การย้าย ค่าเฉลี่ย การขาย พยากรณ์ วิธี

การคาดการณ์การเคลื่อนที่โดยเฉลี่ยขณะที่คุณอาจคาดเดาเรากำลังมองหาวิธีการดั้งเดิมบางอย่างในการคาดการณ์ แต่หวังว่าอย่างน้อยการแนะนำอย่างคุ้มค่าสำหรับประเด็นด้านคอมพิวเตอร์บางอย่างที่เกี่ยวข้องกับการคาดการณ์ในสเปรดชีตในหลอดเลือดดำนี้เราจะดำเนินต่อไป เริ่มต้นที่จุดเริ่มต้นและเริ่มทำงานกับการคาดการณ์ค่าเฉลี่ยเคลื่อนที่การคาดการณ์เฉลี่ยโดยเฉลี่ยทุกคนคุ้นเคยกับการคาดการณ์ค่าเฉลี่ยเคลื่อนที่โดยไม่คำนึงถึงว่าพวกเขาเชื่อหรือไม่ว่าพวกเขาเป็นนักศึกษาวิทยาลัยทุกคนทำตลอดเวลาคิดถึงคะแนนการทดสอบของคุณในหลักสูตรที่คุณกำลังจะไป มีการทดสอบสี่ครั้งในระหว่างภาคการศึกษา Let s สมมติว่าคุณมี 85 คนในการทดสอบครั้งแรกคุณจะทำนายคะแนนทดสอบที่สองคุณคิดอย่างไรว่าครูของคุณจะคาดการณ์คะแนนทดสอบต่อไปคุณคิดว่าเพื่อนของคุณอาจคาดเดาได้อย่างไร สำหรับคะแนนการทดสอบถัดไปคุณคิดว่าพ่อแม่ของคุณอาจคาดเดาคะแนนการทดสอบต่อไปของคุณได้โดยไม่ต้องพึ่งการทำร้ายทั้งหมดที่คุณอาจทำกับคุณ iends และพ่อแม่พวกเขาและครูของคุณมีแนวโน้มที่จะคาดหวังว่าคุณจะได้รับบางสิ่งบางอย่างในพื้นที่ของ 85 ที่คุณเพิ่งได้ดีตอนนี้ให้สมมติว่าแม้จะมีการโปรโมตตัวเองให้กับเพื่อน ๆ ของคุณ และตัวเลขที่คุณสามารถศึกษาได้น้อยกว่าสำหรับการทดสอบที่สองและเพื่อให้คุณได้รับ 73. ตอนนี้สิ่งที่ทุกคนกังวลและไม่แยแสคาดว่าคุณจะได้รับในการทดสอบที่สามของคุณมีสองวิธีมีโอกาสมากสำหรับพวกเขาในการพัฒนาประมาณการโดยไม่คำนึงถึง ไม่ว่าพวกเขาจะแบ่งปันกับคุณพวกเขาอาจพูดกับตัวเองว่าผู้ชายคนนี้มักจะเป่าควันเกี่ยวกับสมาร์ทของเขาเขาจะได้รับอีก 73 ถ้าเขาโชคดีอาจเป็นพ่อแม่จะพยายามที่จะสนับสนุนมากขึ้นและพูดว่าดีดังนั้น ไกลคุณได้รับ 85 และ 73 ดังนั้นบางทีคุณควรจะคิดเกี่ยวกับการเกี่ยวกับ 85 73 2 79 ฉัน don t รู้บางทีถ้าคุณได้ปาร์ตี้น้อยและ weren t wagging วีเซิลทั่วสถานที่และถ้าคุณเริ่มต้นทำ มากขึ้นการศึกษาที่คุณจะได้รับคะแนนสูงกว่าทั้งสองประมาณการเหล่านี้เป็นจริง การคาดการณ์โดยเฉลี่ยของการเคลื่อนที่เป็นอันดับแรกอันดับแรกใช้เฉพาะคะแนนล่าสุดของคุณที่จะคาดการณ์ประสิทธิภาพในอนาคตของคุณซึ่งเรียกว่าการคาดการณ์ค่าเฉลี่ยโดยเฉลี่ยโดยใช้ข้อมูลระยะเวลาหนึ่งวินาทีนอกจากนี้ยังเป็นค่าเฉลี่ยเคลื่อนที่โดยใช้ข้อมูลสองช่วงข้อมูล ว่าคนเหล่านี้ทั้งหมด busting ในใจที่ดีของคุณมีการจัดประเภทของ pissed คุณออกและคุณตัดสินใจที่จะทำดีในการทดสอบที่สามด้วยเหตุผลของคุณเองและใส่คะแนนที่สูงขึ้นในด้านหน้าของพันธมิตรของคุณคุณจะทดสอบและคะแนนของคุณเป็นจริง 89 ตอนนี้คุณมีการทดสอบครั้งสุดท้ายของภาคเรียนที่กำลังจะมาถึงและตามปกติแล้วคุณรู้สึกว่าจำเป็นที่จะต้องกระตุ้นให้ทุกคนคาดการณ์ว่าคุณจะทำอะไรในการทดสอบครั้งล่าสุดดีหวังว่าคุณจะได้เห็น รูปแบบขณะนี้เราหวังว่าคุณจะได้เห็นรูปแบบที่คุณเชื่อว่าเป็นสิ่งที่ถูกต้องที่สุดในขณะที่เราทำงานตอนนี้เรากลับไปที่ บริษัท ทำความสะอาดแห่งใหม่ซึ่งเริ่มต้นโดยน้องสาวที่ถูกแยกออกจากกันของคุณชื่อ Whistle ขณะที่เราทำงานคุณมีข้อมูลการขายที่ผ่านมา เราแสดงข้อมูลสำหรับการคาดการณ์ค่าเฉลี่ยเคลื่อนที่ 3 ช่วงโดยรายการสำหรับเซลล์ C6 ควรเป็นตอนนี้คุณสามารถคัดลอกสูตรเซลล์นี้ลงไปที่เซลล์อื่น ๆ C7 ถึง C11.Notice ค่าเฉลี่ยของการเคลื่อนย้าย มากกว่าข้อมูลทางประวัติศาสตร์ล่าสุด แต่ใช้เวลาสามช่วงล่าสุดสำหรับการคาดการณ์แต่ละครั้งนอกจากนี้คุณควรสังเกตด้วยว่าเราไม่จำเป็นต้องทำการคาดการณ์ในช่วงที่ผ่านมาเพื่อพัฒนาการคาดการณ์ล่าสุดของเราซึ่งแน่นอนว่าแตกต่างจาก exponential smoothing model I ve รวมการคาดการณ์ที่ผ่านมาเพราะเราจะใช้พวกเขาในหน้าเว็บถัดไปเพื่อวัดความถูกต้องของการทำนายตอนนี้ฉันต้องการนำเสนอผลลัพธ์ที่คล้ายคลึงกันสำหรับการคาดการณ์ค่าเฉลี่ยเคลื่อนที่ 2 ช่วงเวลารายการ C5 สำหรับเซลล์ควรเป็นตอนนี้ สามารถคัดลอกสูตรเซลล์นี้ลงไปที่เซลล์อื่น ๆ C6 ถึง C11.Notice ตอนนี้มีเพียงสองชิ้นล่าสุดของข้อมูลที่ผ่านมาที่ใช้สำหรับการคาดการณ์แต่ละครั้งที่ฉันได้รวมไว้ d การคาดการณ์ที่ผ่านมาเพื่อวัตถุประสงค์ในการอธิบายและเพื่อใช้ในภายหลังในการตรวจสอบการคาดการณ์สิ่งอื่น ๆ บางอย่างที่มีความสำคัญต่อการสังเกตสำหรับระยะเวลาการเคลื่อนที่เฉลี่ยของ m-m เท่านั้นค่าข้อมูล m ล่าสุดมีการใช้เพื่อทำให้การคาดการณ์ไม่มีอะไรที่จำเป็น สำหรับการคาดการณ์ค่าเฉลี่ยของระยะเวลา m-metric เมื่อทำการคาดการณ์ที่ผ่านมาสังเกตว่าการทำนายครั้งแรกเกิดขึ้นในช่วง m 1. ปัญหาเหล่านี้จะมีความสำคัญมากเมื่อเราพัฒนาโค้ดของเราการพัฒนาฟังก์ชัน Average Moving Average ตอนนี้เราจำเป็นต้องพัฒนาขึ้น รหัสสำหรับการคาดการณ์ค่าเฉลี่ยเคลื่อนที่ที่สามารถใช้ความยืดหยุ่นได้มากขึ้นโค้ดต่อไปนี้สังเกตว่าอินพุตเป็นจำนวนรอบระยะเวลาที่คุณต้องการใช้ในการคาดการณ์และอาร์เรย์ของค่าทางประวัติศาสตร์คุณสามารถจัดเก็บไว้ในสมุดงานที่คุณต้องการฟังก์ชั่น