:

2009


1. .................................................................................. 1
1.1 .................................................................................................... 1
1.2 .................................... ............................................. 2
1.2.1 ......................................... ................................. 4
1.2.2 ........................................................................ 4
1.2.3 RIMA . ....................................................................... 7

2. ....................................................................................... 8
2.1 ............ ...................................................................... 8
2.2 ........................................................................ 10
2.3 ................................................... ............................ 13
2.4 Brown 15
2.5 Holt 17
2.6 Winters .. 20

3. ................................................................................... 23
3.1 .............. . 23
3.2 ........................ 26
3.3 - ........ 29
3.4 ...... 32

4.
.......................................................................................................... 35
4.1 Brown............................... 35
4.2 Holt ............................. 38
4.3 Brown Holt . .................................. 41
4.4 Winters . 42
4.5 52
4.6 Winters ................ 61

5. ARIMA......................................................................... 65
5.1 ................................................................ 65
5.2 ............ ............................. 67
5.3 ...................................... .................................. 67
5.4 AR. 69
5.5 ................................................... 69
5.6 ARMA.................. 69
5.7
ARIMA .................................................................................................... 69
5.8
ARIMA ............................................. .............................. 70
5.9 ARIMA.................. 70
6. ARIMA ............................................. 72
6.1 Tourists . ................................................................ 72
6.2 Inflation .. ............ ............................. 77
6.3 Temp .................................... .................................. 84

7. ................................................................................................. 91
....................................................................................................... 92
() ....................................................................................... 94
 1:

, .


.

. ,
, ,
,
,
.

.

1.1
,

, ( , time series). ,
,
,
.. , , ..
,
,
,
.
Y1,Y2,
Y (, ) t1,t2,
Y t, Y=F(t).
Y=F(t)
Y .

,
.
-, ,
, ,
.

(characteristic movements),
.
, (forecasting) .
1.2
(time series analysis)
,
.

:


ARIMA

.

.
Y, t
Yt t, t=1,2,3,..,n,
(forecast error), et :
et = Yt - t
t
Yt t
.
,
,
. ,
.



.
:

MAD (Mean Absolute Deviation)

n,
, :
1 n 1 n
MAD = Yt Yt = et
n t =1 n t =1

MAD

. ,
. ,

. MAD
 ,
() ()
. , MAD

.

MSE (Mean Squared Error)

n,
, :

( )
2
1 n 1 n
MSE = Yt Yt = et2
n t =1 n t =1

MSE
.
MSE
. ,
,
RMSE (Root Mean Squared Error) :

1 n 2
RMSE = MSE = et
n t =1

RMSE
.

MSE MAD,
.
MSE MAD
.

MAPE (Mean Absolute Percentage

Error)

. MAPE

n, ,
:

1 n Yt Yt 1 n et
MAPE = =
n t =1 Yt n t =1 Yt


.

MPE (Mean Percentage Error)

,

.

1 n Yt Yt 1 n et
MPE = =
n t =1 Yt n t =1 Yt

MPE,
. ,
MPE .

1.2.1
(smoothing methods)

. ,

, .

.
:



Brown
Holt
Winters

.

.
.

, Brown Holt
Winters.

1.2.2

, (components)
. ,
 ,
. (time series decomposition)

.
,
.


.

.
,
.
, , ,
.. , ..

.

.
, ,
.
,
, ,
. ,

.


.
.
, ,
,
.

. ,
,
,
, .. ,
,

, .
,
(irregular) .

, .

.

, .
, , ,
, ,
, ..

.
( )
.
.
2000-2005. .
.

900

800

700

600

500
sales

400

300

200

100

0
Sep98 Jan00 May01 Oct02 Feb04 Jul05 Nov06
Time

1.1:

:
Yt =
t =
St =
Ct =
t =
t = 1,2,3...,n.


.
 (additive model)
(multiplicative model).


:
Yt = t + St + Ct + t

.

, :
Yt = t St Ct t

Yt Ct , St t
.

,
.
, ,
.
,
,
.
,

.

1.2.3 ARIMA

:
Y = bo + b1 X 1 + b2 X 2 + ... + b p X p + e
1, 2, ... , p .

Yt = bo + b1Yt 1 + b2Yt 2 + ... + b pYt p + et

.
(autoregression model)
AR( p). AR t
p t.
Yt = bo + et b1et 1 b2 et 2 ... bq et q

(
).
( moving average) (q ).
t .
AR(p )
MA(q )

(autoregressive moving average
models) ARMA(p,q).
() .
( )
. ( integrated I)
(autoregressive integrated moving
average models) ARIMA(p,d,q) p
, d
q .
(white noise) ARIMA(0,0,0)
ARIMA(0,1,0).

2:



.
, ,
,

.
,
,
,

.

.
m-,
m
.

,
.
, Brown
Holt,
. , ,

. , Winters,

.
,
.

(MAD, MSE, RMSE, MAPE, MPE)
.

2.1
 m- (simple moving average)

m .


. ,
,
.
Yt, t=1,2,...,n,
:
1 m 1 Y Y
Yt +1 = Yt j +1 = (Yt + Yt 1 + ... + Yt m +1 ) = Yt + t t m
m j =1 m m m

Yt +1 (t+1) m
. m=1

, :
Yt +1 =t

m
,
m m
MSE .

2.1
2.1 CD
,
5-. [3]

m=5
t Yt t t t
1 230 - - -
2 240 - - -
3 250 - - -
4 245 - - -
5 265 - - -
6 250 246 4 16
7 255 250 5 25
8 250 253 -3 9
9 260 253 7 49
10 270 256 14 196

2.1: 2.1
m=5

simmovave.m . m=5 m

MSE. MSE m=5:
MSE = 59

11 :
Y11 = 257

simmovave.m .

270

265

260

255
Sales

250

245

240

235

230
1 2 3 4 5 6 7 8 9 10 11
Time

2.1:

2.2
m-
,

.
(simple exponential smoothing),
 ,
. ,
,
.

:
Yt +1 = aYt + a (1 a )Yt 1 + a (1 a ) 2 Yt 2 + ... ()
(smoothing constant)
0 1
0 a 1

, Yt +1
,
() .
,
.
:
Yt +1 = aYt + (1 a )Yt

t=2,3,,n Y2 = Y1 .
,
. ,

. ,

MSE
.

