Moving Average Filter Verwendet

Gleitender Durchschnitt In der Statistik. Ein gleitender Durchschnitt. Auch Rolling Average genannt. Bewegter Mittelwert. Walzmittel. Gleitenden zeitlichen Mittelwert. Oder laufender Durchschnitt. Ist ein Typ eines Finite-Impulse-Response-Filters, der verwendet wird, um einen Satz von Datenpunkten zu analysieren, indem eine Reihe von Mittelwerten von verschiedenen Teilmengen des vollständigen Datensatzes erzeugt wird. Bei einer Reihe von Zahlen und einer festen Teilmengengröße wird das erste Element des gleitenden Mittelwertes erhalten, indem der Durchschnitt der anfänglichen festen Teilmenge der Zahlenreihe genommen wird. Dann wird die Teilmenge durch Vorwärtsschieben modifiziert, dh ohne die erste Zahl der Reihe und schließt die nächste Zahl ein, die der ursprünglichen Teilmenge in der Reihe folgt. Dies erzeugt eine neue Teilmenge von Zahlen, die gemittelt wird. Dieser Vorgang wird über die gesamte Datenreihe wiederholt. Die graphische Linie, die alle (festen) Mittel verbindet, ist der gleitende Durchschnitt. Ein gleitender Durchschnitt ist ein Satz von Zahlen, von denen jeder der Mittelwert der entsprechenden Teilmenge eines größeren Satzes von Bezugspunkten ist. Ein gleitender Durchschnitt kann auch ungleiche Gewichte für jeden Datumswert in der Teilmenge verwenden, um bestimmte Werte in der Teilmenge hervorzuheben. Ein gleitender Durchschnitt wird häufig mit Zeitreihendaten verwendet, um kurzfristige Fluktuationen auszugleichen und längerfristige Trends oder Zyklen hervorzuheben. Die Schwelle zwischen Kurzzeit und Langzeit hängt von der Anwendung ab, und die Parameter des gleitenden Durchschnitts werden entsprechend eingestellt. Zum Beispiel wird es oft in der technischen Analyse von Finanzdaten, wie Aktienkurse verwendet. Renditen oder Handelsvolumina. Es wird auch in der Volkswirtschaft verwendet, um das Bruttoinlandsprodukt, die Beschäftigung oder andere makroökonomische Zeitreihen zu untersuchen. Mathematisch ist ein gleitender Durchschnitt eine Art von Faltung und kann daher als ein Beispiel eines bei der Signalverarbeitung verwendeten Tiefpassfilters betrachtet werden. Bei Verwendung mit Nicht-Zeitreihendaten filtert ein gleitender Durchschnitt höherfrequente Komponenten ohne irgendeine spezifische Verbindung zur Zeit, obwohl typischerweise eine Art von Anordnung impliziert wird. Vereinfacht betrachtet, kann es als eine Glättung der Daten betrachtet werden. Einfacher gleitender Durchschnitt Edit In Finanzanwendungen ist ein einfacher gleitender Durchschnitt (SMA) der ungewichtete Mittelwert der vorangegangenen n Datenpunkte. Allerdings wird in der Wissenschaft und Technik der Mittelwert normalerweise aus einer gleichen Anzahl von Daten auf beiden Seiten eines zentralen Wertes genommen. Dies stellt sicher, dass Variationen in dem Mittel mit den Variationen in den Daten ausgerichtet sind, anstatt zeitlich verschoben zu werden. Ein Beispiel eines einfachen, gleich gewichteten laufenden Mittelwertes für eine n-Tage-Stichprobe des Schlusskurses ist der Mittelwert der vorangegangenen n-Tage-Schlusskurse. Wenn diese Preise dann die Formel ist, wird bei der Berechnung aufeinanderfolgender Werte ein neuer Wert in die Summe und ein alter Wert fällt aus, dh eine vollständige Summation jedes Mal ist für diesen einfachen Fall unnötig, Der ausgewählte Zeitraum hängt von der Art der Bewegung von Wie kurz, mittelfristig oder langfristig. Finanziell kann das gleitende Durchschnittsniveau als Unterstützung in einem steigenden Markt oder Widerstand in einem fallenden Markt interpretiert werden. Wenn die verwendeten Daten nicht um den Mittelpunkt zentriert sind, liegt ein einfacher