01Overall Concept
ไอเดียหลัก — Holt Linear Trend เพิ่มองค์ประกอบแนวโน้มให้ exponential smoothing จึงอัปเดตทั้งระดับของอนุกรมและความชันในแต่ละช่วงเวลา แล้วนำสองส่วนมารวมกันเพื่อพยากรณ์อนาคตหลายก้าว
ลองนึกภาพว่า — เหมือนติดตามทั้งตำแหน่งรถในตอนนี้และความเร็วที่รถกำลังเคลื่อน เพื่อเดาว่าอีกหลายช่วงเวลารถจะไปอยู่ที่ใด
ตัวอย่างการนำไปใช้ — พยากรณ์ยอดขาย จำนวนผู้ใช้ หรือความต้องการที่มีแนวโน้มแต่ไม่มีฤดูกาลชัดเจน
02อธิบายภาษาคนเข้าใจง่ายๆ
Holt Linear Trend เริ่มจากคำถามง่าย ๆ ว่า แยกระดับปัจจุบันออกจากแนวโน้มที่กำลังเพิ่มหรือลด วิธีนี้ไม่ได้มองข้อมูลทุกชนิดเหมือนกัน จึงต้องเตรียมข้อมูลให้ตรงกับสิ่งที่อัลกอริทึมใช้คำนวณ
เหมือนติดตามทั้งตำแหน่งรถในตอนนี้และความเร็วที่รถกำลังเคลื่อน เพื่อเดาว่าอีกหลายช่วงเวลารถจะไปอยู่ที่ใด ภาพเปรียบเทียบนี้ช่วยจำแก่นของวิธี แต่ตอนใช้งานจริงคอมพิวเตอร์ทำงานกับตัวเลขและกฎที่กำหนดไว้อย่างชัดเจน
Holt Linear Trend เพิ่มองค์ประกอบแนวโน้มให้ exponential smoothing จึงอัปเดตทั้งระดับของอนุกรมและความชันในแต่ละช่วงเวลา แล้วนำสองส่วนมารวมกันเพื่อพยากรณ์อนาคตหลายก้าว พารามิเตอร์หลักใน Playground คือ น้ำหนักแนวโน้ม β เมื่อเลื่อนค่า ระบบจะคำนวณผลใหม่จากข้อมูลชุดเดิม จึงเปรียบเทียบการเปลี่ยนแปลงได้ตรง ๆ
ข้อมูลตัวอย่างบนหน้าใช้รูปแบบ 60 ช่วงเวลา · มีระดับและแนวโน้มเพิ่มขึ้น เราแยกสิ่งที่อัลกอริทึมรับเข้าออกจากผลลัพธ์ เพื่อไม่เผลอส่งข้อมูลคำตอบหรือข้อมูลอนาคตเข้าไปตอนฝึก
งานที่เหมาะ เช่น พยากรณ์ยอดขาย จำนวนผู้ใช้ หรือความต้องการที่มีแนวโน้มแต่ไม่มีฤดูกาลชัดเจน ก่อนใช้จริงควรกำหนด metric ที่สัมพันธ์กับเป้าหมาย แล้วเปรียบเทียบกับวิธีพื้นฐานที่ง่ายกว่า
ภาพจำ: forecast h ก้าว = level + h × trend พร้อมจำข้อจำกัดสำคัญว่า แนวโน้มเชิงเส้นอาจพุ่งไกลเกินจริงเมื่อพยากรณ์ระยะยาว และวิธีนี้ไม่อธิบายฤดูกาลหรือเหตุการณ์ภายนอก
03How it works
ค่อยๆ ทำไปด้วยกัน ตั้งแต่ข้อมูลแถวแรกจนถึงการตรวจคำตอบ
เตรียมข้อมูลให้ตรงโจทย์
y เป็นค่าที่เรียงตามเวลาและมีช่วงเวลาสม่ำเสมอ ตรวจค่าที่หาย หน่วยของแต่ละคอลัมน์ และแยกข้อมูลประเมินก่อนเรียนรู้พารามิเตอร์จากข้อมูล
ตั้งค่าที่ควบคุมพฤติกรรม
ใช้ smoothing_trend เพื่อควบคุมน้ำหนักของแนวโน้มล่าสุด และบันทึกค่าเริ่มต้นหรือ random seed เมื่อวิธีมีการสุ่ม เพื่อให้ทำซ้ำและเปรียบเทียบได้
คำนวณแก่นของวิธี