2.2
2.2 ,
, 15
. [3]

=0,28
t t t t et
1 56 - - -
2 75,2 56 19,2 368,64
3 84,5 61,38 9,3 86,49
4 53,2 67,85 -31,3 979,69
5 68,9 63,75 15,7 246,49
6 59,3 65,19 -9,6 92,16
7 71,4 63,54 12,1 146,41
8 67,4 65,74 -4 16
9 60,1 66,2 -7,3 53,29
10 54,8 64,49 -5,3 28,09
11 73,5 61,78 18,7 349,69
 12 74,2 65,06 0,7 0,49
13 75 67,62 0,8 0,64
14 74,1 69,69 -0,9 0,81
15 73,2 70,92 -0,9 0,81

2.2: 2.2
=0,28

simexpsmo.m . =0.28
MSE.
MSE ( )
= 0,28:
MSE = 119,64

16 :
Y16 = 71,56

simexpsmo.m .

85

80

75

70
Sales

65

60

55

50
0 2 4 6 8 10 12 14 16
Time
 2.2:

2.3
(double moving average)
,

.
,

.
(linear moving average).

:
i. m-, t , :
1 m
M t +1 = Yt j +1
m j =1
ii. m-, t, :
1 m
M t+1 = M t j +1
m j =1
iii. t :
t = 2Mt Mt
iv. , bt , :
2
bt = ( M t M t )
m 1
v. Yt + h h :

Yt + h = at + hbt
h .
,
, h>1
, h=1
. ,
, m .
, m ,
MSE
,
m.

2.3
2.3
2.1
3-. [3]

t Yt Mt M' t at bt t t
1 230 - - - - - -
 2 240 - - - - - -
3 250 - - - - - -
4 245 240 - - - - -
5 265 245 - - - - -
6 250 253,33 - - - - -
7 255 253,33 246,11 260,56 7,22 - -
8 250 256,67 250,56 262,78 6,11 267,78 -17,78
9 260 251,67 254,44 248,89 -2,78 268,89 -8,89
10 270 255 253,89 256,11 1,11 246,11 23,89
2.3: 2.3
m=3

doumovave.m . m=3 m
MSE.
MSE ( )
m=3:
MSE = 293,54

11, 12 13 :
Y11 = 257,22

Y12 = 258,33

Y13 = 259,44


doumovave.m .

270

265

260

255
Sales

250

245

240 Y(t)
Yforecast(t)
235

230
0 2 4 6 8 10 12 14
Time
 2.3:

2.4 Brown ( )
(double exponential smoothing),
Brown,
, .

,
,
.

:
i.
:
At = aYt + (1 a) At 1
, 0 a 1 , t
, t = 2,3,...,n ,
t=1 1 = 1 .

ii. t
:
At = aAt + (1 a) At1
t
, t = 2,3,,n t=1, 1=1 .

iii. t :
t = 2 t t

iv. , bt, :
a
bt = ( At At )
1 a

v. Yt + h h :

Yt + h = at + hbt
h .

,
. , ,

,
MSE .


.

2.4
2.4 ,
, 15
. [3]

t Yt At A' t at bt t et
1 56 56 56 56 0 - -
2 75,2 58,3 56,28 60,33 0,28 56 19,2
3 84,5 61,45 56,9 65,99 0,62 60,61 23,89
4 53,2 60,46 57,32 63,59 0,43 66,62 -13,42
5 68,9 61,47 57,82 65,12 0,5 64,02 4,88
6 59,3 61,21 58,23 64,19 0,4 65,62 -6,32
7 71,4 62,43 58,73 66,13 0,5 64,6 6,8
8 67,4 63,03 59,25 66,81 0,52 66,64 0,76
9 60,1 62,68 59,66 65,7 0,41 67,33 -7,23
10 54,8 61,73 59,91 63,56 0,25 66,11 -11,31
11 73,5 63,14 60,3 65,99 0,39 63,81 9,7
12 74,2 64,47 60,8 68,14 0,5 66,38 7,82
13 75 65,74 61,39 70,08 0,6 68,65 6,35
14 74,1 66,74 62,03 71,45 0,64 70,68 3,43
15 73,2 67,51 62,7 72,34 0,66 72,1 1,11

2.4: 2.4
=0,12

brown.m . =0.12
MSE.
MSE ( )
= 0,12:
MSE = 115.62

16, 17 18
:
Y16 = 73
Y = 73,65
17

Y18 = 74,31


brown.m .

85
Y(t)
Yforecast(t)
80

75

70
Sales

65

60

55

50
0 2 4 6 8 10 12 14 16 18
Time

2.4:

2.5 Holt (
)
(exponential smoothing
adjusted for trend), Holt,
. Holt
,
,
Brown .
Holt :
i. :
At = aYt + (1 a)( At 1 + Tt 1 )
 ,
0 a 1 , t , t = 2,3,...,n , t=1
1 = 1 .

ii. :
Tt = ( At At 1 ) + (1 )Tt 1
, 0 1 , , t
, t=2,3,,n t=1
1=0.
iii. Yt + h h :

Yt + h = At + hTt
h=1,2,3,...

MSE
,
. Holt
Brown bt
.
Holt Brown
.
, Holt ,
Brown.

2.5
2.5 ,
, 15
Holt. [3]

t Yt At Tt t et
1 56 56 0 - -
2 75,2 57,54 0,54 56 19,2
3 84,5 60,19 1,28 58,07 26,43
4 53,2 60,8 0,05 61,47 -8,27
5 68,9 62,41 1,24 61,85 7,05
6 59,3 63,31 1,12 63,66 -4,38
7 71,4 64,99 1,32 64,43 6,97
8 67,4 66,39 1,35 66,31 1,1
9 60,1 67,13 1,13 67,74 -7,64
10 54,8 67,19 0,76 68,26 -13,46
11 73,5 68,39 0,91 67,94 5,56
12 74,2 69,69 1,05 69,3 4,9
13 75 71,09 1,17 70,74 4,26
14 74,1 72,4 1,22 72,25 1,85
15 73,2 73,58 1,21 73,62 -0,42
 2.5: 2.5
Holt

holt.m . =0,08 =0,35

MSE. MSE ( )
= 0,08 =0,35:
MSE = 112,15

16, 17 18
:
Y16 = 74,79
Y = 76
17

Y18 = 77,21

holt.m .

85
Y(t)
Yforecast(t)
80

75

70
Sales

65

60

55

50
0 2 4 6 8 10 12 14 16 18
Time
 2.5:

2.6 Winters (
)
,
, , ..,
,
.


, .
,
.