gleitender Durchschnitt hinter dem letzten Datumspunkt um die Hälfte der Probenbreite zurück. Ein Merkmal der SMA ist, dass, wenn die Daten eine periodische Fluktuation haben, dann das Anwenden eines SMA dieser Periode diese Variation beseitigen wird (der Durchschnitt, der immer enthält.) Ein SMA kann auch überproportional beeinflusst werden, indem alte Datenpunkte wegfallen oder neue Daten hereinkommen Ein vollständiger Zyklus). Aber ein vollkommen regelmäßiger Zyklus kommt selten vor. 1 Für eine Reihe von Anwendungen ist es vorteilhaft, die Verschiebung zu vermeiden, die durch die Verwendung nur vergangener Daten induziert wird. Daher kann ein zentraler gleitender Durchschnitt berechnet werden, wobei Daten verwendet werden, die beiderseits des Punktes in der Reihe gleich beabstandet sind, wo der Mittelwert berechnet wird. Dies erfordert die Verwendung einer ungeraden Anzahl von Bezugspunkten im Probenfenster. Kumulierter gleitender Durchschnitt Bearbeiten In einem kumulativen gleitenden Durchschnitt. Kommen die Daten in einem geordneten Datenstrom an und der Statistiker möchte den Durchschnitt aller Daten bis zum aktuellen Bezugspunkt erhalten. Zum Beispiel kann ein Anleger den durchschnittlichen Preis aller Aktien-Transaktionen für eine bestimmte Aktie bis zur aktuellen Zeit wollen. Bei jeder neuen Transaktion kann der Durchschnittspreis zum Zeitpunkt der Transaktion für alle Transaktionen bis zu diesem Zeitpunkt unter Verwendung des kumulativen Durchschnitts, typischerweise eines gleich gewichteten Durchschnitts der Sequenz von i Werten x 1, berechnet werden. X i bis zur aktuellen Zeit: Die brute-force Methode, um dies zu berechnen, wäre, alle Daten zu speichern und die Summe zu berechnen und durch die Anzahl der Datumspunkte zu dividieren, sobald ein neuer Datumspunkt angekommen ist. Es ist jedoch möglich, einfach den kumulativen Mittelwert zu aktualisieren, wenn ein neuer Wert xi & sub1; verfügbar wird, unter Verwendung der Formel: Somit ist der aktuelle kumulative Durchschnitt für einen neuen Bezugspunkt gleich dem vorherigen kumulativen Durchschnitt plus der Differenz zwischen dem letzten Datumspunkt und dem Wert Vorherigen Durchschnitt geteilt durch die Anzahl der bisher erhaltenen Punkte. Wenn alle Nullpunkte ankommen (i N), wird der kumulative Mittelwert dem Enddurchschnitt entsprechen. Die Ableitung der kumulativen Durchschnittsformel ist unkompliziert. Mit Hilfe dieser Gleichung für CA i 1 ergibt sich: Gewichteter gleitender Durchschnitt Bearbeiten Ein gewichteter Durchschnitt ist ein beliebiger Durchschnitt, der Multiplikationsfaktoren hat, um unterschiedliche Gewichte für Daten an verschiedenen Positionen im Probenfenster zu erhalten. Mathematisch ist der gleitende Durchschnitt die Faltung der Nullpunkte mit einer festen Gewichtungsfunktion. Eine Anwendung entfernt die Pixelisierung aus einem digitalen grafischen Bild. In der technischen Analyse der Finanzdaten hat ein gewichteter gleitender Durchschnitt (WMA) die spezifische Bedeutung von Gewichten, die in der arithmetischen Progression abnehmen. 2 In einem n-day WMA hat der letzte Tag das Gewicht n. Die zweitletzte n 16087221601, etc. bis zu einem. Datei: Gewichtete gleitende Durchschnittsgewichte N15.png Wenn die WMA über aufeinanderfolgende Werte berechnet wird, ist die Differenz zwischen den Zählern von WMA M 1 und WMA M np M 1 1608722160 p M 16087221601608722160 p M 8722n1. Bezeichnet man die Summe p M 160160160160 p M 8722 n 1 mit der Summe M. Dann zeigt die Grafik rechts, wie die Gewichte vom höchsten Gewicht für die letzten Datumspunkte auf Null abnehmen. Sie kann mit den im folgenden exponentiellen gleitenden Durchschnitt verglichen