MovingAverage Historical, NumberOfPeriods เป็น Single Declaring และ initializing variables Dim Items เป็นตัวนับ Dim Variant เป็นจำนวนเต็ม Integer Dim เป็น Single Dim HistoricalSize As Integer Initializing variables Counter 1 Accumulation 0 การกำหนดขนาดของ Historical HistoricalSize. For Counter จำนวน 1 ต่อ NumberOfPeriods สะสมจำนวนที่เหมาะสมของค่าที่สังเกตก่อนหน้านี้สะสมสะสมข้อมูลประวัติ HistoricalSize - NumberOfPeriods Counter. MovingAverage การสะสม NumberOfPeriods รหัสจะอธิบายในชั้นเรียนคุณต้องการวางตำแหน่งฟังก์ชันในสเปรดชีตเพื่อให้ผลของการคำนวณปรากฏขึ้นที่ควร เช่นเดียวกับค่าเฉลี่ยต่อไปนี้.Meanของการสังเกตข้อมูลชุดข้อมูลเป็นระยะ ๆ เท่า ๆ กันเว้นระยะห่างจากระยะเวลาหลายติดต่อกันเรียกว่าการเคลื่อนไหวเนื่องจากมีการคำนวณใหม่อย่างต่อเนื่องจากข้อมูลใหม่จะพร้อมใช้งานดำเนินโดยการลดค่าที่เก่าสุดและเพิ่มค่าล่าสุดตัวอย่างเช่น ค่าเฉลี่ยของยอดขายตั้งแต่เดือนมกราคมถึงเดือนมิถุนายนโดยเฉลี่ยแล้วยอดขายตั้งแต่เดือนกุมภาพันธ์ถึงเดือนกรกฎาคมเดือนมีนาคมถึงเดือนสิงหาคมเป็นต้นไปค่าเฉลี่ยเคลื่อนที่ 1 จะลดผลกระทบของรูปแบบชั่วคราวใน ข้อมูล, 2 ปรับปรุงพอดีของข้อมูลไปยังสายกระบวนการที่เรียกว่าราบรื่นเพื่อแสดงแนวโน้มของข้อมูลมากขึ้น c learly และ 3 เน้นค่าใด ๆ เหนือหรือต่ำกว่าแนวโน้มหากคุณกำลังคำนวณสิ่งที่มีความแปรปรวนสูงมากที่ดีที่สุดที่คุณอาจสามารถทำคือคิดออกค่าเฉลี่ยเคลื่อนที่ฉันต้องการทราบว่าค่าเฉลี่ยเคลื่อนที่อยู่ที่เท่าไร ดังนั้นฉันจะมีความเข้าใจที่ดีขึ้นว่าเรากำลังทำอะไรอยู่ขณะที่คุณกำลังพยายามหาตัวเลขบางอย่างที่มีการเปลี่ยนแปลงบ่อยครั้งที่ดีที่สุดที่คุณสามารถทำได้คือคำนวณค่าเฉลี่ยที่เคลื่อนไหวได้ Box เจนกินส์ BJ models. The วิธีที่ง่ายที่สุดคือการใช้ค่าเฉลี่ย ของเดือนมกราคมถึงเดือนมีนาคมและใช้ข้อมูลดังกล่าวเพื่อประมาณการยอดขายในเดือนเมษายน 129 134 122 3 128 333 ดังนั้นจากยอดขายในเดือนมกราคมถึงเดือนมีนาคมคุณคาดการณ์ว่ายอดขายในเดือนเมษายนจะเท่ากับ 128,333 เมื่อยอดขายจริงในเดือนเมษายนเพิ่มขึ้นคุณจะคำนวณการคาดการณ์สำหรับเดือน พ. ค. โดยใช้กุมภาพันธ์ถึงเมษายน