Exponential Smoothing Methods

Machine Learning - টাইম সিরিজ (Time Series)

131

এক্সপোনেনশিয়াল স্মুদিং (Exponential Smoothing) হলো একটি টাইম সিরিজ মডেলিং পদ্ধতি যা ভবিষ্যতের মানের পূর্বাভাস তৈরি করতে অতীত মানের উপর বিভিন্ন ধরণের ওজন নির্ধারণ করে। এটি একধরণের স্মুথিং (smoothing) প্রযুক্তি, যা টাইম সিরিজের অন্তর্নিহিত ট্রেন্ড এবং সিজনাল প্যাটার্নের উপরে ফোকাস করে, এবং ভবিষ্যত মানের জন্য অনুমান তৈরি করতে অতীত ডেটা ব্যবহার করে।

এক্সপোনেনশিয়াল স্মুদিং পদ্ধতিতে অতীতের ডেটাকে একটি ধাপে ধাপে কমায়, যাতে পুরানো তথ্য কম প্রভাব ফেলে এবং নতুন তথ্যের বেশি গুরুত্ব থাকে। এই পদ্ধতিতে ভালো ফিটিং (good fit) ও ভবিষ্যতের জন্য অনুমানযোগ্যতা (predictability) নিশ্চিত করা হয়।

এক্সপোনেনশিয়াল স্মুদিং এর ধরণ:

এক্সপোনেনশিয়াল স্মুদিংয়ের তিনটি প্রধান ধরণ রয়েছে:

Single Exponential Smoothing (SES):
- এটি সবচেয়ে সহজ এবং বেসিক এক্সপোনেনশিয়াল স্মুদিং পদ্ধতি, যেখানে কেবল নিউনতম স্মুথিং এবং ট্রেন্ডের অনুপস্থিতি হিসাব করা হয়।
- সাধারণত যখন টাইম সিরিজে কোনো ট্রেন্ড বা সিজনাল প্যাটার্ন থাকে না তখন SES ব্যবহার করা হয়।
ফর্মুলা: $ˆYt+1=αYt+(1−α)ˆYt<math display="block" xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><msub><mover accent="true"><mi>Y</mi><mo>^</mo></mover><mrow><mi>t</mi><mo>+</mo><mn>1</mn></mrow></msub><mo>=</mo><mi>α</mi><msub><mi>Y</mi><mi>t</mi></msub><mo>+</mo><mo stretchy="false">(</mo><mn>1</mn><mo>−</mo><mi>α</mi><mo stretchy="false">)</mo><msub><mover accent="true"><mi>Y</mi><mo>^</mo></mover><mi>t</mi></msub></mrow><annotation encoding="application/x-tex">\hat{Y}_{t+1} = \alpha Y_t + (1 - \alpha) \hat{Y}_t</annotation></semantics></math>$ যেখানে:
- $Y t <math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><msub><mi>Y</mi><mi>t</mi></msub></mrow><annotation encoding="application/x-tex">Y_t</annotation></semantics></math>$ হল বর্তমান সময়ের পর্যবেক্ষণ
- $ˆYt<math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><msub><mover accent="true"><mi>Y</mi><mo>^</mo></mover><mi>t</mi></msub></mrow><annotation encoding="application/x-tex">\hat{Y}_t</annotation></semantics></math>$ হল পূর্ববর্তী সময়ের পূর্বাভাস
- $α<math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>α</mi></mrow><annotation encoding="application/x-tex">\alpha</annotation></semantics></math>$ হল স্মুথিং প্যারামিটার (0 < $α<math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>α</mi></mrow><annotation encoding="application/x-tex">\alpha</annotation></semantics></math>$ < 1), যা নতুন মানের ওজন নির্ধারণ করে।
ব্যবহার: যখন টাইম সিরিজে ট্রেন্ড বা সিজনালিটি না থাকে।

Double Exponential Smoothing (DES):
- এই পদ্ধতি ট্রেন্ড বিশ্লেষণ করার জন্য ব্যবহৃত হয়। Double Exponential Smoothing টাইম সিরিজের ট্রেন্ড বা প্রবণতাকে ধরতে সাহায্য করে।
- এটি ট্রেন্ডের জন্য আলাদা স্মুথিং প্যারামিটার ব্যবহার করে।
ফর্মুলা:
$ˆYt+1=αYt+(1−α)(ˆYt+bt)<math display="block" xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><msub><mover accent="true"><mi>Y</mi><mo>^</mo></mover><mrow><mi>t</mi><mo>+</mo><mn>1</mn></mrow></msub><mo>=</mo><mi>α</mi><msub><mi>Y</mi><mi>t</mi></msub><mo>+</mo><mo stretchy="false">(</mo><mn>1</mn><mo>−</mo><mi>α</mi><mo stretchy="false">)</mo><mo stretchy="false">(</mo><msub><mover accent="true"><mi>Y</mi><mo>^</mo></mover><mi>t</mi></msub><mo>+</mo><msub><mi>b</mi><mi>t</mi></msub><mo stretchy="false">)</mo></mrow><annotation encoding="application/x-tex">\hat{Y}_{t+1} = \alpha Y_t + (1 - \alpha)(\hat{Y}_t + b_t)</annotation></semantics></math>$
যেখানে:
- $b t <math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><msub><mi>b</mi><mi>t</mi></msub></mrow><annotation encoding="application/x-tex">b_t</annotation></semantics></math>$ হল ট্রেন্ডের জন্য স্লোপ (slope), যেটি পূর্ববর্তী সময়ের ট্রেন্ডকে প্রতিনিধিত্ব করে।
- $α<math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>α</mi></mrow><annotation encoding="application/x-tex">\alpha</annotation></semantics></math>$ হল স্মুথিং প্যারামিটার (0 < $α<math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>α</mi></mrow><annotation encoding="application/x-tex">\alpha</annotation></semantics></math>$ < 1)।
ব্যবহার: যখন টাইম সিরিজে একটি প্রবণতা (trend) থাকে এবং ভবিষ্যতের মান পূর্ববর্তী ট্রেন্ডের ওপর ভিত্তি করে অনুমান করা হয়।

Triple Exponential Smoothing (Holt-Winters):
- এই পদ্ধতিটি সিজনালিটি বিশ্লেষণ করতে ব্যবহৃত হয়, এবং এতে ট্রেন্ড, সিজনালিটি এবং স্মুথিংয়ের জন্য তিনটি প্যারামিটার থাকে। এটি Holt-Winters মডেল নামেও পরিচিত।
- এটি একটি উন্নত সংস্করণ যা টাইম সিরিজে সিজনাল প্যাটার্ন সহ ট্রেন্ড এবং সিজনাল ভেরিয়েশন কে মডেলিং করে।
ফর্মুলা:
$ˆYt+1=(ˆYt+bt)+st<math display="block" xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><msub><mover accent="true"><mi>Y</mi><mo>^</mo></mover><mrow><mi>t</mi><mo>+</mo><mn>1</mn></mrow></msub><mo>=</mo><mo stretchy="false">(</mo><msub><mover accent="true"><mi>Y</mi><mo>^</mo></mover><mi>t</mi></msub><mo>+</mo><msub><mi>b</mi><mi>t</mi></msub><mo stretchy="false">)</mo><mo>+</mo><msub><mi>s</mi><mi>t</mi></msub></mrow><annotation encoding="application/x-tex">\hat{Y}_{t+1} = (\hat{Y}_t + b_t) + s_t</annotation></semantics></math>$
যেখানে:
- $s t <math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><msub><mi>s</mi><mi>t</mi></msub></mrow><annotation encoding="application/x-tex">s_t</annotation></semantics></math>$ হল সিজনাল উপাদান (seasonal component)।
- $ˆYt<math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><msub><mover accent="true"><mi>Y</mi><mo>^</mo></mover><mi>t</mi></msub></mrow><annotation encoding="application/x-tex">\hat{Y}_t</annotation></semantics></math>$ হল স্মুথড পূর্বাভাস (smoothed forecast)।
- $b t <math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><msub><mi>b</mi><mi>t</mi></msub></mrow><annotation encoding="application/x-tex">b_t</annotation></semantics></math>$ হল ট্রেন্ড (trend)।
- $s t <math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><msub><mi>s</mi><mi>t</mi></msub></mrow><annotation encoding="application/x-tex">s_t</annotation></semantics></math>$ হল সিজনাল প্যাটার্ন (seasonal pattern)।
ব্যবহার: যখন টাইম সিরিজে ট্রেন্ড এবং সিজনাল প্যাটার্ন উভয়ই থাকে।

