自动最佳方法预测方法

自动最佳方法预测方法 是劳动力管理中提供的最复杂的方法。 它包括：

• 用于历史数据清理的内置自动化功能
• 异常值和日历效应识别
• 包括季节性和趋势在内的模式检测
• 最佳建模可从 20 多种方法中进行选择，包括 ARIMA、WM、Ddecomp

这种 AI 驱动的预测方法使用以下方法创建具有最小误差的单个预测： 

• 最佳实践
• 异常值检测
• 缺少数据的数学修复
• 先进的时间序列预测技术

合奏预测

如果基于多个加权相等的方法的自定义模型比单个模型产生的结果更好，则该预测将被归类为整体。 Ensemble 预测是一项后期处理活动，用于评估多个预测模型并将它们组合起来以创建一个预测。 整体模型由不同的预测模型组成，例如 ARIMA、Holt Winters、Random Winters 和移动平均线。 组合各种模型可以提高预测的整体准确性，并避免高估特定模型中的任何峰值或谷值。

在当前的实施中，整体预测的基础模型可能因预测而异。 出现这种差异的原因在于 ensemble 将多个模型混合为一个模型的方式。

Ensemble 会为您的数据集选择最佳模型并将它们组合起来，这意味着可以使用 ensemble 预测两个不同的数据集。 但是，每个综合预测中的基础模型可能会相互不同。 例如，第一个数据集可以使用 Holt Arima 和步行平均值的混合。 第二个数据集可以使用 Theta 和点估计加权平均值的混合。

目前，ensemble 中的所有底层模型必须具有相同的权重。 例如，如果 ensemble 使用两个模型，则每个模型的权重为 50％。 如果 ensemble 使用四个模型，则每个模型的权重为 25％。 在未来的更新中，我们将显示整体预测使用的基础模型和权重。