Simple versus complex selection rules for forecasting many time series

انتخاب روش پیش بینی مناسب برای تعداد زیادی از سری زمانی یک مشکل عمده برای بسیاری از پیش بینی سازمانی است. محققان پیشنهاد می کنند که قوانین گوناگونی را انتخاب کنند تا دقت پیش بینی را افزایش دهند. رویکرد ساده تر برای انتخاب مدل شامل شناسایی یک روش واحد است که به طور کلی به تمام سری داده ها اعمال می شود بدون توجه به ویژگی های خاص یک سری واحد. از سوی دیگر، انتخاب فردی شامل شناسایی بهترین روش برای هر سری است، هرچند که بیشتر در محاسبات فشرده است. ترکیبی ساده از روش ها همچنین یک معیار عملیاتی را فراهم می کند. در حال حاضر مطالعه مورد بررسی شرایطی است که انتخاب مدل فردی مفید است و زمانی که این رویکرد باید ترجیح داده شود تا انتخاب یا ترکیب ترکیبی مورد نظر باشد. برتری هر رویکرد از نظر ویژگی های داده، وجود یا عدم استفاده از روش غالب و ثبات عملکرد مقایسه ای روش های رقابت، تحلیل می شود. علاوه بر این، اندازه و ترکیب مجموعه های روش های مورد بررسی مورد بررسی قرار می گیرد. برای ارزیابی اثربخشی انتخاب مدل فرد در موارد مورد نظر، قوانین انتخاب ساده بر اساس بهترین عملکرد مناسب یا بهترین پیش بینی درون نمونه برای افق های پیش بینی های مختلف ارائه می شود. تجزیه و تحلیل نشان می دهد که انتخاب فردی بهترین کار زمانی است که زیر مجموعه های داده های خاص در نظر گرفته می شود (به عنوان مثال، سری های روند یا فصلی)، بلکه زمانی که عملکرد مقایسه ای روش های مداوم در طول زمان پایدار می باشد. مطالعه موردی نشان دهنده کارآیی استراتژی انتخاب پیشنهاد شده است.