werden. Exponentieller gleitender Durchschnitt Bearbeiten Ein exponentieller gleitender Durchschnitt (EMA), der auch als exponentiell gewichteter gleitender Durchschnitt (EWMA) bezeichnet wird, ist ein Typ eines unendlichen Impulsantwortfilters, der exponentiell abnehmende Gewichtungsfaktoren anwendet. Die Gewichtung für jeden älteren Nullpunkt nimmt exponentiell ab und erreicht niemals Null. Die Grafik rechts zeigt ein Beispiel für die Gewichtsabnahme. Die EMA für eine Reihe Y kann rekursiv berechnet werden: Der Koeffizient repräsentiert den Grad der Gewichtungsabnahme, einen konstanten Glättungsfaktor zwischen 0 und 1. Je höher die Anzahl der älteren Beobachtungen, desto schneller. Alternativ kann in Form von N Zeitperioden ausgedrückt werden, wobei 1601602 (N & sub1;) Scriptfehler Scriptfehler 91 Zitat 93 benötigt wird. Wenn zum Beispiel N 16016019 zu 1601600.1 äquivalent ist, wird die Halbwertszeit der Gewichte (das Intervall, Die Gewichte um einen Faktor von zwei abnehmen) ungefähr N 2.8854 (innerhalb von 1, wenn N 160gt1605). Yt ist der Wert zu einer Zeitperiode t. S t ist der Wert der EMA zu einem beliebigen Zeitpunkt t. S 1 ist undefiniert. S 1 kann auf verschiedene Weise initialisiert werden, am häufigsten durch S 1 bis Y 1. Obwohl andere Techniken existieren, wie etwa das Setzen von S 1 auf einen Durchschnitt der ersten 4 oder 5 Beobachtungen. Die Prominenz der S 1 - Initialisierungswirkung auf den resultierenden gleitenden Durchschnitt hängt von kleineren Werten ab, was die Wahl von S 1 relativ wichtiger macht als größere Werte, da eine höhere Diskontierung älterer Beobachtungen schneller erfolgt. Diese Formulierung ist nach Hunter (1986). 4 Durch wiederholte Anwendung dieser Formel für verschiedene Zeiten können wir schließlich S t als gewichtete Summe der Nullpunkte Y t schreiben. Als: Ein alternativer Ansatz von Roberts (1959) verwendet Y t anstelle von Y t 87221. 5 Diese Formel kann auch in den technischen Analysenausdrücken wie folgt ausgedrückt werden und zeigt, wie die EMA auf den letzten Datumspunkt zu, aber nur um einen Anteil der Differenz (jedesmal) geht: Dies ist eine unendliche Summe mit abnehmenden Terme. Die N Perioden in einer N-Day EMA geben nur den Faktor an. N ist kein Stopppunkt für die Berechnung in der Art, wie sie in einem SMA oder WMA ist. Für ausreichend große N. Die ersten N Datenpunkte in einer EMA repräsentieren etwa 86 des Gesamtgewichts bei der Berechnung: 6 Die Leistungsformel oben gibt einen Startwert für einen bestimmten Tag an, wonach die zuerst gezeigte aufeinanderfolgende Tageformel angewendet werden kann. Die Frage, wie weit zurück für einen Anfangswert gehen muss, hängt im schlimmsten Fall von den Daten ab. Große Preiswerte in alten Daten werden sich auf die Gesamtmenge auswirken, selbst wenn ihre Gewichtung sehr gering ist. Wenn die Preise kleine Variationen haben, dann kann nur die Gewichtung berücksichtigt werden. Das Gewicht, das durch Stoppen nach k Termonen weggelassen wird, liegt außerhalb des Gesamtgewichts. Um beispielsweise 99,9 des Gewichts zu haben, setzen Sie das obige Verhältnis auf 0,1 und lösen Sie für k. Für dieses Beispiel (99,9 Gewicht). Geänderter gleitender Durchschnitt Bearbeiten Ein modifizierter gleitender Durchschnitt (MMA), ein laufender gleitender Durchschnitt (RMA) oder ein glatter gleitender Durchschnitt ist definiert als: Anwendung zur Messung der Computerleistung Bearbeiten Einige Computerleistungsmetriken, z. B. Die durchschnittliche Prozesswarteschlangenlänge oder die durchschnittliche CPU-Auslastung eine Form des exponentiellen gleitenden Durchschnitts verwenden. Hier wird als Funktion der Zeit zwischen zwei Messungen definiert. Ein