คุณต้องสอดคล้องกับจำนวนงวดที่คุณใช้ในการย้ายการคาดการณ์โดยเฉลี่ยจำนวนรอบระยะเวลาที่คุณใช้ในการคาดการณ์โดยเฉลี่ยของการเคลื่อนที่ของคุณโดยพลการคุณสามารถใช้เพียงสองช่วงหรือห้าหรือหกช่วงเวลาที่คุณต้องการสร้างการคาดการณ์ของคุณ วิธีการข้างต้นเป็นค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายบางครั้งยอดขายเดือนล่าสุดอาจเป็นแรงผลักดันที่แข็งแกร่งขึ้นของยอดขายในเดือนถัดไปดังนั้นคุณจึงต้องการให้น้ำหนักที่ใกล้เดือนนี้มากขึ้นในรูปแบบการคาดการณ์ของคุณนี่คือค่าเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนักและเหมือนกับจำนวน ของงวดน้ำหนักที่คุณกำหนดเป็นเพียงคำพูดโดยสิ้นเชิงสมมติว่าคุณต้องการให้ยอดขายของเดือนมีนาคม 50 น้ำหนักกุมภาพันธ์น้ำหนัก 30 และมกราคม 20 ดังนั้นการคาดการณ์ของคุณสำหรับเดือนเมษายนจะเท่ากับ 127,000 122 50 134 30 129 20 127.L การลอกเลียนแบบของ Moving Average Methods การย้ายค่าเฉลี่ยจะถือเป็นเทคนิคการคาดการณ์การปรับให้ราบเรียบเนื่องจากคุณใช้เวลาเฉลี่ยโดยเฉลี่ยเมื่อเวลาผ่านไปคุณจึงอ่อนลงหรือทำให้เกิดผลกระทบจากเหตุการณ์ที่เกิดขึ้นไม่สม่ำเสมอภายในข้อมูลผลของฤดูกาลการทำธุรกิจและอื่น ๆ เหตุการณ์สุ่มสามารถเพิ่มข้อผิดพลาดในการคาดการณ์ได้อย่างมากลองดูข้อมูลมูลค่าเต็มของปีและเปรียบเทียบค่าเฉลี่ยเคลื่อนที่ 3 ช่วงและค่าเฉลี่ยเคลื่อนที่ 5 ช่วงซึ่งคำเตือนดังกล่าวไม่ได้สร้างการคาดการณ์ แต่เน้นที่ศูนย์กลาง ค่าเฉลี่ยเคลื่อนที่เฉลี่ยย้อนหลัง 3 เดือนแรกเป็นเดือนกุมภาพันธ์และเป็นค่าเฉลี่ยของเดือนมกราคมกุมภาพันธ์และเดือนมีนาคมที่ผ่านมานอกจากนี้ยังมีค่าเฉลี่ยใกล้เคียงกับค่าเฉลี่ย 5 เดือนแล้วดูที่กราฟต่อไปสิ่งที่คุณเห็นคือ ไม่ใช่ชุดค่าเฉลี่ยเคลื่อนที่ 3 เดือนที่นุ่มนวลกว่าชุดการขายที่เกิดขึ้นจริงและค่าเฉลี่ยเคลื่อนที่ในรอบ 5 เดือนจะยิ่งเพิ่มขึ้นเรื่อย ๆ ดังนั้นยิ่งช่วงเวลาที่คุณใช้ในค่าเฉลี่ยเคลื่อนที่ของคุณยิ่งเพิ่มมากขึ้นเท่าไร ดังนั้นสำหรับการคาดการณ์ค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายอาจไม่ใช่วิธีที่ถูกต้องที่สุดวิธีการเฉลี่ยโดยเฉลี่ยจะมีค่ามากเมื่อคุณลองดึงองค์ประกอบตามฤดูกาลไม่สม่ำเสมอและวัฏจักรของชุดข้อมูลเวลาสำหรับวิธีการคาดการณ์ขั้นสูงขึ้นเช่นการถดถอย และ ARIMA และการใช้ค่าเฉลี่ยเคลื่อนที่ในการสลายตัวชุดข้อมูลเวลาจะได้รับการกล่าวถึงในซีรีส์ต่อไปการกำหนดความถูกต้องของโมเดลเฉลี่ยเคลื่อนที่โดยทั่วไปคุณต้องการวิธีการคาดการณ์ที่มีข้อผิดพลาดน้อยที่สุดระหว่างผลลัพธ์จริงและที่คาดการณ์ไว้ มาตรการที่ใช้บ่อยที่สุดในการพยากรณ์ความถูกต้องคือค่า Mean Absolute Deviation MAD ในวิธีนี้สำหรับแต่ละช่วงเวลาของชุดข้อมูลเวลาที่คุณสร้างการคาดการณ์คุณจะใช้ค่าสัมบูรณ์ของความแตกต่างระหว่างค่าที่แท้จริงและค่าที่คาดการณ์ไว้ คุณเฉลี่ยเบี่ยงเบนที่แน่นอนและคุณได้รับการวัด MAD MAD จะเป็นประโยชน์ในการตัดสินใจเกี่ยวกับจำนวนรอบระยะเวลาที่คุณเฉลี่ยและหรือจำนวน โดยทั่วไปคุณเลือกหนึ่งที่มีผลในต่ำสุด MAD นี่คือตัวอย่างของวิธี MAD คำนวณ. MADเป็นเพียงค่าเฉลี่ยของ 8, 1 และ 3.Moving เฉลี่ย Recap เมื่อใช้ค่าเฉลี่ยเคลื่อนที่สำหรับการคาดการณ์ , remember. Moving ค่าเฉลี่ยได้ง่ายหรือ weighted จำนวนรอบระยะเวลาที่คุณใช้สำหรับค่าเฉลี่ยของคุณและน้ำหนักใด ๆ ที่คุณกำหนดให้แต่ละอย่างเคร่งครัดโดยเคร่งครัดค่าเฉลี่ยที่เรียบออกรูปแบบที่ไม่สม่ำเสมอในข้อมูลชุดเวลาที่มีขนาดใหญ่จำนวนของระยะเวลาที่ใช้สำหรับ แต่ละจุดข้อมูลมากขึ้นผลการทำให้ราบเรียบเนื่องจากการเรียบคาดการณ์การขายในเดือนถัดไปขึ้นอยู่กับการขายไม่กี่เดือนล่าสุดของอาจส่งผลให้เกิดการเบี่ยงเบนขนาดใหญ่เนื่องจากฤดูกาลตามฤดูกาลและรูปแบบที่ไม่สม่ำเสมอในข้อมูลและความสามารถในการราบเรียบ ของวิธีการเฉลี่ยเคลื่อนที่จะมีประโยชน์ในการสลายตัวชุดข้อมูลเวลาสำหรับวิธีการคาดการณ์ขั้นสูงขึ้นสัปดาห์ถัดไป Exponential Smoothing ในสัปดาห์ถัดไป s Forecast วันศุกร์เราจะพูดถึงวิธีการเรียบเรียงเป็นทวีคูณ , และคุณจะเห็นว่าพวกเขาสามารถไกลกว่าวิธีการพยากรณ์การเคลื่อนไหวเฉลี่ยยังไม่ทราบว่าทำไมโพสต์วันศุกร์พยากรณ์ของเราจะปรากฏในวันพฤหัสบดีที่ค้นหาคำแนะนำที่. โพสต์ navigation. Leave ตอบยกเลิก reply. I มี 2 คำถาม 1 คุณสามารถ ใช้วิธี MA centered เพื่อคาดการณ์หรือเพียงเพื่อลบ seasonality.2 เมื่อคุณใช้ t t-1 t-2 tk k เล็กน้อยเพื่อคาดการณ์ล่วงหน้าหนึ่งรอบเป็นไปได้ที่จะคาดการณ์มากกว่า 1 ระยะล่วงหน้าฉันเดาแล้วการคาดการณ์ของคุณ จะเป็นหนึ่งในจุดให้อาหารใน next. Thanks รักข้อมูลและ explainantions. I ฉันของคุณดีใจที่คุณชอบบล็อก I m แน่ใจว่านักวิเคราะห์หลายคนได้ใช้วิธีการศูนย์ MA สำหรับการคาดการณ์ แต่ผมเองจะไม่เนื่องจากผลวิธีการที่ ในการสูญเสียการสังเกตที่ปลายทั้งสองนี้จริงแล้วความสัมพันธ์ในคำถามที่สองของคุณโดยทั่วไป MA ธรรมดาใช้ในการคาดการณ์เพียงระยะเวลาหนึ่งล่วงหน้า