এক্সপোনেনশিয়াল স্মুদিং পদ্ধতির বৈশিষ্ট্য:

এডাপ্টিভ স্মুথিং: নতুন তথ্যের গুরুত্ব বাড়ানোর জন্য স্মুথিং প্যারামিটার ( $α<math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>α</mi></mrow><annotation encoding="application/x-tex">\alpha</annotation></semantics></math>$ ) নিয়ন্ত্রণ করে।
সহজতা এবং দ্রুত হিসাব: এক্সপোনেনশিয়াল স্মুদিং দ্রুত এবং কার্যকরীভাবে পূর্বাভাস তৈরি করতে পারে, কারণ এটি শুধুমাত্র সাম্প্রতিক ডেটা থেকে তথ্য সংগ্রহ করে।
ডেটা ঝুঁকি কমানো: পুরানো ডেটার প্রভাব ধীরে ধীরে কমে যাওয়ায় মডেলটি নতুন প্রবণতা বা সিজনাল প্যাটার্ন অনুযায়ী অভিযোজিত হয়।
কম্পিউটেশনাল কার্যকারিতা: এক্সপোনেনশিয়াল স্মুদিং অন্যান্য উন্নত মডেলগুলির তুলনায় কম সময়ে কাজ করতে পারে এবং এতে কম পরিমাণ তথ্য প্রয়োজন।

এক্সপোনেনশিয়াল স্মুদিং এর ব্যবহার:

ভবিষ্যতের পূর্বাভাস: এক্সপোনেনশিয়াল স্মুদিং পদ্ধতিটি বিশেষভাবে ভবিষ্যতের মান অনুমান করতে ব্যবহৃত হয়, যেখানে টাইম সিরিজে ট্রেন্ড বা সিজনাল প্যাটার্ন থাকতে পারে।
স্টক মার্কেট অ্যানালাইসিস: স্টক মার্কেটের দাম পূর্বাভাসের জন্য ব্যবহৃত হতে পারে।
ব্যবসায়িক বিক্রয়: এক্সপোনেনশিয়াল স্মুদিং পদ্ধতি ব্যবসায়িক বিক্রয়ের পূর্বাভাস এবং চাহিদা ম্যানেজমেন্টের জন্য ব্যবহৃত হয়।

সারাংশ

এক্সপোনেনশিয়াল স্মুদিং হলো টাইম সিরিজ ডেটা বিশ্লেষণের একটি গুরুত্বপূর্ণ পদ্ধতি, যা অতীত ডেটার ওপর ভিত্তি করে ভবিষ্যতের মান পূর্বাভাস করতে সহায়ক। এর মধ্যে Single Exponential Smoothing, Double Exponential Smoothing, এবং Triple Exponential Smoothing (Holt-Winters) অন্তর্ভুক্ত রয়েছে। প্রতিটি মডেল টাইম সিরিজের বিভিন্ন উপাদান (যেমন ট্রেন্ড, সিজনাল প্যাটার্ন) ধরতে এবং পূর্বাভাস তৈরি করতে ব্যবহৃত হয়।

Content added By

Md Azizur Rahman

Simple Exponential Smoothing (SES)

150

Simple Exponential Smoothing (SES) একটি টাইম সিরিজ ফোরকাস্টিং মডেল যা সাম্প্রতিক সময়ের পর্যবেক্ষণগুলিকে বেশি গুরুত্ব দেয় এবং আগের পর্যবেক্ষণগুলিকে কম গুরুত্ব দেয়। এটি এমন একটি মডেল যা অতীত ডেটার উপর ভিত্তি করে ভবিষ্যতের মান অনুমান করে এবং একটি স্মুথিং প্যারামিটার ( $α<math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>α</mi></mrow><annotation encoding="application/x-tex">\alpha</annotation></semantics></math>$ ) ব্যবহার করে যা পূর্বাভাসের মান এবং আসল ডেটার মধ্যে ভারসাম্য বজায় রাখে।

SES এর মূল ধারণা

SES মডেলটি টাইম সিরিজ ডেটার বর্তমান পর্যবেক্ষণগুলির গড় বা ফিল্টারিংয়ের মাধ্যমে ভবিষ্যত মান অনুমান করে। এটি একটি লিনিয়ার মডেল এবং সাধারণত ব্যবহৃত হয় যখন টাইম সিরিজে ট্রেন্ড বা সিজনালিটি নেই।

SES মডেলের গাণিতিক ফর্মুলা:

$ˆYt+1=αYt+(1−α)ˆYt<math display="block" xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><msub><mover accent="true"><mi>Y</mi><mo>^</mo></mover><mrow><mi>t</mi><mo>+</mo><mn>1</mn></mrow></msub><mo>=</mo><mi>α</mi><msub><mi>Y</mi><mi>t</mi></msub><mo>+</mo><mo stretchy="false">(</mo><mn>1</mn><mo>−</mo><mi>α</mi><mo stretchy="false">)</mo><msub><mover accent="true"><mi>Y</mi><mo>^</mo></mover><mi>t</mi></msub></mrow><annotation encoding="application/x-tex">\hat{Y}_{t+1} = \alpha Y_t + (1 - \alpha) \hat{Y}_t</annotation></semantics></math>$

এখানে:

$ˆYt+1<math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><msub><mover accent="true"><mi>Y</mi><mo>^</mo></mover><mrow><mi>t</mi><mo>+</mo><mn>1</mn></mrow></msub></mrow><annotation encoding="application/x-tex">\hat{Y}_{t+1}</annotation></semantics></math>$ হলো পরবর্তী সময় পয়েন্টের পূর্বাভাস।
$Y t <math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><msub><mi>Y</mi><mi>t</mi></msub></mrow><annotation encoding="application/x-tex">Y_t</annotation></semantics></math>$ হলো বর্তমান সময় পয়েন্টের পর্যবেক্ষণ বা আসল মান।
$ˆYt<math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><msub><mover accent="true"><mi>Y</mi><mo>^</mo></mover><mi>t</mi></msub></mrow><annotation encoding="application/x-tex">\hat{Y}_t</annotation></semantics></math>$ হলো পূর্ববর্তী সময় পয়েন্টের পূর্বাভাস (অথবা প্রথম পূর্বাভাসটি সাধারণত $Y 1 <math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><msub><mi>Y</mi><mn>1</mn></msub></mrow><annotation encoding="application/x-tex">Y_1</annotation></semantics></math>$ এর সমান হতে পারে)।
$α<math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>α</mi></mrow><annotation encoding="application/x-tex">\alpha</annotation></semantics></math>$ হলো স্মুথিং প্যারামিটার (যা 0 এবং 1 এর মধ্যে থাকে), যা আসল ডেটার কতটা গুরুত্ব দেওয়া হবে তা নির্ধারণ করে।

$α<math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>α</mi></mrow><annotation encoding="application/x-tex">\alpha</annotation></semantics></math>$ এর মানের উপর নির্ভর করে SES মডেলটি কতটা রেসপন্সিভ হবে:

$α=1<math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>α</mi><mo>=</mo><mn>1</mn></mrow><annotation encoding="application/x-tex">\alpha = 1</annotation></semantics></math>$ : শুধুমাত্র সাম্প্রতিক ডেটাকে সম্পূর্ণভাবে গুরুত্ব দেওয়া হবে।
$α=0<math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>α</mi><mo>=</mo><mn>0</mn></mrow><annotation encoding="application/x-tex">\alpha = 0</annotation></semantics></math>$ : পুরো ডেটা একরকম গড়ে পরিণত হবে এবং পূর্ববর্তী মানের কোন প্রভাব থাকবে না।

SES মডেলটি কীভাবে কাজ করে?