(exponential smoothing adjusted for trend and
seasonality), Winters, Holt.
Winters , , , ,
,
.
Holt .
Winters :
i. :
Y
At = a t + (1 a )( At 1 + Tt 1 )
St L
,
0 a 1 , t , St
t L , L=12
, L=4 ...
ii. Holt, :
Tt = ( At At 1 ) + (1 )Tt 1
, 0 1 , t
.
iii. :
Y
S t = t + (1 ) S t L
At
, 0 1 , .
iv. Y h
t +h

:
 Yt + h = ( At + hTt ) S t + h L
h=1,2,...,L
h :
Yt + h = ( At + hTt ) S t + h 2 L
h=L+1, L+2, , 2L ...

:
a. t = 1, 2, , L-1 t , t=L AL
:
Y + Y2 + ... + YL
AL = 1
L

b. t = 1, 2, , L-1 t, t = L,
TL=0.
c. t = 1, 2, , L St
:
Y
St = t
AL
, ,
Winters

. ,
MSE
,
.

2.6
2.6 (
)

Winters. [3]

t Yt At Tt St t et
I 1 62 - - 0,81 - -
II 2 79 - - 1,03 - -
III 3 112 - - 1,45 - -
IV 4 55 77 0 0,71 - -
I 5 73 86,56 0,96 0,84 62 11
II 6 98 93,12 1,52 1,05 89,79 8,21
III 7 143 97,21 1,77 1,47 137,65 5,35
IV 8 69 97,31 1,61 0,71 70,7 -1,7
I 9 92 106,74 2,39 0,86 82,67 9,33
II 10 135 122,98 3,77 1,09 114,27 20,73
III 11 187 127,21 3,82 1,47 186,05 0,95
IV 12 88 126,06 3,32 0,7 93,04 -5,04
I 13 81 105 0,88 0,79 110,84 -29,84
II 14 127 113,51 1,65 1,11 115,16 11,84
 III 15 162 111,71 1,3 1,45 169,22 -7,22
IV 16 92 125,84 2,58 0,72 79,17 12,83
I 17 97 124,64 2,21 0,78 101,26 -4,26
II 18 145 129,28 2,45 1,12 141,14 3,86
III 19 183 127,62 2,04 1,44 191,54 -8,54
IV 20 111 146,08 3,68 0,75 94 17
2.6: 2.6
Winters

winters.m . =0,7 =0,1 =0,8
,
MSE. MSE (
) = 0,7 , =0,1 =0,8:
MSE = 126,6

21, 22, 23 24
:
Y21 = 116,85
Y = 171,82
22

Y23 = 225,93
Y =121,06
24

winters.m .
 240

220

200

180

160
Sales

140

120

100

80
Y(t)
60
Yforecast(t)

40
0 5 10 15 20 25
Time

2.6:

3:
.
,

,

.
,

.

, ,
, -.
,

.

.

3.1

,
. (seasonal indices),

.

,
.

(centered moving average)
.
, ,
-.
St
t, t = 1, 2, , n, :
Y T S C I
St = t = t t t t
CAt Tt C t I t
CAt

Yt
CAt, CAt
, -
.

.

.
(adjusted seasonal
indices).
,
, Yt
SAi , :
Y
SAYt = t
SAi
SAYt (seasonally adjusted)
t. ,
-.

3.1
3.1 (
) . ,
,
. [3]

t Yt CAt St SAYt
I 1 220 457,2
 II 2 410 458,75 412,4
III 3 870 476,25 467,5 1,861 467,2
IV 4 335 497,5 486,88 0,688 505,8
I 5 290 526,25 511,88 0,567 602,7
II 6 495 535 530,63 0,933 497,9
III 7 985 541,25 538,13 1,83 528,9
IV 8 370 572,5 556,88 0,664 558,6
I 9 315 633,75 603,13 0,522 654,6
II 10 620 652,5 643,13 0,964 623,6
III 11 1230 657,5 655 1,878 660,5
IV 12 445 696,25 676,88 0,657 671,8
I 13 335 755 725,63 0,462 696,2
II 14 775 772,5 763,75 1,015 779,5
III 15 1465 776,25 774,38 1,892 786,7
IV 16 515 793,75 785 0,656 777,5
I 17 350 822,5 808,13 0,433 727,4
II 18 845 835 828,75 1,02 849,9
III 19 1580 843,75 839,38 1,882 848,5
IV 20 565 875 859,38 0,657 853
I 21 385 912,5 893,75 0,431 800,1
II 22 970 922,5 917,5 1,057 975,6
III 23 1730 929
IV 24 605 913,4

3.1: ,
3.1

3.2 ,

4/4,014.

IV
1 - - 1,861 0,688
2 0,567 0,933 1,83 0,664
3 0,522 0,964 1,878 0,657
4 0,462 1,015 1,892 0,656
5 0,433 1,02 1,882 0,657
6 0,431 1,057 - -

2,414 4,988 9,343 3,323

(S) 0,483 0,998 1,869 0,665 4,014

(SA) 0,481 0,994 1,862 0,663 4

3.2:

season.m .
3.1.

1800

Y(t)
1600 CAt

1400

1200
Sales

1000

800

600

400

200
0 5 10 15 20 25
Time

3.1: 3.1

 1800
Y(t)
1600 SAYt

1400

1200
Sales

1000

800

600

400

200
0 5 10 15 20 25
Time

3.2:
3.1

3.2


.
( ), , ,
.

.
:
Yt = + t + t ()
Yt , t
1, 2, ...,n .

OLS :
n n n
n t Yt ( t )( Yt )
= t =1
n
t =1
n
t =1

n t 2 ( t ) 2
t =1 t =1

 1 n 1 n
= t n
n t =1
Y
t =1
t

,
t=0. ,
, t .
, ,
, .

,
. ()

t . , , Yt SAYt,
. ,
, -
, SAYt :
SAYt = Tt Ct It

SAYt
:
Tt = + t
t, t = 1, 2, , n.

3.2
3.3 (
) . ,
. [3]

t Yt SAYt t t SAYt t
I 1 220 457,2 1 457,2 433,6
II 2 410 412,4 4 824,8 456
III 3 870 467,2 9 1401,6 478,3
IV 4 335 505,8 16 2023,2 500,7
I 5 290 602,7 25 3013,5 523,1
II 6 495 497,9 36 2987,4 545,4
III 7 985 528,9 49 3702,3 567,8
IV 8 370 558,6 64 4468,8 590,1
I 9 315 654,6 81 5891,4 612,5
II 10 620 623,6 100 6236 634,8
III 11 1230 660,5 121 7265,5 657,2
IV 12 445 671,8 144 8061,6 679,6
I 13 335 696,2 169 9050,6 701,9
 II 14 775 779,5 196 10913 724,3
III 15 1465 786,7 225 11800,5 746,6
IV 16 515 777,5 256 12440 769
I 17 350 727,4 289 12365,8 791,4
II 18 845 849,9 324 15298,2 813,7
III 19 1580 848,5 361 16121,5 836,1
IV 20 565 853 400 17060 858,4
I 21 385 800,1 441 16802,1 880,8
II 22 970 975,6 484 21463,2 903,1
III 23 1730 929 529 21367 925,5
IV 24 605 913,4 576 21921,6 947,9

300 16578 4900 232936,8

3.3:
3.2

season.m .