อัปเดตระดับจากค่าจริงและค่าคาดก่อนหน้า จากนั้น อัปเดตแนวโน้มจากการเปลี่ยนของระดับ Playground ใช้ข้อมูลสาธิตชุดเดิมทุกครั้งเพื่อให้เห็นผลของ slider โดยไม่ถูกความสุ่มกลบ
สร้างผลลัพธ์ที่นำไปอ่านได้
พยากรณ์ด้วยระดับบวกแนวโน้มคูณจำนวนก้าว ผลที่ได้คือ ค่าระดับ แนวโน้ม fitted values และ forecast ตัวเลขหรือกลุ่มที่ได้ยังต้องตีความร่วมกับบริบทของข้อมูล
ตรวจว่าคำตอบใช้ได้จริง
เปรียบเทียบหลายค่าของ smoothing_trend ด้วย metric ที่เหมาะ ดูทั้งผลรวมและกรณีที่พลาด แล้วทดสอบกับข้อมูลที่ไม่ใช้ปรับค่า โดยคำนึงถึงข้อจำกัดว่า แนวโน้มเชิงเส้นอาจพุ่งไกลเกินจริงเมื่อพยากรณ์ระยะยาว และวิธีนี้ไม่อธิบายฤดูกาลหรือเหตุการณ์ภายนอก
ข้อมูล พารามิเตอร์ และภาพรวมการคำนวณ
smoothing_trendsmoothing_leveldamped_trendข้อมูลที่รับเข้ามา
y เป็นค่าที่เรียงตามเวลาและมีช่วงเวลาสม่ำเสมอ
60 ช่วงเวลา · มีระดับและแนวโน้มเพิ่มขึ้นพารามิเตอร์ที่ใช้
- smoothing_trend
- ควบคุมน้ำหนักของแนวโน้มล่าสุด
- smoothing_level
- ควบคุมน้ำหนักของค่าล่าสุด
- damped_trend
- ลดอัตราการยืดแนวโน้มในอนาคต
ผลลัพธ์ที่ได้
ค่าระดับ แนวโน้ม fitted values และ forecast
forecast h ก้าว = level + h × trendคำนวณทีละขั้น
- 01
อัปเดตระดับจากค่าจริงและค่าคาดก่อนหน้า
- 02
อัปเดตแนวโน้มจากการเปลี่ยนของระดับ
- 03
พยากรณ์ด้วยระดับบวกแนวโน้มคูณจำนวนก้าว
ควรรู้อีกนิด — แนวโน้มเชิงเส้นอาจพุ่งไกลเกินจริงเมื่อพยากรณ์ระยะยาว และวิธีนี้ไม่อธิบายฤดูกาลหรือเหตุการณ์ภายนอก
04Make it yours
# ติดตั้ง: pip install numpy statsmodelsimport numpy as np data = np.genfromtxt("holt-linear-trend-sample.csv", delimiter=",", skip_header=1)X = data[:, :2] from statsmodels.tsa.holtwinters import Holt y = data[:, 1]model = Holt(y, initialization_method="estimated").fit( smoothing_level=.35, smoothing_trend=0.25, optimized=False)print("Forecast:", model.forecast(6))print("Trend:", model.trend[-1])print("SSE:", model.sse)โค้ดเปลี่ยนตามค่าที่เลือกใน Playground · แต่ละภาษาใช้ข้อมูลตัวอย่างตามที่ระบุในโค้ด
05Learn by playing
ปรับ น้ำหนักแนวโน้ม β แล้วสังเกตรูปแบบคำทำนายและตัวชี้วัดที่คำนวณใหม่ทันที
Playground เป็น implementation เพื่อการเรียนรู้ที่คำนวณในเบราว์เซอร์ ส่วนโค้ด Python ใช้ statsmodels จึงอาจให้ค่าต่างกันเล็กน้อยจากรายละเอียดการ optimize และค่าเริ่มต้นของไลบรารี ผลนี้ไม่ใช่ benchmark บนข้อมูลจริง