প্রথম পর্যবেক্ষণ ( $Y 1 <math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><msub><mi>Y</mi><mn>1</mn></msub></mrow><annotation encoding="application/x-tex">Y_1</annotation></semantics></math>$ ): প্রথম পর্যবেক্ষণকে পূর্বাভাসের সমান ধরা হয়।
পরবর্তী পূর্বাভাস ( $ˆYt<math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><msub><mover accent="true"><mi>Y</mi><mo>^</mo></mover><mi>t</mi></msub></mrow><annotation encoding="application/x-tex">\hat{Y}_t</annotation></semantics></math>$ ): পরবর্তী সময় পয়েন্টের পূর্বাভাস তৈরি করার জন্য $Y t <math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><msub><mi>Y</mi><mi>t</mi></msub></mrow><annotation encoding="application/x-tex">Y_t</annotation></semantics></math>$ এবং পূর্ববর্তী পূর্বাভাস $ˆYt<math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><msub><mover accent="true"><mi>Y</mi><mo>^</mo></mover><mi>t</mi></msub></mrow><annotation encoding="application/x-tex">\hat{Y}_t</annotation></semantics></math>$ ব্যবহার করা হয়, এবং স্মুথিং প্যারামিটার $α<math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>α</mi></mrow><annotation encoding="application/x-tex">\alpha</annotation></semantics></math>$ ব্যবহার করা হয়।

SES এর উপকারিতা:

সহজ: SES মডেলটি সহজ এবং দ্রুত, বিশেষ করে যখন টাইম সিরিজে ট্রেন্ড বা সিজনাল প্যাটার্ন না থাকে।
কমপ্লেক্স নয়: এটি অনেক সময়ের ডেটার জন্য উপযুক্ত নয়, তবে অল্প সময়ের ডেটার জন্য কার্যকর।

SES এর সীমাবদ্ধতা:

ট্রেন্ড বা সিজনালিটি নেই: SES মডেলটি শুধুমাত্র স্টেশনারি টাইম সিরিজের জন্য কার্যকর, যেখানে ডেটাতে কোনো ট্রেন্ড বা সিজনাল প্যাটার্ন নেই। যদি টাইম সিরিজে ট্রেন্ড বা সিজনাল প্যাটার্ন থাকে, তবে হলিস্টিক মডেলস (যেমন, Holt’s Linear Trend Model বা Holt-Winters Seasonal Model) প্রয়োজন।
একটি প্যারামিটার ( $α<math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>α</mi></mrow><annotation encoding="application/x-tex">\alpha</annotation></semantics></math>$ ): SES মডেলটির একটিমাত্র প্যারামিটার আছে ( $α<math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>α</mi></mrow><annotation encoding="application/x-tex">\alpha</annotation></semantics></math>$ ), যা ডেটার স্পেসিফিক্যালিটি অনুসারে উপযুক্তভাবে নির্বাচন করা উচিত।

SES মডেলের উদাহরণ

ধরা যাক, একটি কোম্পানির মাসিক বিক্রয় ডেটা রয়েছে এবং আপনি এই বিক্রয় ডেটার জন্য SES মডেল ব্যবহার করতে চান।

যেখানে:

$Y t <math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><msub><mi>Y</mi><mi>t</mi></msub></mrow><annotation encoding="application/x-tex">Y_t</annotation></semantics></math>$ = বর্তমান মাসের বিক্রয়
$ˆYt+1<math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><msub><mover accent="true"><mi>Y</mi><mo>^</mo></mover><mrow><mi>t</mi><mo>+</mo><mn>1</mn></mrow></msub></mrow><annotation encoding="application/x-tex">\hat{Y}_{t+1}</annotation></semantics></math>$ = পরবর্তী মাসের পূর্বাভাস

যদি $α=0.3<math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>α</mi><mo>=</mo><mn>0.3</mn></mrow><annotation encoding="application/x-tex">\alpha = 0.3</annotation></semantics></math>$ এবং আপনার প্রথম মাসের বিক্রয় $Y 1 = 100 <math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><msub><mi>Y</mi><mn>1</mn></msub><mo>=</mo><mn>100</mn></mrow><annotation encoding="application/x-tex">Y_1 = 100</annotation></semantics></math>$ হয়, তাহলে পরবর্তী মাসের পূর্বাভাস হবে:

$ˆY2=0.3×100+0.7×100=100<math display="block" xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><msub><mover accent="true"><mi>Y</mi><mo>^</mo></mover><mn>2</mn></msub><mo>=</mo><mn>0.3</mn><mo>×</mo><mn>100</mn><mo>+</mo><mn>0.7</mn><mo>×</mo><mn>100</mn><mo>=</mo><mn>100</mn></mrow><annotation encoding="application/x-tex">\hat{Y}_{2} = 0.3 \times 100 + 0.7 \times 100 = 100</annotation></semantics></math>$

এটি ধারাবাহিকভাবে পরবর্তী মাসগুলির জন্য হিসাব করা যাবে।

কোড উদাহরণ (Python):

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

# Sample data (Monthly sales data)
data = [100, 120, 130, 140, 150, 160, 170]
alpha = 0.3

# Initialize the first forecast as the first value
forecast = [data[0]]

# Apply Simple Exponential Smoothing
for t in range(1, len(data)):
    forecast.append(alpha * data[t-1] + (1 - alpha) * forecast[t-1])

# Plotting the original data and the forecast
plt.plot(data, label='Original Data')
plt.plot(forecast, label='Forecast (SES)', linestyle='--')
plt.title('Simple Exponential Smoothing (SES)')
plt.legend()
plt.show()

সারাংশ

Simple Exponential Smoothing (SES) হল একটি টাইম সিরিজ ফোরকাস্টিং মডেল যা অতীত ডেটার উপর ভিত্তি করে ভবিষ্যতের মান পূর্বাভাস করে। এটি সহজ এবং কার্যকর, তবে শুধুমাত্র স্টেশনারি টাইম সিরিজে কার্যকর। SES মডেলে একটি স্মুথিং প্যারামিটার ( $α<math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>α</mi></mrow><annotation encoding="application/x-tex">\alpha</annotation></semantics></math>$ ) ব্যবহার করা হয়, যা ডেটার সাম্প্রতিক পর্যবেক্ষণগুলির গুরুত্ব নির্ধারণ করে।

Content added By

Md Azizur Rahman

Holt’s Linear Trend Model

108

Holt’s Linear Trend Model, যা Double Exponential Smoothing নামেও পরিচিত, একটি টাইম সিরিজ প্রেডিকশন মডেল যা লিনিয়ার ট্রেন্ড এবং সিজনালিটি (যদি থাকে) এর জন্য উপযুক্ত। এই মডেলটি উন্নত এক্সপোনেনশিয়াল স্মুথিং (Exponential Smoothing) এর একটি উন্নত সংস্করণ এবং এটি টাইম সিরিজ ডেটার ট্রেন্ড এবং লেভেল উভয়ই ক্যাপচার করতে সক্ষম।

Holt’s Model এর মূল ধারণা

Holt’s Linear Trend Model মূলত দ্বৈত স্মুথিং (Double Smoothing) পদ্ধতি ব্যবহার করে। এটি লেভেল (level) এবং ট্রেন্ড (trend) উভয়কে স্বতন্ত্রভাবে স্মুথিং (smoothing) করে।

লেভেল (Level) — টাইম সিরিজের সাধারণ গড় স্তর।
ট্রেন্ড (Trend) — টাইম সিরিজের বৃদ্ধির হার বা পরিবর্তনের গতি।

Holt’s Linear Trend Model এর ফর্মুলা

এই মডেলটি তিনটি সমীকরণ নিয়ে কাজ করে:

লেভেল (Level) সমীকরণ:
$Lt=αYt+(1−α)(Lt−1+Tt−1)<math display="block" xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><msub><mi>L</mi><mi>t</mi></msub><mo>=</mo><mi>α</mi><msub><mi>Y</mi><mi>t</mi></msub><mo>+</mo><mo stretchy="false">(</mo><mn>1</mn><mo>−</mo><mi>α</mi><mo stretchy="false">)</mo><mo stretchy="false">(</mo><msub><mi>L</mi><mrow><mi>t</mi><mo>−</mo><mn>1</mn></mrow></msub><mo>+</mo><msub><mi>T</mi><mrow><mi>t</mi><mo>−</mo><mn>1</mn></mrow></msub><mo stretchy="false">)</mo></mrow><annotation encoding="application/x-tex">L_t = \alpha Y_t + (1 - \alpha)(L_{t-1} + T_{t-1})</annotation></semantics></math>$
যেখানে:
- $L t <math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><msub><mi>L</mi><mi>t</mi></msub></mrow><annotation encoding="application/x-tex">L_t</annotation></semantics></math>$ হলো বর্তমান সময়ে লেভেল (level)।
- $α<math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>α</mi></mrow><annotation encoding="application/x-tex">\alpha</annotation></semantics></math>$ হলো লেভেলের স্মুথিং প্যারামিটার (0 ≤ $α<math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>α</mi></mrow><annotation encoding="application/x-tex">\alpha</annotation></semantics></math>$ ≤ 1)।
- $Y t <math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><msub><mi>Y</mi><mi>t</mi></msub></mrow><annotation encoding="application/x-tex">Y_t</annotation></semantics></math>$ হলো বর্তমান সময়ে পর্যবেক্ষণ (observed value)।
- $Lt−1<math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><msub><mi>L</mi><mrow><mi>t</mi><mo>−</mo><mn>1</mn></mrow></msub></mrow><annotation encoding="application/x-tex">L_{t-1}</annotation></semantics></math>$ হলো আগের সময়ে লেভেল।
- $Tt−1<math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><msub><mi>T</mi><mrow><mi>t</mi><mo>−</mo><mn>1</mn></mrow></msub></mrow><annotation encoding="application/x-tex">T_{t-1}</annotation></semantics></math>$ হলো আগের সময়ে ট্রেন্ড।
ট্রেন্ড (Trend) সমীকরণ:
$Tt=β(Lt−Lt−1)+(1−β)Tt−1<math display="block" xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><msub><mi>T</mi><mi>t</mi></msub><mo>=</mo><mi>β</mi><mo stretchy="false">(</mo><msub><mi>L</mi><mi>t</mi></msub><mo>−</mo><msub><mi>L</mi><mrow><mi>t</mi><mo>−</mo><mn>1</mn></mrow></msub><mo stretchy="false">)</mo><mo>+</mo><mo stretchy="false">(</mo><mn>1</mn><mo>−</mo><mi>β</mi><mo stretchy="false">)</mo><msub><mi>T</mi><mrow><mi>t</mi><mo>−</mo><mn>1</mn></mrow></msub></mrow><annotation encoding="application/x-tex">T_t = \beta (L_t - L_{t-1}) + (1 - \beta)T_{t-1}</annotation></semantics></math>$
যেখানে:
- $T t <math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><msub><mi>T</mi><mi>t</mi></msub></mrow><annotation encoding="application/x-tex">T_t</annotation></semantics></math>$ হলো বর্তমান সময়ে ট্রেন্ড (trend)।
- $β<math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>β</mi></mrow><annotation encoding="application/x-tex">\beta</annotation></semantics></math>$ হলো ট্রেন্ডের স্মুথিং প্যারামিটার (0 ≤ $β<math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>β</mi></mrow><annotation encoding="application/x-tex">\beta</annotation></semantics></math>$ ≤ 1)।
পূর্বাভাস (Forecast) সমীকরণ:
$ˆYt+h=Lt+hTt<math display="block" xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><msub><mover accent="true"><mi>Y</mi><mo>^</mo></mover><mrow><mi>t</mi><mo>+</mo><mi>h</mi></mrow></msub><mo>=</mo><msub><mi>L</mi><mi>t</mi></msub><mo>+</mo><mi>h</mi><msub><mi>T</mi><mi>t</mi></msub></mrow><annotation encoding="application/x-tex">\hat{Y}_{t+h} = L_t + hT_t</annotation></semantics></math>$
যেখানে:
- $ˆYt+h<math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><msub><mover accent="true"><mi>Y</mi><mo>^</mo></mover><mrow><mi>t</mi><mo>+</mo><mi>h</mi></mrow></msub></mrow><annotation encoding="application/x-tex">\hat{Y}_{t+h}</annotation></semantics></math>$ হলো ভবিষ্যতের $h <math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>h</mi></mrow><annotation encoding="application/x-tex">h</annotation></semantics></math>$ সময়ের পূর্বাভাস।
- $L t <math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><msub><mi>L</mi><mi>t</mi></msub></mrow><annotation encoding="application/x-tex">L_t</annotation></semantics></math>$ হলো বর্তমান সময়ে লেভেল।
- $T t <math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><msub><mi>T</mi><mi>t</mi></msub></mrow><annotation encoding="application/x-tex">T_t</annotation></semantics></math>$ হলো বর্তমান সময়ে ট্রেন্ড।
- $h <math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>h</mi></mrow><annotation encoding="application/x-tex">h</annotation></semantics></math>$ হলো সময়ের পূর্বাভাসের পিরিয়ড।

Holt’s Linear Trend Model এর কার্যপদ্ধতি

লেভেল স্মুথিং: প্রথমে টাইম সিরিজের লেভেল ( $L t <math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><msub><mi>L</mi><mi>t</mi></msub></mrow><annotation encoding="application/x-tex">L_t</annotation></semantics></math>$ ) স্মুথিং করা হয়। লেভেল হচ্ছে টাইম সিরিজের গড় স্তর, যা সময়ের সাথে পরিবর্তিত হয় এবং এটি পেছনের মানের সাথে সম্পর্কিত।
ট্রেন্ড স্মুথিং: এরপর টাইম সিরিজের ট্রেন্ড ( $T t <math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><msub><mi>T</mi><mi>t</mi></msub></mrow><annotation encoding="application/x-tex">T_t</annotation></semantics></math>$ ) স্মুথিং করা হয়। ট্রেন্ড হলো টাইম সিরিজের গতিপথ বা পরিবর্তনের গতি। এটি চিহ্নিত করতে ট্রেন্ডের গতিশীলতা ব্যবহার করা হয়।
পূর্বাভাস তৈরি: যখন লেভেল এবং ট্রেন্ড দুইটি হিসাব করা হয়ে যায়, তখন ভবিষ্যতের পূর্বাভাস তৈরি করা হয়।

Holt’s Model এর উপকারিতা

ট্রেন্ড বিশ্লেষণ: Holt’s মডেলটি সময়ের সাথে সঙ্গতি রেখে চলমান ট্রেন্ড এবং লেভেল বিশ্লেষণ করতে পারে।
সহজ এবং দ্রুত: মডেলটি লিনিয়ার ট্রেন্ড বিশ্লেষণের জন্য খুবই উপযোগী এবং দ্রুত প্রয়োগযোগ্য।
অনেক ধরণের ডেটার জন্য উপযুক্ত: এটি টাইম সিরিজে ট্রেন্ড থাকা ক্ষেত্রে খুব কার্যকরী। তবে সিজনালিটি না থাকলে এটি আরও কার্যকরী।

Holt’s Model এর সীমাবদ্ধতা

সিজনাল প্যাটার্ন: Holt’s মডেলটি সিজনাল প্যাটার্ন বিশ্লেষণ করতে সক্ষম নয়, তাই সিজনাল টাইম সিরিজের জন্য Holt-Winters মডেল ব্যবহার করা হয়।
লিনিয়ার ট্রেন্ড: Holt’s মডেলটি শুধুমাত্র লিনিয়ার ট্রেন্ড বিশ্লেষণ করতে সক্ষম, নন-লিনিয়ার ট্রেন্ড বিশ্লেষণের জন্য এটি কার্যকর নয়।