.

1000

SAYt
900 Tt

800
Sales

700

600

500

400
0 5 10 15 20 25
Time

3.3:
3.2

3.3 -
 -
-
.

.
SAYt
TAYt = = Ct I t
Tt
t
(trend adjusted),
-.
-

, . SAYt / Tt
,
- .

. ,
SAYt / Tt , ,
-
.
-

(weighted centered moving average)
.

. ,
(, ...),
.
WAt
:
Y + 2Yt + Yt +1
WAt = t 1
4
t = 1, 2, , n-1 Yt
.


.
,

. ,
,

. WAt 1,36 ,
36% ,
. WAt 0,88
12%
.
 -

. :
TAYt
CAYt = = It
WAt
CAYt
(cyclical adjusted). ,
.
3.3
3.4 (
) . ,

. [3]

t Yt SAYt t Yt Wat
I 1 220 457,2 433,6 1,054 -
II 2 410 412,4 456 0,0904 0,96
III 3 870 467,2 478,3 0,977 0,967
IV 4 335 505,8 500,7 1,01 1,037
I 5 290 602,7 523,1 1,152 1,057
II 6 495 497,9 545,4 0,913 0,977
III 7 985 528,9 567,8 0,932 0,931
IV 8 370 558,6 590,1 0,947 0,973
I 9 315 654,6 612,5 1,069 1,017
II 10 620 623,6 634,8 0,982 1,01
III 11 1230 660,5 657,2 1,005 0,995
IV 12 445 671,8 679,6 0,989 0,993
I 13 335 696,2 701,9 0,992 1,012
II 14 775 779,5 724,3 1,076 1,049
III 15 1465 786,7 746,6 1,054 1,049
IV 16 515 777,5 769 1,011 0,999
I 17 350 727,4 791,4 0,919 0,973
II 18 845 849,9 813,7 1,044 1,006
III 19 1580 848,5 836,1 1,015 1,017
IV 20 565 853 858,4 0,994 0,978
I 21 385 800,1 880,8 0,908 0,973
II 22 970 975,6 903,1 1,08 1,018
III 23 1730 929 925,5 1,004 1,013
IV 24 605 913,4 947,9 0,964 -
3.4:
3.3

season.m .
.
, , (TAYt)
(WAt).

1.25
WAt
TAYt
1.2

1.15

1.1
Sales

1.05

0.95

0.9
0 5 10 15 20 25
Time

3.4:
3.3

WAt
. WAt = 0,960 4%
2, ,
, WA10 = 1,010
10 1% .
,
WAt
.
3.4

.
,
. ,

. , Yt + h h
:
Yt + h = Tt + h S t + h C t + h I t + h
It+h , h
, ,
. , -

It+h , :
It+h = 1
,
,
WAt , Ct+h
,
:
Ct+h = 1
St+h , h
,
SA h
, :
St+h = SAi
i = 1, 2, , L , L .
, Tt+h , h ,
:
Tt+h = + (t + h)
.
h
:
Yt + h = [ + (t + h)]SAi

It+h = 1 Ct+h = 1,
.

3.4
3.5 (
) .

. [3]


t Yt t SAt t
I 1 220 433,6
II 2 410 456
III 3 870 478,3
IV 4 335 500,7
I 5 290 523,1
II 6 495 545,4
III 7 985 567,8
IV 8 370 590,1
I 9 315 612,5
II 10 620 634,8
III 11 1230 657,2
IV 12 445 679,6
I 13 335 701,9
II 14 775 724,3
III 15 1465 746,6
IV 16 515 769
I 17 350 791,4
II 18 845 813,7
III 19 1580 836,1
IV 20 565 858,4
I 21 385 880,8
II 22 970 903,1
III 23 1730 925,5
IV 24 605 947,9
I 25 970,2 0,481 466,9
II 26 992,6 0,994 986,9
III 27 1014,9 1,862 1890
IV 28 1037,3 0,662 687,1
I 29 1059,7 0,481 509,9
II 30 1082 0,994 1075,8
III 31 1104,4 1,862 2056,6
IV 32 1126,7 0,662 746,3

3.5:
3.4

season.m .

.
 2200
Y(t)
2000
Yforecast(t)
1800

1600

1400
Sales

1200

1000

800

600

400

200
0 5 10 15 20 25 30 35
Time

3.5:
.
 4:

.

Winters
.

4.1 Brown
4.1.1
( )
12
, Brown, : [3]

t Yt t
1 143 -
2 112 143
3 101 140,52
4 123 137,31
5 151 136,05
6 137 137,11
7 145 137
8 126 137,52
9 137 136,5
10 152 136,42
11 132 137,55
12 149 137,01
13 137,87
14 137,79
15 137,71

4.1.1:
Brown

brownadv.m . =0,04
MSE.
MSE ( ) =
0,04:
MSE = 324,12

:
Y13 = 137,87
 Y14 = 137,79
Y15 = 137,71

brownadv.m .

160

150

140
Cost

130

120

Y(t)
Yforecast(t)
110

100
0 5 10 15
Time

4.1.1:

4.1.2
12
, Brown,
: [3]

t Yt t
1 3,2 -
2 3,9 3,2
3 4,3 3,45
4 3,5 3,78
5 3,6 3,73
6 4,2 3,72
7 3,4 3,93
 8 4,5 3,79
9 4,2 4,08
10 3,7 4,18
11 4,4 4,07
12 4,6 4,23
13 4,42
14 4,49

4.1.2:
Brown

browninf.m . =0,18
MSE.
MSE ( ) =
0,18:
MSE = 0.25

2 :
Y13 = 4,42
Y = 4,49
14

browninf.m .

