About Forecasting Methods（中文）
当你将历史数据导入或手动输入到预测中时，CCH Tagetik Supply Chain Planning 使用专有算法来评估和排列每个可用的预测方法。排名最高的方法是 CCH Tagetik Supply Chain Planning 确定为最适合你的数据的方法。
记录的方法部分
在大多数情况下，使用 AI 选择方法可以获得非常好的预测，该方法让预测引擎选择最佳方法和参数。CCH Tagetik Supply Chain Planning 使用各种统计分析、样本内测试和专家系统规则集，选择在近期范围内可能产生最低预测误差（MAD/sqrt(n)）的方法。
CCH Tagetik Supply Chain Planning 不一定选择对历史数据“拟合”最佳的方法，因为这通常会导致预测不稳定。一旦选择了方法，就会选择该方法的参数，以最小化历史上向前一期的 MAD。
CCH Tagetik Supply Chain Planning 中的自动方法选择算法倾向于简单模型而非复杂模型，并使用留出样本测试来基于以下原则衡量有效性：
- 历史数据包含信号和噪声的混合。大多数时间序列预测方法的目的是滤除噪声，以更好地识别信号。历史数据是有噪声的。
- 如果你过度拟合预测（使用捕捉信号中不存在的特征的方法），你会在信号之外捕捉噪声并外推该噪声。
- 你总是可以通过过度拟合更好地拟合历史；模型中的自由度越多，你就越能贴近历史数据中的波动。然而，过度拟合的预测会产生糟糕的结果。
- 方法选择不是寻找最佳拟合方法；而是寻找最佳预测器。
- 历史拟合不一定是预测能力的良好衡量标准。留出样本测试是黄金标准。它让你通过模拟过去使用该方法来测试方法的预测能力，即保留一些历史数据，并衡量预测方法仅使用截断的历史数据集对留出样本的预测效果如何。
在“方法”部分，列出了 CCH Tagetik Supply Chain Planning 使用的预测方法。CCH Tagetik Supply Chain Planning 通过分析数据的趋势和模式并应用最佳方法来自动生成预测。
如果你发现自动方法未检测到你已知存在的特征，你可能想要覆盖该方法或参数。这在检测季节性模式时最为常见，因为你的历史数据不足以让预测引擎确定性地判断这些模式存在。
CCH Tagetik Supply Chain Planning 为你提供多种预测方法。你可以将这些方法中的任何一种应用于你的数据并生成你自己的预测。当你选择新方法时，它会立即应用于预测。某些方法还有附加参数，例如最大频率。可用方法如下所述。
预测方法
| 方法 | 季节性 | 趋势 |
|---|---|---|
| Vanguard 阻尼趋势 参见关于混合方法。 | 是 | 幂 |
| 季节性 Vanguard 阻尼趋势 | 是 | 幂 |
| Log Theta 参见关于混合方法。 | 是 | 指数 |
| 季节性 Log Theta | 是 | 指数 |
| Theta 参见关于混合方法。 | 是 | 线性 |
| 季节性 Theta | 是 | 线性 |
| ARIMA (Box-Jenkins) | 是 | 指数 |
| 季节性 ARIMA (Box-Jenkins) | 是 | 指数 |
| Winters 乘法季节 | 是 | 线性 |
| Winters 加法季节 | 是 | 线性 |
| Holt 线性方法 | 否 | 线性 |
| 简单指数平滑 | 否 | 无 |
| Croston 间歇需求 | 否 | 无 |
| Vanguard 加法分解 使用加法分解时，会考虑季节效应来调整数据，使其平均值为 0。一旦估计出趋势，就从序列中减去趋势估计值。根据此数字估计季节因子，然后可以确定随机或不规则分量（随机 = 序列 - 趋势 - 季节）。然后使用随机分量来分析进一步的方程。 | 是 | 二次 |
| Vanguard 乘法分解 | 是 | 二次 |
| Vanguard Sigma 一种 Wolters Kluwer 专有算法，让你可以在低层级进行预测，从而更好地查看合并记录。 | 是 | 二次 |
| 经常性收入 让你自动化可预测、稳定且极有可能逐年持续的收入。示例包括订阅续订和月度付款。这是一种基于模型的方法。 你可以设置以下参数之一： - 自动：系统拟合数据。 - 手动：你可以输入你期望的值（值 1 等于 100%）。 | 是 | 幂 |
| 移动平均 | 否 | 无 |
| 随机游走（朴素） | 否 | 无 |
| 季节性随机游走 让你基于时间范围设置经常性值。例如，2017 年 10 月取 2016 年 10 月的值。这对于总是在同一日期发生且总是相同值的经常性费用（如保险费、员工奖金和具有年度订阅续订的产品）很有用。 | 是 | 无 |
| 随机 | 否 | 无 |
| 线性回归 | 否 | 线性 |
| 线性趋势：y(x)=a+bx | 否 | 线性 |
| 双曲趋势：y(x)=a+b/x | 否 | 双曲 |
| 对数趋势：y(x)=a+b*log(x) | 否 | 对数 |
| 平方根趋势：y(x)=a+b*sqrt(x) | 否 | 平方根 |
| 二次趋势：y(x)=a+bx^2 | 否 | 二次 |
| 幂趋势：y(x)=a*x^b | 否 | 幂 |
| 指数趋势：y(x)=a*e^(bx) | 否 | 指数 |
| 季节性趋势 | 是 | 线性 |
| 低通滤波器 参见关于频谱分析技术和应用频谱分析滤波器。 | 是 | 线性 |
| 频谱噪声滤波器 参见关于频谱分析技术和应用频谱分析滤波器。 | 是 | 线性 |
| 共振峰频率 参见应用频谱分析滤波器。 | 是 | 线性 |
| 零 | 否 | 无 |
注意：可能会向你的 CCH Tagetik Supply Chain Planning 实施中添加其他方法。
你还可以应用其他设置来优化你的预测。
参见应用附加方法设置。