উদাহরণ

ধরা যাক, আপনার কাছে একটি টাইম সিরিজ ডেটা রয়েছে এবং আপনি Holt’s মডেল ব্যবহার করে ভবিষ্যতের জন্য পূর্বাভাস করতে চান:

প্রথমে, $α<math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>α</mi></mrow><annotation encoding="application/x-tex">\alpha</annotation></semantics></math>$ এবং $β<math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>β</mi></mrow><annotation encoding="application/x-tex">\beta</annotation></semantics></math>$ প্যারামিটারগুলো চয়ন করতে হবে।
তারপর, লেভেল এবং ট্রেন্ড সমীকরণ ব্যবহার করে ডেটার লেভেল এবং ট্রেন্ড হিসাব করা হবে।
সর্বশেষে, ভবিষ্যতের মান পূর্বাভাস করা হবে।

সারাংশ

Holt’s Linear Trend Model হল একটি এক্সপোনেনশিয়াল স্মুথিং পদ্ধতি যা টাইম সিরিজের লিনিয়ার ট্রেন্ড এবং লেভেল বিশ্লেষণ করতে ব্যবহৃত হয়। এটি খুবই উপযোগী যখন টাইম সিরিজে একটি পরিষ্কার লিনিয়ার ট্রেন্ড থাকে, তবে সিজনাল প্যাটার্ন না থাকলে। মডেলটি ভবিষ্যতের জন্য পূর্বাভাস তৈরি করতে লেভেল এবং ট্রেন্ডের স্মুথিং প্রক্রিয়া ব্যবহার করে।

Content added By

Md Azizur Rahman

Holt-Winters Seasonal Model

116

Holt-Winters Seasonal Model একটি জনপ্রিয় টাইম সিরিজ ফোরকাস্টিং মডেল, যা বিশেষত সিজনাল বা ঋতুভিত্তিক ডেটার জন্য ব্যবহৃত হয়। এটি Exponential Smoothing (এক্সপোনেনশিয়াল স্মুথিং) এর একটি উন্নত সংস্করণ, যা টাইম সিরিজের ট্রেন্ড এবং সিজনাল প্যাটার্ন এর ওপর ভিত্তি করে ভবিষ্যতের পূর্বাভাস প্রদান করে।

Holt-Winters মডেলটি তিনটি গুরুত্বপূর্ণ উপাদান ব্যবহার করে:

Level (সারি): ডেটার বর্তমান স্তর বা মূল মান।
Trend (প্রবণতা): টাইম সিরিজের উর্ধ্বমুখী বা নিম্নমুখী প্রবণতা।
Seasonality (সিজনালিটি): ঋতুবদল বা সিজনাল প্যাটার্ন, যা টাইম সিরিজে সময়ের সাথে নিয়মিত পরিবর্তন ঘটায়।

এই মডেলটি দুই ধরনের হতে পারে:

Additive (যোগফল মডেল): যখন সিজনাল প্যাটার্ন সমানভাবে পরিবর্তিত হয়।
Multiplicative (গুণফল মডেল): যখন সিজনাল প্যাটার্ন ডেটার সাথে আপেক্ষিকভাবে পরিবর্তিত হয়।

Holt-Winters মডেলের উপাদান

Holt-Winters মডেলটির তিনটি প্রধান সমীকরণ রয়েছে, যেগুলি level, trend, এবং seasonality সংক্রান্ত।

Level Equation:
$Lt=α(Yt−St−m)+(1−α)(Lt−1+Tt−1)<math display="block" xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><msub><mi>L</mi><mi>t</mi></msub><mo>=</mo><mi>α</mi><mo stretchy="false">(</mo><msub><mi>Y</mi><mi>t</mi></msub><mo>−</mo><msub><mi>S</mi><mrow><mi>t</mi><mo>−</mo><mi>m</mi></mrow></msub><mo stretchy="false">)</mo><mo>+</mo><mo stretchy="false">(</mo><mn>1</mn><mo>−</mo><mi>α</mi><mo stretchy="false">)</mo><mo stretchy="false">(</mo><msub><mi>L</mi><mrow><mi>t</mi><mo>−</mo><mn>1</mn></mrow></msub><mo>+</mo><msub><mi>T</mi><mrow><mi>t</mi><mo>−</mo><mn>1</mn></mrow></msub><mo stretchy="false">)</mo></mrow><annotation encoding="application/x-tex">L_t = \alpha (Y_t - S_{t-m}) + (1 - \alpha)(L_{t-1} + T_{t-1})</annotation></semantics></math>$
এখানে:
- $L t <math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><msub><mi>L</mi><mi>t</mi></msub></mrow><annotation encoding="application/x-tex">L_t</annotation></semantics></math>$ হল বর্তমান সময়ের level।
- $α<math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>α</mi></mrow><annotation encoding="application/x-tex">\alpha</annotation></semantics></math>$ হল level smoothing প্যারামিটার (0 এবং 1 এর মধ্যে)।
- $Y t <math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><msub><mi>Y</mi><mi>t</mi></msub></mrow><annotation encoding="application/x-tex">Y_t</annotation></semantics></math>$ হল বর্তমান সময়ের পর্যবেক্ষণ।
- $St−m<math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><msub><mi>S</mi><mrow><mi>t</mi><mo>−</mo><mi>m</mi></mrow></msub></mrow><annotation encoding="application/x-tex">S_{t-m}</annotation></semantics></math>$ হল পূর্ববর্তী সিজনাল মান (যেখানে $m <math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>m</mi></mrow><annotation encoding="application/x-tex">m</annotation></semantics></math>$ হলো সিজনাল পিরিয়ড)।
Trend Equation:
$Tt=β(Lt−Lt−1)+(1−β)Tt−1<math display="block" xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><msub><mi>T</mi><mi>t</mi></msub><mo>=</mo><mi>β</mi><mo stretchy="false">(</mo><msub><mi>L</mi><mi>t</mi></msub><mo>−</mo><msub><mi>L</mi><mrow><mi>t</mi><mo>−</mo><mn>1</mn></mrow></msub><mo stretchy="false">)</mo><mo>+</mo><mo stretchy="false">(</mo><mn>1</mn><mo>−</mo><mi>β</mi><mo stretchy="false">)</mo><msub><mi>T</mi><mrow><mi>t</mi><mo>−</mo><mn>1</mn></mrow></msub></mrow><annotation encoding="application/x-tex">T_t = \beta (L_t - L_{t-1}) + (1 - \beta) T_{t-1}</annotation></semantics></math>$
এখানে:
- $T t <math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><msub><mi>T</mi><mi>t</mi></msub></mrow><annotation encoding="application/x-tex">T_t</annotation></semantics></math>$ হল বর্তমান সময়ের trend।
- $β<math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>β</mi></mrow><annotation encoding="application/x-tex">\beta</annotation></semantics></math>$ হল trend smoothing প্যারামিটার।
Seasonal Equation:
$St=γ(Yt−Lt)+(1−γ)St−m<math display="block" xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><msub><mi>S</mi><mi>t</mi></msub><mo>=</mo><mi>γ</mi><mo stretchy="false">(</mo><msub><mi>Y</mi><mi>t</mi></msub><mo>−</mo><msub><mi>L</mi><mi>t</mi></msub><mo stretchy="false">)</mo><mo>+</mo><mo stretchy="false">(</mo><mn>1</mn><mo>−</mo><mi>γ</mi><mo stretchy="false">)</mo><msub><mi>S</mi><mrow><mi>t</mi><mo>−</mo><mi>m</mi></mrow></msub></mrow><annotation encoding="application/x-tex">S_t = \gamma (Y_t - L_t) + (1 - \gamma) S_{t-m}</annotation></semantics></math>$
এখানে:
- $S t <math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><msub><mi>S</mi><mi>t</mi></msub></mrow><annotation encoding="application/x-tex">S_t</annotation></semantics></math>$ হল বর্তমান সময়ের সিজনাল প্যাটার্ন।
- $γ<math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>γ</mi></mrow><annotation encoding="application/x-tex">\gamma</annotation></semantics></math>$ হল সিজনাল smoothing প্যারামিটার (0 এবং 1 এর মধ্যে)।
- $St−m<math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><msub><mi>S</mi><mrow><mi>t</mi><mo>−</mo><mi>m</mi></mrow></msub></mrow><annotation encoding="application/x-tex">S_{t-m}</annotation></semantics></math>$ পূর্ববর্তী সিজনাল মান।