Beispiel für einen Koeffizienten, der dem aktuellen Messwert ein größeres Gewicht verleiht, und ein geringeres Gewicht für die älteren Messungen ist beispielsweise ein 15-Minuten-Durchschnitt L einer Prozesswarteschlangenlänge Q. Gemessen alle 5 Sekunden (Zeitdifferenz beträgt 5 Sekunden), wird berechnet als Andere Gewichtungen Bearbeiten Andere Gewichtungssysteme werden gelegentlich verwendet 8211 zum Beispiel im Aktienhandel mit einem Volumengewicht wird jedes Zeitintervall proportional zum Handelsvolumen gewichtet. Eine weitere Gewichtung, die von Aktuaren verwendet wird, ist Spencers 15-Point Moving Average 11 (ein mittlerer gleitender Durchschnitt). Die symmetrischen Gewichtungskoeffizienten sind -3, -6, -5, 3, 21, 46, 67, 74, 67, 46, 21, 3, -5, -6, -3. Außerhalb der Finanzwelt haben gewichtete Laufwege viele Formen und Anwendungen. Jede Gewichtungsfunktion oder Kernel hat seine eigenen Eigenschaften. In der Technik und Wissenschaft ist die Frequenz und das Phasenverhalten des Filters oft wichtig, um die gewünschten und unerwünschten Verzerrungen zu verstehen, die ein bestimmter Filter auf die Daten anwenden wird. Ein Mittel nicht nur glätten die Daten. Ein Mittelwert ist eine Form des Tiefpaßfilters. Die Auswirkungen des jeweiligen Filters sollten verstanden werden, um eine geeignete Wahl zu treffen. An dieser Stelle diskutiert die französische Version dieses Artikels die spektralen Effekte von 3 Arten von Mitteln (kumulativ, exponentiell, Gaussian). Moving Median Edit Aus statistischer Sicht ist der gleitende Durchschnitt, wenn er zur Schätzung der zugrunde liegenden Tendenz in einer Zeitreihe verwendet wird, anfällig für seltene Ereignisse wie schnelle Schocks oder andere Anomalien. Eine robustere Schätzung des Trends ist der einfache sich bewegende Median über n Zeitpunkte: wo der Median gefunden wird, indem man beispielsweise die Werte innerhalb der Klammern sortiert und den Wert in der Mitte findet. Für größere Werte von n. Kann der Median effizient berechnet werden, indem eine indexierbare Skiplist aktualisiert wird. 12 Statistisch gesehen ist der gleitende Durchschnitt optimal, um den zugrunde liegenden Trend der Zeitreihe wiederherzustellen, wenn die Schwankungen um den Trend normal verteilt sind. Die Normalverteilung weist jedoch keine sehr hohe Wahrscheinlichkeit auf sehr große Abweichungen von der Tendenz hin, was erklärt, warum diese Abweichungen einen unverhältnismäßig großen Einfluss auf die Trendschätzung haben werden. Es kann gezeigt werden, dass, wenn die Fluktuationen stattdessen angenommen werden, dass Laplace verteilt ist. Dann ist der bewegliche Median statistisch optimal. 13 Für eine gegebene Varianz stellt die Laplace-Verteilung bei seltenen Ereignissen höhere Wahrscheinlichkeit als die normale, was erklärt, warum der bewegte Median Stöße besser toleriert als der bewegte Mittelwert. Wenn der einfache sich bewegende Median oben zentriert ist, ist die Glättung identisch mit dem Medianfilter, der Anwendungen zum Beispiel in der Bildsignalverarbeitung aufweist. Siehe auch Bearbeiten Dieser Artikel enthält eine Referenzliste. Aber seine Quellen bleiben unklar, weil es unzureichende Inlinezitationen hat. Bitte helfen Sie, diesen Artikel durch präzisere Zitate zu verbessern. FIR-Filter-Grundlagen 1.1 Was sind FIR-Filterquot-FIR-Filter sind einer von zwei primären Typen von digitalen Filtern, die in digitalen Signalverarbeitungsanwendungen (DSP) verwendet werden, wobei der andere Typ IIR ist. 1.2 Was bedeutet "FIRquot" bedeutet "FIRquot" bedeutet "FInite Impulse Responsequot". Wenn Sie einen Impuls, das heißt, ein einziges quadratisches Beispiel, gefolgt von vielen quot0quot Proben, setzen, werden