4.8

4.6

4.4

4.2
Inflation

3.8

3.6
Y(t)
3.4 Yforecast(t)

3.2
0 5 10 15
Time

4.1.2:

4.2 Holt

4.2.1
( )
12
, Holt, : [3]

t Yt t
1 143 -
2 112 143
3 101 139,87
4 123 135,91
5 151 134,54
6 137 136,12
7 145 136,14
8 126 136,97
9 137 135,81
10 152 135,86
11 132 137,42
12 149 136,82
13 138
14 137,96
15 137,91

4.2.1:
Holt

advertisement.m . =0,1 =0,01

MSE. MSE (
) = 0,1 =0,01:
MSE = 322.61

:
Y13 = 138
Y = 137,96
14

Y15 = 137,91

advertisement.m .
 160
Y(t)
Yforecast(t)
150

140
Cost

130

120

110

100
0 5 10 15
Time

4.2.1:

4.2.2
12
, Holt,
: [3]

t Yt t
1 3,2 -
2 3,9 3,2
3 4,3 3,35
4 3,5 3,6
5 3,6 3,69
6 4,2 3,77
7 3,4 3,96
8 4,5 3,96
9 4,2 4,16
10 3,7 4,3
11 4,4 4,29
12 4,6 4,4
13 4,53
14 4,64

4.2.2:
Holt

inflation.m . =0,15 =0,44

MSE. MSE ( )
= 0,15 =0,44:
MSE = 0.23

2 :
Y13 = 4,53
Y = 4,64
14

inflation.m .

Y(t)
4.8
Yforecast(t)

4.6

4.4

4.2
Inflation

3.8

3.6

3.4

3.2
0 5 10 15
Time

4.2.2:

4.3 Brown Holt
Brown Holt
. ,
Brown MSE = 322,61 ( =0,04) Holt
MSE = 322,61 ( =0,1 =0,01). Brown
137,87 , 137,79 137,71 Holt
138, 137,96 137,91.

Brown Holt.

160

Y(t)
Brown
150
Holt

140
Cost

130

120

110

100
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Time

4.3.1:
Brown Holt

,
Brown MSE = 0,25 ( =0,18) Holt
MSE = 0,23 ( =0,15 =0,44). Brown
4,42 4,49 Holt 4,53
4,64.
2
Brown Holt.
 5

4.8 Y(t)
Brown
4.6 Holt

4.4

4.2
Inflation

3.8

3.6

3.4

3.2
0 2 4 6 8 10 12 14
Time

4.3.2:
Brown Holt

4.4 Winters
4.4.1
(
) 1998, 1999,
2000, 2001, 2002, 2003, 2004, 2005 2006 ( )
: [9]

t Yt
1998 I 1 11,7
II 2 10,8
III 3 10,7
IV 4 11,3
1999 I 5 11,9
II 6 11,7
III 7 11,6
IV 8 12,4
2000 I 9 12,1
II 10 11,1
III 11 10,7
IV 12 10,7
 2001 I 13 10,9
II 14 10,2
III 15 10
IV 16 10,9
2002 I 17 10,9
II 18 9,6
III 19 9,5
IV 20 9,7
2003 I 21 10
II 22 8,9
III 23 8,8
IV 24 9,5
2004 I 25 11,3
II 26 10,2
III 27 10,1
IV 28 10,4
2005 I 29 10,4
II 30 9,6
III 31 9,7
IV 32 9,7
2006 I 33 9,7
II 34 8,8
III 35 8,3
IV 36 8,8

4.4.1:
4.4.1

Winters
.
unemploymentw.m.
=1, =0,1 =0,2 ,

MSE. MSE ( )
=1 , =0,1 =0,2:
MSE = 0,18

2007 :

Yt
2007 I 9
II 8,2
III 8
IV 8,3

4.4.2:
4.4.1


unemployment.m .

13
Y(t)
12.5 Yforecast(t)

12

11.5

11
Unemployment

10.5

10

9.5

8.5

8
0 5 10 15 20 25 30 35 40
Time

4.4.1:
Winters

4.4.2
2003, 2004, 2005,
2006 : [9]

t Yt
2003 1 3,1
2 4,3
3 4,1
4 3,4
5 3,8
6 3,8
7 3,6
8 3,3
9 3,3
10 3,2
11 3,3
 12 3,1
2004 13 2,9
14 2,5
15 2,7
16 2,9
17 2,9
18 2,8
19 2,9
20 2,7
21 2,8
22 3,2
23 3,1
24 3,1
2005 25 4
26 3,1
27 2,9
28 3,4
29 3,2
30 3,3
31 3,9
32 3,7
33 3,9
34 3,8
35 3,5
36 3,6
2006 37 3,2
38 3,2
39 3,3
40 3,3
41 3,1
42 3,2
43 3,8
44 3,5
45 2,9
46 2,8
47 2,9
48 2,9

4.4.3:
4.4.2

Winters
.
inflationgrw.m. =0,3 , =0,1
=0,1 ,
MSE. MSE (
) =0,3 , =0,1 =0,1:
MSE = 0,24
2007 :

Yt
2007 2,7
2,9
2,9
2,7
2,4
3
2,9
2,4
2,2
2,8
2,7
2,3

4.4.4:
4.4.2

inflationgrw.m .

5
Y(t)
Yforecast(t)
4.5

4
Inflation

3.5

2.5

2
0 10 20 30 40 50 60
Time

4.4.2:
Winters
 4.4.3

2006 2007
: [8]

&
t
2006 1 13164
2 12078
3 13945
4 15530
5 16671
6 17344
2007 7 14522
8 12941
9 15013
10 16661
11 18388
12 18637

4.4.5:
4.4.3

Winters
.
airlinesw.m.
=0,54 , =0,1 =0,2 ,
MSE.
MSE ( ) =0,54 , =0,1
=0,2:
MSE = 200320

2007
:

&

2007 14508
13328
15462
17288
18688
19474

4.4.6:
4.4.3


airlinesw.m .

4
x 10
2
Y(t)
1.9 Yforecast(t)

1.8

1.7
Number of flights

1.6

1.5

1.4

1.3

1.2
0 2 4 6 8 10 12 14 16 18
Time

4.4.3:
Winters

4.4.4
( )
: [3]

1 2 3 4 5
119 93 104 112 146
119 89 108 108 130
311 259 210 203 240
678 354 589 562 637
1121 889 1191 1183 1400
1231 1058 1379 1286 1543
1693 1630 1843 1857 2059
1748 1668 1901 1945 2110
 1252 1189 1381 1451 1641
670 661 706 839 941
218 221 189 203 215
151 160 155 164 169

4.4.7:
4.4.4

Winters
.

