e da forma do modelo. Se esse valor for igual a um, a otimização será usada para determinar o número total de execuções que podem ocorrer com base na otimização incremental e na forma do modelo. Se esse valor for zero, uma única execução será realizada usando os valores de início da otimização para os coeficientes de atenuação relevantes. Recomenda-se usar o valor padrão. Quando esse valor atinge 1, a duração da execução aumenta e, portanto, o desempenho diminui. Porém, a possibilidade de atingir o valor mínimo global necessário (os Melhores parâmetros de atenuação) aumenta.

O parâmetro heurístico de otimização Late Acceptance Hill Climbing (LAHC) é usado para determinar o valor inicial do coeficiente atenuante de tendência para o algoritmo de Holt-Winters.

O parâmetro heurístico de otimização Late Acceptance Hill Climbing (LAHC) é usado para determinar o valor inicial do coeficiente atenuante de tendência para o algoritmo de Holt-Winters.

O parâmetro heurístico de otimização Late Acceptance Hill Climbing (LAHC) é usado para determinar o valor inicial do coeficiente atenuante sazonal para o algoritmo de Holt-Winters.

Determina se as verificações são realizadas para desvios nos algoritmos Holt-Winters, Mínimos quadrados, Média móvel e Média móvel exponencial.

Determina se são realizadas verificações para alterações em etapas no algoritmo Holt-Winters.

Determina se o mecanismo verifica sinais de rastreamento nos algoritmos de Holt-Winters, Mínimos quadrados, Média móvel e Média móvel exponencial.

Periodicidade do histórico transmitido e informações de máscara. Representa a natureza repetida dos dados para influências sazonais previstas (por exemplo, Meses = 12/13, Semanas = 52, Trimestres = 4 e assim por diante).

• < 0: Nenhuma randomização é realizada
• 0: A randomização não reproduzível é realizada
• >0: A randomização reproduzível é realizada, ou seja, quando o número é o mesmo, a ordem aleatória é a mesma. Portanto, os resultados são reproduzíveis.

Indica o número de períodos de histórico recentes para verificar se os itens têm histórico de vendas. Se os itens não tiverem histórico de vendas para o número de períodos especificado no parâmetro, o mecanismo não retornará previsão para os períodos e uma exceção recente de histórico será sinalizada/indicada pelo mecanismo.

É usado para aumentar ou diminuir a influência (ponderação ou taxa de decaimento) da nova observação no componente de regressão do modelo BATS. Se o fator de desconto tende para 1, o modelo torna-se mais dinâmico, ao passo que tende a 0, o modelo se tornará menos dinâmico.

É usado para aumentar ou diminuir a influência (ponderação ou taxa de decaimento) da nova observação sobre o componente sazonal do modelo BATS. Se o fator de desconto tende para 1, o modelo torna-se mais dinâmico, ao passo que tende a 0, o modelo se tornará menos dinâmico.

É usado para aumentar ou diminuir a influência (ponderação ou taxa de decaimento) da nova observação sobre o componente de tendência do modelo BATS. Se o fator de desconto tende para 1, o modelo torna-se mais dinâmico, ao passo que tende a 0, o modelo se tornará menos dinâmico.

É usado para aumentar ou diminuir a influência (ponderação ou taxa de decaimento) da nova observação sobre o componente de variação do modelo BATS. Se o fator de desconto tende para 1, o modelo torna-se mais dinâmico, ao passo que tende a 0, o modelo se tornará menos dinâmico.

Define a quantidade de períodos a serem monitorados quanto a mudanças significativas no nível e/ou variação, e o tamanho máximo que um sinal de rastreamento pode ser executado antes do sinal de rastreamento ser sinalizado (se ainda não tiver sido sinalizado). Quando um sinal de barra é detectado, a combinação de item/local é gravada na Exceção de sinal de acompanhamento, onde for mapeada. Isso é usado no monitoramento BATS.

O fator usado para desenvolver um modelo alternativo para monitorar o aumento na estimativa da variação. Isso é usado no monitoramento BATS.

O valor mínimo permitido para o fator de variação de Bayes antes da ativação de um sinal de rastreamento. Se o fator de Bayes ficar abaixo desse limite, o processo do sinal de rastreamento será ativado.

Isso é usado no monitoramento BATS.

O coeficiente atenuante de escala é para o algoritmo de Holt-Winters robusto. É usado para aumentar ou diminuir a influência do erro de previsão no componente de escala do modelo de Holt-Winters robusto. Quando o coeficiente for 0, o erro de previsão não terá influência na escala do modelo. Quando o coeficiente for 1, o erro de previsão terá um efeito significativo sobre a escala do modelo, tornando-o instável. Recomenda-se definir esse número para 0,1 e não modificá-lo.

Representa o coeficiente atenuante sazonal para o algoritmo de Holt-Winters. É usado para aumentar ou diminuir a influência da nova observação sobre o índice sazonal relevante do modelo de Holt-Winters. Quando o coeficiente for 0, a nova observação não influenciará o índice sazonal relevante do modelo. Quando o coeficiente for 1, a nova observação se tornará o índice sazonal relevante (após a influência do nível ser eliminada).

Determina o tipo de sazonalidade a ser usado para os modelos de Holt-Winters, por exemplo, aditivo ou multiplicativo.

Armazena o tamanho mínimo do histórico necessário para a execução do ajuste de modelo. O tamanho do histórico deve ser igual ou maior que o parâmetro de Histórico resumido especificado. As máscaras definidas pelo usuário são removidas antes do teste.

Armazena o fator de desconto usado para atenuar o nível em BATS para SMPs. Isso facilita o processo de estimativa do tempo atual entre eventos de vendas.

Determine o horizonte histórico no teste de Exceção de alteração por etapas no nível da previsão calculada (por exemplo, número de meses, se Nível de período = Meses). As alterações por etapas são definidas para o histórico completo, porém somente se houver uma alteração em etapas nos períodos mais recentes que cobrem o horizonte de exceção como um alerta estático (no pconst). Se não for especificado, não haverá limite

Contém o número máximo de desvios contíguos necessários para acionar uma alteração em etapas no algoritmo de Holt-Winters. Todos os desvios devem estar na mesma direção.

Determine o horizonte de histórico no teste de Exceção de rastreamento no nível de período da previsão calculada (por exemplo, número de meses, se Nível de período = Meses). Sinais de rastreamento são definidos para o histórico completo, porém somente se houver um sinal de rastreamento nos períodos mais recentes que cobrem o horizonte de exceção como um alerta estático (noconst).

Determine o limite de controle para rastreamento quando o rastreamento estiver definido como Ativado. O valor 0,99 efetivamente controla a detecção de sinal de rastreamento.

Determine a estratégia de sinal de rastreamento usada quando o rastreamento estiver definido como Ativado.

Representa o coeficiente atenuante de tendência para o algoritmo de Holt-Winters. É usado para aumentar ou diminuir a influência do nível sobre o componente de tendência do modelo de Holt-Winters. Quando o coeficiente for 0, a diferença entre os níveis novo e antigo não influenciará a tendência do modelo. Quando o coeficiente for 1, a diferença entre os níveis novo e antigo será a tendência.

Indica a diferença máxima entre o valor AIC mais baixo para que uma técnica seja incluída no cálculo da ponderação. Isso é usado na técnica AIC ponderada e aplicável quando a opção Combinação de previsões estiver definida como Ativada.