Nullen herauskommen, nachdem das quot1quot Beispiel seinen Weg durch die Verzögerungslinie des Filters gemacht hat. 1.3 Warum ist die Impulsantwort quotfinitequot Im allgemeinen Fall ist die Impulsantwort endlich, da es keine Rückmeldung in der FIR gibt. Ein Mangel an Feedback garantiert, dass die Impulsantwort endlich ist. Daher ist der Begriff "endliche Impulsantwort" annähernd gleichbedeutend mit einer Quotno-Rückmeldung. Wenn jedoch die Rückkopplung verwendet wird, ist die Impulsantwort endlich, der Filter ist jedoch immer noch ein FIR. Ein Beispiel ist das gleitende Mittelfilter, bei dem jedes Mal, wenn eine neue Probe eintritt, subtrahiert (rückgekoppelt) wird. Dieser Filter hat eine endliche Impulsantwort, obwohl er Rückkopplung verwendet: nach N Abtastungen eines Impulses die Ausgabe Wird immer Null sein. 1.4 Wie kann ich aussprechen firquot Einige Leute sagen, die Buchstaben F-I-R anderen Menschen auszusprechen, als wäre es eine Art von Baum. Wir bevorzugen den Baum. (Der Unterschied besteht darin, ob Sie über einen F-I-R-Filter oder einen FIR-Filter sprechen.) 1.5 Was ist die Alternative zu FIR-Filtern DSP-Filter können auch Infinite Impulse Responsequot (IIR) sein. (Siehe dspGurus IIR FAQ.) IIR-Filter verwenden Feedback, so dass bei der Eingabe eines Impulses die Ausgabe theoretisch unendlich klingelt. 1.6 Wie FIR-Filter mit IIR-Filtern vergleichen Jedes hat Vor - und Nachteile. Insgesamt aber überwiegen die Vorteile von FIR-Filtern die Nachteile, so dass sie viel mehr als IIRs verwendet werden. 1.6.1 Was sind die Vorteile von FIR-Filtern (im Vergleich zu IIR-Filtern) Im Vergleich zu IIR-Filtern bieten FIR-Filter folgende Vorteile: Sie lassen sich leicht als quasi-lineare Phasenquotten konzipieren (und sind in der Regel). Einfach ausgedrückt, verzögern lineare Phasenfilter das Eingangssignal, aber donrsquot verzerrt seine Phase. Sie sind einfach zu implementieren. Bei den meisten DSP-Mikroprozessoren kann die FIR-Berechnung durch Schleifen einer einzigen Anweisung durchgeführt werden. Sie eignen sich für Mehrpreisanwendungen. Mit Multi-Rate bedeuten wir entweder einen Dekrementquot (Reduzierung der Abtastrate), eine Interpolation (Erhöhung der Abtastrate) oder beides. Ob Dezimierung oder Interpolation, die Verwendung von FIR-Filtern erlaubt es, einige der Berechnungen wegzulassen, wodurch eine wichtige Recheneffizienz geschaffen wird. Im Gegensatz dazu, wenn IIR-Filter verwendet werden, muss jeder Ausgang individuell berechnet werden, auch wenn dieser Ausgang verworfen wird (so dass die Rückkopplung wird in den Filter integriert werden). Sie haben gewünschte numerische Eigenschaften. In der Praxis müssen alle DSP-Filter mit Hilfe einer Finite-Precision-Arithmetik, dh einer begrenzten Anzahl von Bits, implementiert werden. Die Verwendung von Finite-Precision-Arithmetik in IIR-Filtern kann aufgrund des Feedbacks erhebliche Probleme verursachen, aber FIR-Filter ohne Rückkopplung können gewöhnlich mit weniger Bits implementiert werden, und der Konstrukteur hat weniger praktische Probleme, die mit der nicht idealen Arithmetik zusammenhängen. Sie können mit Hilfe von fractional arithmetic implementiert werden. Im Gegensatz zu IIR-Filtern ist es immer möglich, ein FIR-Filter unter Verwendung von Koeffizienten mit einer Grße von weniger als 1,0 einzusetzen. (Die Gesamtverstärkung des FIR-Filters kann bei Bedarf an seinem Ausgang eingestellt werden.) Dies ist ein wichtiger Aspekt bei der Verwendung von Festpunkt-DSPs, da sie die Implementierung viel einfacher macht. 