Holt-Winters ফোরকাস্টিং সমীকরণ

Future forecast (ভবিষ্যত পূর্বাভাস) তৈরি করতে, আমরা level, trend, এবং seasonal উপাদানগুলো ব্যবহার করি:

$ˆYt+h=Lt+hTt+St−m+h<math display="block" xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><msub><mover accent="true"><mi>Y</mi><mo>^</mo></mover><mrow><mi>t</mi><mo>+</mo><mi>h</mi></mrow></msub><mo>=</mo><msub><mi>L</mi><mi>t</mi></msub><mo>+</mo><mi>h</mi><msub><mi>T</mi><mi>t</mi></msub><mo>+</mo><msub><mi>S</mi><mrow><mi>t</mi><mo>−</mo><mi>m</mi><mo>+</mo><mi>h</mi></mrow></msub></mrow><annotation encoding="application/x-tex">\hat{Y}_{t+h} = L_t + hT_t + S_{t-m+h}</annotation></semantics></math>$

এখানে:

$ˆYt+h<math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><msub><mover accent="true"><mi>Y</mi><mo>^</mo></mover><mrow><mi>t</mi><mo>+</mo><mi>h</mi></mrow></msub></mrow><annotation encoding="application/x-tex">\hat{Y}_{t+h}</annotation></semantics></math>$ হল $h <math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>h</mi></mrow><annotation encoding="application/x-tex">h</annotation></semantics></math>$ -step ahead পূর্বাভাস।
$L t <math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><msub><mi>L</mi><mi>t</mi></msub></mrow><annotation encoding="application/x-tex">L_t</annotation></semantics></math>$ হল বর্তমান level।
$T t <math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><msub><mi>T</mi><mi>t</mi></msub></mrow><annotation encoding="application/x-tex">T_t</annotation></semantics></math>$ হল বর্তমান trend।
$St−m+h<math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><msub><mi>S</mi><mrow><mi>t</mi><mo>−</mo><mi>m</mi><mo>+</mo><mi>h</mi></mrow></msub></mrow><annotation encoding="application/x-tex">S_{t-m+h}</annotation></semantics></math>$ হল সিজনাল উপাদান।

Holt-Winters Model এর প্রকার

Additive Model: যখন সিজনাল পরিবর্তন সমান থাকে (যেমন, তাপমাত্রার পরিবর্তন), তখন additive মডেল ব্যবহার করা হয়।
- সমীকরণে সিজনাল উপাদান যোগফল হিসাবে ব্যবহৃত হয়।
- সাধারণত ব্যবহৃত হয় যখন ডেটার মান বা সিজনাল প্যাটার্নের গঠন স্থির থাকে।
Multiplicative Model: যখন সিজনাল পরিবর্তন ডেটার সাথে আপেক্ষিকভাবে বৃদ্ধি পায় (যেমন, বিক্রয়, যেখানে বড় বিক্রয় সিজনের মধ্যে বড় সিজনাল বৃদ্ধি হতে পারে), তখন multiplicative মডেল ব্যবহার করা হয়।
- সমীকরণে সিজনাল উপাদান গুণফল হিসাবে ব্যবহৃত হয়।
- সাধারণত ব্যবহৃত হয় যখন ডেটার মান বা সিজনাল প্যাটার্নের গঠন আপেক্ষিকভাবে পরিবর্তিত হয়।

Holt-Winters মডেল কীভাবে কাজ করে:

Level (সারি): ডেটার বর্তমান স্তর বা মূল মানকে পর্যবেক্ষণ করে, যা পূর্ববর্তী মান ও সিজনালিটি দ্বারা প্রভাবিত হয়।
Trend (প্রবণতা): গতানুগতিক প্রবণতাকে দেখে, যেমন প্রতি সময়ে কি ডেটা বাড়ছে না কমছে তা বোঝে।
Seasonality (সিজনালিটি): সিজনাল প্যাটার্ন দেখিয়ে পূর্বের মানের সিজনাল পরিবর্তন ভবিষ্যতে কেমন হতে পারে তা অনুমান করা হয়।

এই তিনটি উপাদান মিলে, Holt-Winters মডেল ভবিষ্যতের টাইম সিরিজের মান নির্ধারণে সহায়ক হয়।

ব্যবহারের উদাহরণ:

ধরা যাক, একটি কোম্পানির মাসিক বিক্রয় ডেটা রয়েছে। এই বিক্রয় ডেটার জন্য যদি সিজনাল প্যাটার্ন থাকে (যেমন ছুটির সময় বা বিশেষ দিনগুলিতে বিক্রয় বাড়ে), তবে Holt-Winters Seasonal Model ব্যবহার করে ভবিষ্যতের বিক্রয় পূর্বাভাস করা যেতে পারে।

Python উদাহরণ (Holt-Winters Model ব্যবহার করে):

import pandas as pd
import numpy as np
from statsmodels.tsa.holtwinters import ExponentialSmoothing

# Sample data (monthly sales data)
data = {'Date': pd.date_range(start='2020-01-01', periods=12, freq='M'),
        'Sales': [150, 200, 180, 220, 210, 250, 300, 270, 280, 320, 310, 350]}

df = pd.DataFrame(data)
df.set_index('Date', inplace=True)

# Holt-Winters Seasonal Model (Additive)
model = ExponentialSmoothing(df['Sales'], trend='add', seasonal='add', seasonal_periods=12)
fitted_model = model.fit()

# Forecast next 3 months
forecast = fitted_model.forecast(steps=3)
print(forecast)

সারাংশ

Holt-Winters Seasonal Model টাইম সিরিজ ডেটার ট্রেন্ড এবং সিজনাল প্যাটার্ন বিশ্লেষণ করে ভবিষ্যতের পূর্বাভাস তৈরি করতে ব্যবহৃত হয়। এটি Additive এবং Multiplicative দুই ধরনের মডেল নিয়ে কাজ করে এবং সিজনাল ডেটার জন্য অত্যন্ত কার্যকর। এটি ভবিষ্যতের পূর্বাভাস নির্ধারণের জন্য অত্যন্ত কার্যকরী এবং ব্যবহৃত হয় বিভিন্ন শিল্পে, যেমন বিক্রয় পূর্বাভাস, তাপমাত্রার পূর্বাভাস, ইত্যাদি।

Content added By

Md Azizur Rahman

Exponential Smoothing এর মাধ্যমে Forecasting

এক্সপোনেনশিয়াল স্মুথিং (Exponential Smoothing) একটি জনপ্রিয় টাইম সিরিজ ফরকাস্টিং পদ্ধতি, যা পূর্ববর্তী পর্যবেক্ষণের ওপর গাণিতিকভাবে ধীরে ধীরে কমিয়ে আসা ওজন (weights) দিয়ে ভবিষ্যৎ মান অনুমান করতে ব্যবহৃত হয়। এই পদ্ধতি সময়ের সাথে ডেটার পরিবর্তন এবং ট্রেন্ডের ওপর ভিত্তি করে ভবিষ্যতের মূল্য পূর্বাভাস করার জন্য অত্যন্ত কার্যকর।