( Winters)
.

tourism.m . =0,96 =0,05 =0,05
,
MSE. MSE (
) =0,96 , =0,05 =0,05:
MSE = 7629,3

123,55
123,82
312,25
693,88
1232
1368,5
1904
1966,9
1415,6
762,27
237,85
170,43

4.4.8:
4.4.4

tourism.m .
 2000
Y(t)
1800 Yforecast(t)

1600

1400

1200
Tourists

1000

800

600

400

200

0
0 10 20 30 40 50 60
Time

4.4.4:
Winters

.
MAD, MSE,
RMSE, MAPE MPE ( ).
MAD=111,52
MSE=17768
RMSE=133,30
MAPE=0,13
MPE=0,04

Winters
.

tourism.m .
 2500
Y(t)
Yforecast(t)

2000

1500
Tourists

1000

500

0
0 2 4 6 8 10 12
Time

4.4.5:
Winters
4.5

4.5.1
(
) 1998, 1999,
2000, 2001, 2002, 2003, 2004, 2005 2006 ( )
: [9]

t Yt
1998 I 1 11,7
II 2 10,8
III 3 10,7
IV 4 11,3
1999 I 5 11,9
II 6 11,7
III 7 11,6
IV 8 12,4
2000 I 9 12,1
II 10 11,1
III 11 10,7
IV 12 10,7
2001 I 13 10,9
II 14 10,2
III 15 10
IV 16 10,9
2002 I 17 10,9
II 18 9,6
III 19 9,5
IV 20 9,7
2003 I 21 10
II 22 8,9
III 23 8,8
IV 24 9,5
2004 I 25 11,3
II 26 10,2
III 27 10,1
IV 28 10,4
2005 I 29 10,4
II 30 9,6
III 31 9,7
IV 32 9,7
2006 I 33 9,7
II 34 8,8
III 35 8,3
IV 36 8,8
 4.5.1:
4.5.1

.
unemploymentts.m.
,
.
.

2007
.
2007 :

Yt
2007 I 9,4
II 8,6
III 8,5
IV 8,9
4.5.2:
4.5.1

unemploymentts.m .

12.5
Y(t)
12 Yforecast(t)

11.5

11
Unemployment

10.5

10

9.5

8.5

8
0 5 10 15 20 25 30 35 40 45
Time
 4.5.1:

4.5.2
2003, 2004, 2005,
2006 : [9]

t Yt
2003 1 3,1
2 4,3
3 4,1
4 3,4
5 3,8
6 3,8
7 3,6
8 3,3
9 3,3
10 3,2
11 3,3
12 3,1
2004 13 2,9
14 2,5
15 2,7
16 2,9
17 2,9
18 2,8
19 2,9
20 2,7
21 2,8
22 3,2
23 3,1
24 3,1
2005 25 4
26 3,1
27 2,9
28 3,4
29 3,2
30 3,3
31 3,9
32 3,7
33 3,9
34 3,8
35 3,5
36 3,6
2006 37 3,2
38 3,2
39 3,3
40 3,3
 41 3,1
42 3,2
43 3,8
44 3,5
45 2,9
46 2,8
47 2,9
48 2,9

4.5.3:
4.5.2

.
inflationgrts.m.
,
.
.

2007
.
2007 :

Yt
2007 3,3
2,9
2,9
3,2
3
3,1
3,3
3,1
3,2
3,3
3,2
3,2

4.5.4:
4.5.2

inflationts.m .
 4.4
Y(t)
4.2 Yforecast(t)

3.8

3.6
Inflation

3.4

3.2

2.8

2.6

0 10 20 30 40 50 60
Time

4.5.2:

4.5.3

2006 2007
: [8]

&
t
2006 1 13164
2 12078
3 13945
4 15530
5 16671
6 17344
2007 7 14522
8 12941
9 15013
10 16661
11 18388
12 18637

4.5.5:
4.5.3

.

airlinests.m.
,
.
.
2007
.
2007
:

&

2007 15527
13780
15908
17772
19049
19819
4.5.6:
4.5.3


airlinests.m
4
x 10
2

Y(t)
1.9
Yforecast(t)

1.8

1.7
Number of flights

1.6

1.5

1.4

1.3

1.2
0 2 4 6 8 10 12 14 16 18
Time

4.5.3:

 4.5.4
( )
: [3]

1 2 3 4 5
119 93 104 112 146
119 89 108 108 130
311 259 210 203 240
678 354 589 562 637
1121 889 1191 1183 1400
1231 1058 1379 1286 1543
1693 1630 1843 1857 2059
1748 1668 1901 1945 2110
1252 1189 1381 1451 1641
670 661 706 839 941
218 221 189 203 215
151 160 155 164 169
4.5.7:
4.5.4

.

(
)
.

tourismts.m .
,
.
.

.
:


107,5
105,38
234,1
508,37
1106,7
1265,8
1801,5
1854,4
1335,4
715,88
221,89
163,64
4.5.8:
4.5.4


tourismts.m .

2000
Y(t)
1800 Yforecast(t)

1600

1400

1200
Tourists

1000

800

600

400

200

0
0 10 20 30 40 50 60
Time

4.5.4:

.
MAD, MSE,
RMSE, MAPE MPE ( ).
MAD=165,84
MSE=41574
RMSE=203,9
MAPE=0,16
MPE=0,16


.


tourismts.m .
 2500
Y(t)
Yforecast(t)

2000

1500
Tourists

1000

500

0
0 2 4 6 8 10 12
Time

4.5.5:


4.6 Winters


Winters
.
2 :

Winters
2007 9 9,4 9,1
8,2 8,6 8,1
8 8,5
IV 8,3 8,9

Winters
. Winters
.

2007
unemploymentw.m unemploymentts.m .

9.5
Winters Method
Time series decomposition

9
Unemployment

8.5

8
1 1.5 2 2.5 3 3.5 4
Time

4.6.1:
Winters

Winters
.
:

Winters
2007 2,7 3,3 2,7
2,9 2,9
2,9 2,9
2,7 3,2
2,4 3
3 3,1
2,9 3,3
2,4 3,1
2,2 3,2
2,8 3,3
2,7 3,2
2,3 3,2

Winters
. Winters
.

2007
inflationw.m inflationts.m .

3.6
Winters Method
Time series decomposition
3.4

3.2

3
Inflation

2.8

2.6

2.4

2.2
0 2 4 6 8 10 12
Time

4.6.2:
Winters

Winters
.
:

Winters
2007 14508 15527
13328 13780
15462 15908
17288 17772
18688 19049
19474 19819

Winters
.

2007 airlinesw.m
airlinests.m .

4
x 10
2
Winters Method
1.9 Time series decomposition

1.8
Number of flights

1.7

1.6

1.5

1.4

1.3
1 1.5 2 2.5 3 3.5 4 4.5 5 5.5 6
Time

4.6.3:
Winters
 Winters

. MAD, MSE, RMSE, MAPE
MPE Winters
. Winters

,
.


tourism.m tourismts.m .