1.6.2 Was sind die Nachteile von FIR-Filtern (im Vergleich zu IIR-Filtern) Im Vergleich zu IIR-Filtern haben FIR-Filter manchmal den Nachteil, dass sie mehr Speicher und Berechnung benötigen, um eine gegebene Filtercharakteristik zu erreichen. Auch sind bestimmte Reaktionen mit FIR-Filtern nicht praktikabel. 1.7 Welche Begriffe werden bei der Beschreibung von FIR-Filtern verwendet? Impulsantwort - Der Impulsantwortfaktor eines FIR-Filters ist eigentlich nur der Satz von FIR-Koeffizienten. (Wenn Sie ein quotimplusequot in einen FIR-Filter setzen, der aus einem quotierten Quot-Sample besteht, gefolgt von vielen quot0quot-Samples, ist das Ausgangssignal des Filters die Menge der Koeffizienten, wenn sich die 1 Sample nacheinander um jeden Koeffizienten bewegt, um die Ausgabe zu bilden. Tippen - Ein FIR quottapquot ist einfach ein Koeffizientenverzögerungspaar. Die Anzahl der FIR-Anzapfungen (oft als "Anfasser" bezeichnet) ist ein Hinweis auf 1) die zur Implementierung des Filters erforderliche Speicherkapazität, 2) die Anzahl der erforderlichen Berechnungen und 3) die Menge des Filterfilters, Multiply-Accumulate (MAC) - In einem FIR-Kontext ist ein MACquot der Vorgang des Multiplizierens eines Koeffizienten mit dem entsprechenden verzögerten Datenabtastwert und der Akkumulierung des Ergebnisses. FIRs erfordern normalerweise einen MAC pro Hahn. Die meisten DSP-Mikroprozessoren implementieren die MAC-Operation in einem einzigen Befehlszyklus. Transition Band - Das Frequenzband zwischen Passband - und Stopbandrändern. Je schmaler das Übergangsband ist, desto mehr Taps werden benötigt, um den Filter zu implementieren. (Ein quotsmallquot-Übergangsband führt zu einem quotsharpquot-Filter.) Delay Line - Der Satz von Speicherelementen, die die quotZ-1quot-Verzögerungselemente der FIR-Berechnung implementieren. Zirkulärer Puffer - Ein spezieller Puffer, der zirkulär ist, weil eine Inkrementierung am Ende dazu führt, dass er an den Anfang wickelt, oder weil das Dekrementieren von Anfang an bewirkt, dass es bis zum Ende umwickelt. Zirkuläre Puffer werden oft von DSP-Mikroprozessoren bereitgestellt, um den Quotientenquot der Proben durch die FIR-Verzögerungsleitung zu implementieren, ohne die Daten im Speicher wörtlich bewegen zu müssen. Wenn ein neues Sample in den Puffer eingefügt wird, ersetzt es automatisch die älteste. Moving Average Filter Mit dem Moving Average Filter Modul können Sie eine Reihe von einseitigen oder zweiseitigen Durchschnittswerten über eine Datenmenge mit einer Fensterlänge berechnen Sie angeben. Nachdem Sie einen Filter definiert haben, der Ihren Anforderungen entspricht, können Sie ihn auf ausgewählte Spalten in einem Dataset anwenden, indem Sie ihn an das Apply Filter-Modul anschließen. Das Modul übernimmt alle Berechnungen und ersetzt Werte in numerischen Spalten mit entsprechenden gleitenden Mittelwerten. Sie können den resultierenden gleitenden Durchschnitt für Plotten und Visualisierung als neue glatte Grundlinie für die Modellierung, für die Berechnung von Varianzen gegen Berechnungen für ähnliche Perioden, und so weiter verwenden. Diese Art von Durchschnitt hilft Ihnen zu entdecken und zu prognostizieren nützliche zeitliche Muster in retrospektive und Echtzeit-Daten. Der einfachste Typ des gleitenden Durchschnitts beginnt bei irgendeinem Muster der Reihe und verwendet den Mittelwert dieser Position plus die vorherigen n Positionen anstelle des tatsächlichen Wertes. (Sie können n wie Sie wollen definieren.) Je länger die Periode n, über die der Durchschnitt berechnet wird, desto weniger Varianz haben Sie unter den Werten. Wenn Sie die Anzahl der verwendeten Werte erhöhen, verringert sich der Effekt, den ein einzelner Wert auf den resultierenden Durchschnitt hat. Ein gleitender Durchschnitt kann einseitig oder zweiseitig sein. In