এক্সপোনেনশিয়াল স্মুথিংয়ে, নতুন মানকে পূর্ববর্তী মানের একটি স্মুথেড (smoothed) গাণিতিক ফর্মুলার মাধ্যমে অনুমান করা হয়, যেখানে সবচেয়ে সাম্প্রতিক পর্যবেক্ষণের উপর বেশি গুরুত্ব দেয়া হয়, তবে পূর্ববর্তী পর্যবেক্ষণগুলিও কিছুটা প্রভাব ফেলে।

এক্সপোনেনশিয়াল স্মুথিং এর মডেল:

এক্সপোনেনশিয়াল স্মুথিং মডেলটি তিনটি ধাপে বিভক্ত হতে পারে:

১. Simple Exponential Smoothing (SES)

এটি সবচেয়ে মৌলিক এবং সাধারণ পদ্ধতি, যেখানে ডেটা সিজনালিটি বা ট্রেন্ডের প্রভাব না থাকলে এটি কার্যকরভাবে কাজ করে। এই মডেলটি শুধুমাত্র পূর্ববর্তী পর্যবেক্ষণ এবং তার স্মুথিং ফ্যাক্টর ( $α<math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>α</mi></mrow><annotation encoding="application/x-tex">\alpha</annotation></semantics></math>$ ) এর উপর ভিত্তি করে ভবিষ্যত মান পূর্বাভাস করে।

ফর্মুলা:

$St=αYt+(1−α)St−1<math display="block" xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><msub><mi>S</mi><mi>t</mi></msub><mo>=</mo><mi>α</mi><msub><mi>Y</mi><mi>t</mi></msub><mo>+</mo><mo stretchy="false">(</mo><mn>1</mn><mo>−</mo><mi>α</mi><mo stretchy="false">)</mo><msub><mi>S</mi><mrow><mi>t</mi><mo>−</mo><mn>1</mn></mrow></msub></mrow><annotation encoding="application/x-tex">S_t = \alpha Y_t + (1 - \alpha) S_{t-1}</annotation></semantics></math>$

এখানে:

$S t <math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><msub><mi>S</mi><mi>t</mi></msub></mrow><annotation encoding="application/x-tex">S_t</annotation></semantics></math>$ = সময় $t <math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>t</mi></mrow><annotation encoding="application/x-tex">t</annotation></semantics></math>$ -এর জন্য পূর্বাভাস মান।
$Y t <math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><msub><mi>Y</mi><mi>t</mi></msub></mrow><annotation encoding="application/x-tex">Y_t</annotation></semantics></math>$ = সময় $t <math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>t</mi></mrow><annotation encoding="application/x-tex">t</annotation></semantics></math>$ -এর প্রকৃত মান।
$St−1<math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><msub><mi>S</mi><mrow><mi>t</mi><mo>−</mo><mn>1</mn></mrow></msub></mrow><annotation encoding="application/x-tex">S_{t-1}</annotation></semantics></math>$ = পূর্ববর্তী সময়ের স্মুথড মান।
$α<math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>α</mi></mrow><annotation encoding="application/x-tex">\alpha</annotation></semantics></math>$ = স্মুথিং ফ্যাক্টর ( $0<α<1<math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mn>0</mn><mo><</mo><mi>α</mi><mo><</mo><mn>1</mn></mrow><annotation encoding="application/x-tex">0 < \alpha < 1</annotation></semantics></math>$ )।

ব্যাখ্যা: এখানে, $α<math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>α</mi></mrow><annotation encoding="application/x-tex">\alpha</annotation></semantics></math>$ হল স্মুথিং ফ্যাক্টর, যা 0 এবং 1 এর মধ্যে থাকে। এটি বর্তমান মানের প্রতি গুণিতক এবং পূর্ববর্তী মানের প্রতি গুণিতকের ভারসাম্য নির্ধারণ করে।

২. Holt's Linear Trend Model (ডাবল এক্সপোনেনশিয়াল স্মুথিং)

যদি টাইম সিরিজে ট্রেন্ড (Trend) থাকে, তবে Holt's Linear Trend Model ব্যবহার করা হয়। এটি সময়ের সাথে বৃদ্ধি বা হ্রাসের জন্য একটি অতিরিক্ত কম্পোনেন্ট যুক্ত করে।

ফর্মুলা:

$St=αYt+(1−α)(St−1+Tt−1)<math display="block" xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><msub><mi>S</mi><mi>t</mi></msub><mo>=</mo><mi>α</mi><msub><mi>Y</mi><mi>t</mi></msub><mo>+</mo><mo stretchy="false">(</mo><mn>1</mn><mo>−</mo><mi>α</mi><mo stretchy="false">)</mo><mo stretchy="false">(</mo><msub><mi>S</mi><mrow><mi>t</mi><mo>−</mo><mn>1</mn></mrow></msub><mo>+</mo><msub><mi>T</mi><mrow><mi>t</mi><mo>−</mo><mn>1</mn></mrow></msub><mo stretchy="false">)</mo></mrow><annotation encoding="application/x-tex">S_t = \alpha Y_t + (1 - \alpha)(S_{t-1} + T_{t-1})</annotation></semantics></math>$ $Tt=β(St−St−1)+(1−β)Tt−1<math display="block" xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><msub><mi>T</mi><mi>t</mi></msub><mo>=</mo><mi>β</mi><mo stretchy="false">(</mo><msub><mi>S</mi><mi>t</mi></msub><mo>−</mo><msub><mi>S</mi><mrow><mi>t</mi><mo>−</mo><mn>1</mn></mrow></msub><mo stretchy="false">)</mo><mo>+</mo><mo stretchy="false">(</mo><mn>1</mn><mo>−</mo><mi>β</mi><mo stretchy="false">)</mo><msub><mi>T</mi><mrow><mi>t</mi><mo>−</mo><mn>1</mn></mrow></msub></mrow><annotation encoding="application/x-tex">T_t = \beta (S_t - S_{t-1}) + (1 - \beta) T_{t-1}</annotation></semantics></math>$

এখানে:

$S t <math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><msub><mi>S</mi><mi>t</mi></msub></mrow><annotation encoding="application/x-tex">S_t</annotation></semantics></math>$ = স্মুথড মান।
$T t <math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><msub><mi>T</mi><mi>t</mi></msub></mrow><annotation encoding="application/x-tex">T_t</annotation></semantics></math>$ = ট্রেন্ডের মান।
$α<math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>α</mi></mrow><annotation encoding="application/x-tex">\alpha</annotation></semantics></math>$ = স্মুথিং ফ্যাক্টর (level smoothing).
$β<math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>β</mi></mrow><annotation encoding="application/x-tex">\beta</annotation></semantics></math>$ = ট্রেন্ড স্মুথিং ফ্যাক্টর।

ব্যাখ্যা: এই মডেলটি ডেটার ট্রেন্ড (যেমন, ধারাবাহিক বৃদ্ধি বা হ্রাস) ধরতে সাহায্য করে। এটি পূর্ববর্তী পর্যবেক্ষণের গতি (ট্রেন্ড) এবং স্তরের (level) উপর ভিত্তি করে ভবিষ্যত মান অনুমান করে।

৩. Holt-Winters Seasonal Model (Triple Exponential Smoothing)

যখন টাইম সিরিজে সিজনাল প্যাটার্ন (Seasonality) থাকে, তখন Holt-Winters Seasonal Model ব্যবহার করা হয়। এটি ট্রেন্ড এবং সিজনাল প্যাটার্ন দুটি ধরতে সক্ষম।

ফর্মুলা:

$St=αYtIt−m+(1−α)(St−1+Tt−1)<math display="block" xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><msub><mi>S</mi><mi>t</mi></msub><mo>=</mo><mi>α</mi><mfrac><msub><mi>Y</mi><mi>t</mi></msub><msub><mi>I</mi><mrow><mi>t</mi><mo>−</mo><mi>m</mi></mrow></msub></mfrac><mo>+</mo><mo stretchy="false">(</mo><mn>1</mn><mo>−</mo><mi>α</mi><mo stretchy="false">)</mo><mo stretchy="false">(</mo><msub><mi>S</mi><mrow><mi>t</mi><mo>−</mo><mn>1</mn></mrow></msub><mo>+</mo><msub><mi>T</mi><mrow><mi>t</mi><mo>−</mo><mn>1</mn></mrow></msub><mo stretchy="false">)</mo></mrow><annotation encoding="application/x-tex">S_t = \alpha \frac{Y_t}{I_{t-m}} + (1 - \alpha)(S_{t-1} + T_{t-1})</annotation></semantics></math>$ $Tt=β(St−St−1)+(1−β)Tt−1<math display="block" xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><msub><mi>T</mi><mi>t</mi></msub><mo>=</mo><mi>β</mi><mo stretchy="false">(</mo><msub><mi>S</mi><mi>t</mi></msub><mo>−</mo><msub><mi>S</mi><mrow><mi>t</mi><mo>−</mo><mn>1</mn></mrow></msub><mo stretchy="false">)</mo><mo>+</mo><mo stretchy="false">(</mo><mn>1</mn><mo>−</mo><mi>β</mi><mo stretchy="false">)</mo><msub><mi>T</mi><mrow><mi>t</mi><mo>−</mo><mn>1</mn></mrow></msub></mrow><annotation encoding="application/x-tex">T_t = \beta(S_t - S_{t-1}) + (1 - \beta) T_{t-1}</annotation></semantics></math>$ $It=γYtSt+(1−γ)It−m<math display="block" xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><msub><mi>I</mi><mi>t</mi></msub><mo>=</mo><mi>γ</mi><mfrac><msub><mi>Y</mi><mi>t</mi></msub><msub><mi>S</mi><mi>t</mi></msub></mfrac><mo>+</mo><mo stretchy="false">(</mo><mn>1</mn><mo>−</mo><mi>γ</mi><mo stretchy="false">)</mo><msub><mi>I</mi><mrow><mi>t</mi><mo>−</mo><mi>m</mi></mrow></msub></mrow><annotation encoding="application/x-tex">I_t = \gamma \frac{Y_t}{S_{t}} + (1 - \gamma) I_{t-m}</annotation></semantics></math>$

এখানে:

$S t <math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><msub><mi>S</mi><mi>t</mi></msub></mrow><annotation encoding="application/x-tex">S_t</annotation></semantics></math>$ = স্তরের মান।
$T t <math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><msub><mi>T</mi><mi>t</mi></msub></mrow><annotation encoding="application/x-tex">T_t</annotation></semantics></math>$ = ট্রেন্ড মান।
$I t <math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><msub><mi>I</mi><mi>t</mi></msub></mrow><annotation encoding="application/x-tex">I_t</annotation></semantics></math>$ = সিজনাল মান।
$α,β,γ<math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>α</mi><mo separator="true">,</mo><mi>β</mi><mo separator="true">,</mo><mi>γ</mi></mrow><annotation encoding="application/x-tex">\alpha, \beta, \gamma</annotation></semantics></math>$ = স্মুথিং ফ্যাক্টর।
$m <math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>m</mi></mrow><annotation encoding="application/x-tex">m</annotation></semantics></math>$ = সিজনাল পিরিয়ড (যেমন, 12 মাস বা 4 ত্রৈমাসিক)।

ব্যাখ্যা: Holt-Winters মডেলটি ট্রেন্ড এবং সিজনালিটি উভয়ই ধরতে পারে এবং এটি সিজনাল প্যাটার্ন বিশ্লেষণ করার জন্য অত্যন্ত কার্যকর।

এক্সপোনেনশিয়াল স্মুথিংয়ের বৈশিষ্ট্য:

নতুন ডেটার জন্য বেশি গুরুত্ব: এক্সপোনেনশিয়াল স্মুথিংয়ে সর্বদা বর্তমান পর্যবেক্ষণের মানকে বেশি গুরুত্ব দেয়া হয়। এটি স্মুথিং ফ্যাক্টরের মান দ্বারা নিয়ন্ত্রিত হয়।
কমপ্লেক্সিটি কম: এক্সপোনেনশিয়াল স্মুথিং সাধারণত সহজ এবং দ্রুত হিসাব করা যায়, যার ফলে এটি ছোট ডেটা সেটের জন্য উপযুক্ত।
সিজনাল প্যাটার্নের জন্য কার্যকর: Holt-Winters মডেলটি সিজনাল প্যাটার্ন এবং ট্রেন্ড ধরতে সক্ষম।

এক্সপোনেনশিয়াল স্মুথিংয়ের সুবিধা:

সহজ এবং দ্রুত: ছোট ডেটা সেটের জন্য দ্রুত এবং কার্যকর পদ্ধতি।
ফ্লেক্সিবিলিটি: বিভিন্ন ধরনের টাইম সিরিজে এটি ব্যবহার করা যেতে পারে, যেমন শুধু ট্রেন্ড, সিজনাল প্যাটার্ন বা উভয়।
কম্পিউটেশনাল সুবিধা: এক্সপোনেনশিয়াল স্মুথিং কম্পিউটেশনে সহজ এবং কম সময়ে ফলাফল দেয়।

সারাংশ

এক্সপোনেনশিয়াল স্মুথিং হল একটি শক্তিশালী ফরকাস্টিং মডেল, যা টাইম সিরিজ ডেটার উপর ভিত্তি করে ভবিষ্যতের মান পূর্বাভাস করতে ব্যবহৃত হয়। এটি ট্রেন্ড, সিজনালিটি এবং লেভেল পরিবর্তন অনুযায়ী ভবিষ্যতের পূর্বাভাস করতে সাহায্য করে। এক্সপোনেনশিয়াল স্মুথিং মডেলটি সহজ, দ্রুত এবং কার্যকর, এবং এটি ছোট থেকে বড় ডেটা সেটে ব্যবহার করা যেতে পারে।

Content added By

Md Azizur Rahman

Time Series এর পরিচিতি Time Series Data এর মৌলিক ধারণা Time Series Data Preprocessing Exploratory Data Analysis (EDA) for Time Series Stationary Time Series এবং Non-stationary Time Series

Exponential Smoothing Methods

এক্সপোনেনশিয়াল স্মুদিং এর ধরণ:

এক্সপোনেনশিয়াল স্মুদিং পদ্ধতির বৈশিষ্ট্য:

এক্সপোনেনশিয়াল স্মুদিং এর ব্যবহার:

সারাংশ

Simple Exponential Smoothing (SES)

SES এর মূল ধারণা

SES মডেলের গাণিতিক ফর্মুলা:

SES মডেলটি কীভাবে কাজ করে?

SES এর উপকারিতা:

SES এর সীমাবদ্ধতা:

SES মডেলের উদাহরণ

কোড উদাহরণ (Python):

সারাংশ

Holt’s Linear Trend Model

Holt’s Model এর মূল ধারণা

Holt’s Linear Trend Model এর ফর্মুলা

Holt’s Linear Trend Model এর কার্যপদ্ধতি

Holt’s Model এর উপকারিতা

Holt’s Model এর সীমাবদ্ধতা

উদাহরণ

সারাংশ

Holt-Winters Seasonal Model

Holt-Winters মডেলের উপাদান

Holt-Winters ফোরকাস্টিং সমীকরণ

Holt-Winters Model এর প্রকার

Holt-Winters মডেল কীভাবে কাজ করে:

ব্যবহারের উদাহরণ:

সারাংশ

Exponential Smoothing এর মাধ্যমে Forecasting

এক্সপোনেনশিয়াল স্মুথিং এর মডেল:

১. Simple Exponential Smoothing (SES)

২. Holt's Linear Trend Model (ডাবল এক্সপোনেনশিয়াল স্মুথিং)

৩. Holt-Winters Seasonal Model (Triple Exponential Smoothing)

এক্সপোনেনশিয়াল স্মুথিংয়ের বৈশিষ্ট্য:

এক্সপোনেনশিয়াল স্মুথিংয়ের সুবিধা:

সারাংশ

All Notifications

Promotion