2500
Y(t)
Time Series decomposition
Winters Method
2000

1500
Tourists

1000

500

0
0 2 4 6 8 10 12
Time

4.6.4:
Winters

 5: ARIMA

(utoregressive Integrated Moving Average)

.
( ),

.
. ARIMA
Box Jenkins
ARIMA
. Box-Jenkins

.

.

5.1 (autocorrelation function

ACF)


. rk

:

nk

(Y t Yt )(Yt 1 Yt 1 )
rk = 1
n

(Y1
t Y )2

r1
, r2

...
1,2,...,k
(autocorrelation function - ACF).
,
, :
i. ;
ii. ;
iii. , ;
iv. ;
v. , ;

.
95%
1.96
n
n
.
(
)
.

Yt=c+et ( Yt
t, c et
).
.
( )

.

.

.
.

:
Yt = Yt Yt 1
n-1
n.


.
.
Yt= Yt Yt1 = (Yt Yt 1 ) (Yt 1 Yt 2 ) = Yt 2Yt 1 + Yt 2

n-2 .

t=Yt-1+et (Yt
t, Yt-1 t-1 et
t).

.

.

.
rk 4,8,12,
... rk
12,24,36,... .

 .
.

.

:
Yt = Yt Yt 12

5.2 (Partial
autocorrelation function PACF)

Yt Yt-k 1,2,3, ...
,k-1 .
k

t t-1, ... , Yt-k :
Yt = bo + b1Yt 1 + ... + bk Yt k

b .
1 r1.

5.3 O

ARIMA
.

.
BYt=Yt- ,

, .

BYt=Yt-1 Bet=et-1
B2Yt=Yt-2 B2et=et-2
B3Yt=Yt-3 B3et=et-3

k
B Yt=Yt-k Bket=et-k

. .
:
 Yt = Yt Yt 1 = Yt BYt = (1 B)Yt

Yt= Yt Yt1 = (Yt Yt 1 ) (Yt 1 Yt 2 ) = Yt 2Yt 1 + Yt 2 = (1 2 B + B 2 )Yt = (1 B) 2 Yt

d (1-)dYt .
:

Yt = Yt Yt 12 = Yt B12Yt = (1 B12 )Yt

m
:
Yt = Yt Yt m = Yt B mYt = (1 B m )Yt

5.4 AR

p- :
Yt = bo + b1Yt 1 + b2Yt 2 + ... + b pYt p + et
b0 ( ), b1, b2, et
t.
:
Yt b1Yt 1 b2Yt 2 ... b pYt p = bo + et
(1 b1 B b2 B 2 ... b p B p )Yt = bo + et
p=1
AR(1) ( ARIMA(1,0,0) ) :
Yt = b1Yt 1 + et

p=2 AR(2) ( ARIMA(2,0,0) ) :

Yt = b1Yt 1 + b2Yt 2 + et

AR(p)
p
.
AR(p)
p
.

5.5 MA
q- :
Yt = bo + et b1et 1 b2 et 2 ... bq et q
b0 ( ), b1, b2, et
t.
:
Yt = bo + (1 b1 B b2 B 2 ... bq B q )et
 q=1
MA(1) ( ARIMA(0,0,1) ) :
Yt = et b1et 1

q=2 MA(2) ( ARIMA(0,0,2) ) :

Yt = et b1et 1 b2 et 2
MA(q)
q
.
.

5.6
ARMA

AR(p)
(q)
ARMA(p,q).
Yt = + 1Yt 1 + 2Yt 2 + ... + pYt p + et 1et 1 2 et 2 ... q et q

, : -1<i<1 , -1<i<1

:
(1 1 B 2 B 2 ... p B p )Yt = + (1 1 B 2 B 2 ... q B q )et
ARMA(1,1) ( ARIMA(1,0,1) ) :
Yt = + 1Yt 1 + et 1et 1
ARMA(2,1) ( ARIMA(2,0,1) ) :
Yt = + 1Yt 1 + 2Yt 2 + et 1et 1

5.7
ARIMA

( )
ARMA(p,q) .
.
ARIMA(p,d,q) p
, d
q .
ARIMA(1,1,1) :
(1 B)(1 1 B)Yt = (1 1 B)et

ARIMA(2,1,2) :
(1 B )(1 1 B 2 B 2 )Yt = (1 1 B 2 B 2 )et
 5.8
ARIMA

s ( s=12 s=4
)
ARIMA - ARIMA.
ARIMA(P,D,Q)s
ARIMA. ARIMA
,
.
p,d,q 0 1
.

:
( p, d , q ) ( P, D, Q ) S
p,d,q P,D,Q
.
(1,0,0) (1,1,0)12 :
(1 1 B)(1 12 B12 )(1 B12 )Yt = et
(1,1,1) (1,1,1) 4 :
(1 1 B)(1 4 B 4 )(1 B )(1 B 4 )Yt = (1 1 B)(1 4 B 4 )et

5.9 ARIMA

ARIMA :
i.
ii.
iii.
iv.

.
,
(), .


.
.
ARIMA.
,
ARIMA MSE.

.

.

.

.
( )
.
Ljung-Box (Q test). :
k 2
r
Q = n(n + 2) i
i nk

n , k k
, p AR, q
MA r i-
. Q 2 k-p-q
.
Akaikes Information Criterion AIC.
m=p+q+P+Q p,q,P,Q
AIC.
BIC (Bayesian Information Criterion) FPE (Final Prediction Error).

.
Yt
et .


.
.

ARIMA.
 6:
ARIMA
6.1 Tourists

( )
: [3]

1 2 3 4 5
119 93 104 112 146
119 89 108 108 130
311 259 210 203 240
678 354 589 562 637
1121 889 1191 1183 1400
1231 1058 1379 1286 1543
1693 1630 1843 1857 2059
1748 1668 1901 1945 2110
1252 1189 1381 1451 1641
670 661 706 839 941
218 221 189 203 215
151 160 155 164 169

6.1:
4.4.4

ARIMA
.


.
ARIMA Winters
.