แต่นักวิเคราะห์หลายคนและฉันก็บางครั้งจะใช้หนึ่งในระยะคาดการณ์ล่วงหน้าของฉันเป็นหนึ่งในปัจจัยการผลิตไป ช่วงที่สองข้างหน้า สำคัญที่ต้องจำไว้ว่ายิ่งไปกว่านั้นในอนาคตคุณพยายามที่จะคาดการณ์มากขึ้นความเสี่ยงของการคาดการณ์ข้อผิดพลาดนี่คือเหตุผลที่ผมไม่แนะนำให้ศูนย์กลาง MA สำหรับการคาดการณ์การสูญเสียการสังเกตที่ปลายหมายถึงต้องพึ่งพาการคาดการณ์สำหรับการสังเกตที่หายไป, เช่นเดียวกับรอบระยะเวลาข้างหน้าดังนั้นจึงมีโอกาสมากขึ้นในการคาดการณ์ข้อผิดพลาดผู้อ่านที่คุณได้รับเชิญให้ชั่งน้ำหนักในเรื่องนี้คุณมีความคิดเห็นหรือคำแนะนำใน this. Brian ขอบคุณสำหรับความคิดเห็นและคำชมเชยของคุณใน blog. Nice ความคิดริเริ่มและคำอธิบายที่ดีมันเป็นประโยชน์จริงๆฉันคาดการณ์แผงวงจรพิมพ์ที่กำหนดเองสำหรับลูกค้าที่ไม่ให้การคาดการณ์ใด ๆ ที่ฉันได้ใช้ค่าเฉลี่ยเคลื่อนที่ แต่มันไม่ได้เป็นความถูกต้องมากเป็นอุตสาหกรรมสามารถไปขึ้นและลงเราเห็นไปทางกลางของ ฤดูร้อนถึงสิ้นปีที่จัดส่ง pcb s ขึ้นแล้วเราเห็นที่จุดเริ่มต้นของปีช้าลงวิธีฉันจะถูกต้องมากขึ้นด้วยข้อมูลของฉัน Katrina จากสิ่งที่คุณบอกฉันจะปรากฏขายแผงวงจรพิมพ์ของคุณ มีองค์ประกอบตามฤดูกาลที่ฉันทำฤดูกาลที่อยู่ในบางส่วนของโพสต์อื่น ๆ วันศุกร์พยากรณ์วิธีการที่คุณสามารถใช้ซึ่งเป็นเรื่องง่ายสวยก็คืออัลกอริทึม Holt-Winters ซึ่งจะเข้าบัญชีฤดูกาลคุณสามารถหาคำอธิบายที่ดีของมันที่นี่ เพื่อพิจารณาว่ารูปแบบตามฤดูกาลของคุณเป็นแบบทวีคูณหรือแบบเติมเงินหรือไม่เนื่องจากอัลกอริทึมจะแตกต่างกันเล็กน้อยสำหรับแต่ละกรณีหากคุณวางแผนข้อมูลรายเดือนของคุณจากไม่กี่ปีและพบว่าการเปลี่ยนแปลงตามฤดูกาลในช่วงเวลาเดียวกันของปีดูเหมือนเป็นปีที่คงที่ต่อปี ฤดูกาลเป็น additive ถ้ารูปแบบตามฤดูกาลในช่วงเวลาที่ดูเหมือนจะเพิ่มขึ้นแล้ว seasonality เป็น multiplicative ซีรีส์เวลาตามฤดูกาลมากที่สุดจะคูณถ้าสงสัยให้สมมติ multiplicative Good luck. Hi มีระหว่างวิธีการ Nave Forecasting การปรับปรุงค่าเฉลี่ยของการย้ายค่าเฉลี่ยของ length ถจากการถ่วงน้ำหนักถ่วงน้ำหนักเฉลี่ยของความยาว k หรือ Exponential Smoothing รูปแบบการปรับปรุงใด ๆ ที่คุณแนะนำให้ฉันใช้เพื่อ forecas t ข้อมูลสำหรับความคิดของฉันฉันคิดเกี่ยวกับการย้ายเฉลี่ย แต่ฉัน don t ทราบวิธีการทำให้ชัดเจนและ structured. It จริงๆขึ้นอยู่กับปริมาณและคุณภาพของข้อมูลที่คุณมีและขอบฟ้าคาดการณ์ของคุณระยะยาวในระยะกลาง หรือระยะสั้น