einem einseitigen Durchschnitt werden nur Werte verwendet, die dem Indexwert vorangehen. In einem zweiseitigen Durchschnitt werden vergangene und zukünftige Werte verwendet. Für Szenarien, in denen Sie Streaming-Daten lesen, sind kumulative und gewichtete gleitende Mittelwerte besonders nützlich. Ein kumulativer gleitender Durchschnitt berücksichtigt die Punkte, die der aktuellen Periode vorangehen. Sie können alle Datenpunkte gleichmäßig bei der Berechnung des Mittelwertes gewichten, oder Sie können sicherstellen, dass Werte, die näher am aktuellen Datenpunkt liegen, stärker gewichtet werden. In einem gewichteten gleitenden Durchschnitt. Alle Gewichte müssen sich auf 1. In einem exponentiellen gleitenden Durchschnitt. Die Mittelwerte bestehen aus Kopf und Schwanz. Die gewichtet werden können. Ein schwach gewichteter Schwanz bedeutet, dass der Schwanz dem Kopf sehr nahe kommt, so dass der Durchschnitt sich wie ein gleitender Durchschnitt auf einer kurzen Gewichtungsperiode verhält. Wenn Schwanzgewichte schwerer sind, verhält sich der Durchschnitt eher wie ein längerer einfacher gleitender Durchschnitt. Fügen Sie das Moving Average Filter-Modul zu Ihrem Experiment hinzu. Für Länge. Geben Sie einen positiven Ganzzahlwert ein, der die Gesamtgröße des Fensters definiert, über dem das Filter angewendet wird. Dies wird auch Filtermaske genannt. Für einen gleitenden Durchschnitt bestimmt die Länge des Filters, wie viele Werte im Schiebefenster gemittelt werden. Längere Filter werden auch Filter höherer Ordnung genannt und bieten ein größeres Berechnungsfenster und eine nähere Annäherung der Trendlinie. Filter mit kürzerer oder niedrigerer Ordnung verwenden ein kleineres Berechnungsfenster und ähneln stärker den ursprünglichen Daten. Für Typ. Wählen Sie die Art der gleitenden Durchschnitt anzuwenden. Azure Machine Learning Studio unterstützt die folgenden Arten von gleitenden Durchschnittsberechnungen: Ein einfacher gleitender Durchschnitt (SMA) wird als ungewichtetes Rollmittel berechnet. Dreieckige Bewegungsdurchschnitte (TMA) werden zweimal für eine glattere Trendlinie gemittelt. Das Wort Dreieck wird aus der Form der Gewichte abgeleitet, die auf die Daten angewendet werden, was zentrale Werte hervorhebt. Ein exponentieller gleitender Durchschnitt (EMA) gibt den jüngsten Daten mehr Gewicht. Die Gewichtung fällt exponentiell ab. Ein modifizierter exponentieller gleitender Durchschnitt berechnet einen laufenden gleitenden Durchschnitt, wobei das Berechnen des gleitenden Durchschnitts an einem beliebigen Punkt den vorher berechneten gleitenden Durchschnitt an allen vorhergehenden Punkten berücksichtigt. Dieses Verfahren ergibt eine glattere Trendlinie. Bei einem einzigen Punkt und einem aktuellen gleitenden Durchschnitt berechnet der kumulative gleitende Durchschnitt (CMA) den gleitenden Durchschnitt an dem aktuellen Punkt. Fügen Sie den Dataset hinzu, der die Werte enthält, für die Sie einen gleitenden Durchschnitt berechnen möchten, und fügen Sie das Modul "Filter anwenden" hinzu. Verbinden Sie den Moving Average Filter mit dem linken Eingang des Apply Filters. Und verbinden Sie den Datensatz mit dem rechten Eingang. Verwenden Sie im Anwendungsfilter-Modul die Spaltenauswahl, um anzugeben, auf welche Spalten der Filter angewendet werden soll. Der von Ihnen erstellte Filter wird standardmäßig auf alle numerischen Spalten angewendet. Daher sollten Sie alle Spalten ausschließen, für die keine entsprechenden Daten vorhanden sind. Führen Sie das Experiment aus. Zu diesem Zeitpunkt wird für jeden durch den Filterlängenparameter definierten Wertsatz der aktuelle (oder Index) Wert durch den gleitenden Mittelwert ersetzt.