ARIMA
(1,0,1)*(1,0,0)12
: (1-1)(1-1212)Yt = (1-1)et
:
Yt = 0.6801*Yt-1 + Yt-12 -0.6366*Yt-13 + et +0.2237*et-1

AIC (Akaikes Information Criterion) , BIC ( Bayesian Information Criterion)
FPE (Final Prediction Error).
AIC= 10.47
BIC= 10.63
FPE= 43502

: (p,d,q)*(P,D,Q)12
d=D=0

p,q,P,Q AIC BIC FPE

1,0,0,0 11.83 11.87 138591
1,0,0,1 11.05 11.12 65101
1,1,0,0 11.46 11.53 95467
1,0,1,0 10.62 10.74 47140
1,0,1,1 12.74 12.9 623300
1,1,1,0, 10.47 10.63 43502
1,1,1,1 13,15 13.38 1.6*106

Tourists :

Sample Autocorrelation Function (ACF)

1

0.8

0.6
Sample Autocorrelation

0.4

0.2

-0.2

-0.4

-0.6

-0.8
0 5 10 15 20 25 30 35 40 45 50
Lag
 Sample Partial Autocorrelation Function
1

0.8

0.6

0.4

0.2
Tourists

-0.2

-0.4

-0.6

-0.8
0 5 10 15 20 25 30 35 40 45 50
Lag

: (1,0,1)* (1,0,0)12.

:

1 2 3 4 5
119 93 106,11 112,38 128,71
119 106,61 100,14 117,99 124,34
311 292,14 277,81 212,67 219,02
678 649,43 317,13 591,8 582,29
1121 865,17 1125,9 1192,8 1222,4
1231 1128,5 1317,7 1424,6 1365,6
1693 1614,8 1909,7 1810,6 1968,9
1748 1783,9 1870,5 2003 2103,8
1252 1248,9 1428 1482 1645,1
670 668,88 833,44 807,45 1035
218 239,48 252,07 317,41 372,97
151 158,54 133,9 147,3 288,59

.
 2500
Y(t)
Arima Method
2000

1500
Tourists

1000

500

0
0 10 20 30 40 50 60
Time

.

MAD, MSE, RMSE, MAPE MPE ( ).
MAD=84.1455
MSE=11186
RMSE=105.7623
MAPE=0.1971
MPE=-0.0837

ARIMA .

.

(white noise).
 Sample Autocorrelation Function (ACF)
1

0.8

0.6
Sample Autocorrelation

0.4

0.2

-0.2

-0.4
0 5 10 15 20 25 30 35 40 45
Lag

Winters,
ARIMA.

2500
Y(t)
Time Series decomposition
Winters Method
2000
Arima Method

1500
Tourists

1000

500

0
0 2 4 6 8 10 12
Time
 ARIMA
.

6.2 Inflation
2003, 2004, 2005, 2006
: [9]

t Yt
2003 1 3,1
2 4,3
3 4,1
4 3,4
5 3,8
6 3,8
7 3,6
8 3,3
9 3,3
10 3,2
11 3,3
12 3,1
2004 13 2,9
14 2,5
15 2,7
16 2,9
17 2,9
18 2,8
19 2,9
20 2,7
21 2,8
22 3,2
23 3,1
24 3,1
2005 25 4
26 3,1
27 2,9
28 3,4
29 3,2
30 3,3
31 3,9
32 3,7
33 3,9
34 3,8
35 3,5
36 3,6
2006 37 3,2
38 3,2
39 3,3
40 3,3
 41 3,1
42 3,2
43 3,8
44 3,5
45 2,9
46 2,8
47 2,9
48 2,9

4.5.3:
4.5.2

ARIMA
.
2007
2007
. ARIMA
Winters .

ARIMA
(1,0,1)*(1,0,0)6
: (1-1)(1-66) Yt = (1-1)et
:
Yt = 0.7142*Yt-1 + 0.3817*Yt-6 -0.116*Yt-7 + et +0.236*et-1

AIC (Akaikes Information Criterion) , BIC ( Bayesian Information
Criterion) FPE (Final Prediction Error).

AIC= -0,718
BIC= -0,562
FPE= 0,523

Inflation :
Sample Autocorrelation Function (ACF)
1

0.8

0.6
Sample Autocorrelation

0.4

0.2

-0.2

-0.4
0 5 10 15 20 25 30 35 40 45 50
Lag

Sample Partial Autocorrelation Function

1

0.8

0.6
Sample Partial Autocorrelations

0.4

0.2

-0.2

-0.4

-0.6

-0.8

-1
0 5 10 15 20 25 30 35 40 45 50
Lag

:

t Yt
2003 1 3,1
2 4,3
3 4,1
4 3,4
5 3,8
6 3,8
7 3,6
8 3,8528
9 3,2926
10 3,1808
11 3,346
12 3,3557
2004 13 3,087
14 2,8691
15 2,5752
16 2,7964
17 2,984
18 2,8518
19 2,7349
20 2,728
21 2,6623
22 2,826
23 3,1442
24 2,9359
2005 25 3,0349
26 3,7788
27 2,8094
28 2,9892
29 3,3373
30 3,0767
31 3,5768
32 3,5809
33 3,418
34 3,8605
35 3,5267
36 3,3818
2006 37 3,7284
38 3,1206
39 3,3636
40 3,3399
41 3,2426
42 3,1485
43 3,1014
44 3,7291
45 3,3341
46 2,8456
 47 2,7895
48 2,9591
2007 49 3,1365
50 3,1352
51 2,9401
52 2,8322
53 2,8049
54 2,7738
55 2,8418
56 2,8625
57 2,803
58 2,7419
59 2,7003
60 2,662

4.4
Y(t)
4.2 Yforecast(t)

3.8

3.6
Inflation

3.4

3.2

2.8

2.6

0 10 20 30 40 50 60
Time

.

MAD, MSE, RMSE, MAPE MPE.
MAD=0.2280
MSE=0.1256
 RMSE=0.3543
MAPE=0.0697
MPE=-0.0027

ARIMA .

.

(white noise).

Sample Autocorrelation Function (ACF)

1

0.8

0.6
Sample Autocorrelation

0.4

0.2

-0.2

-0.4
0 5 10 15 20 25 30 35 40
Lag

Winters,
ARIMA.
 4
Yt
3.8 Winters Method
Time Series decomposition
3.6 Arima Method

3.4

3.2
Inflation

2.8

2.6

2.4

2.2
0 2 4 6 8 10 12
Time

ARIMA
.
2007
.
6.3 Temp

(
) 1930-2000 :

1930 6,7 6,7 11,3 15,7 19 22,6 26,2 26 22,8 17,5 12,1 8,9
1931 7,9 8,8 10 12,7 19,7 24,9 27,4 26,9 21,5 16 10,8 4,1
1932 5 2,9 7,4 14,1 19,4 24,1 27,2 26,1 24,1 21,5 11,7 9,2
1933 5,2 7,6 9,1 13,5 17,6 22,8 25,5 25,3 20,5 17,7 14,2 5,5
1934 5,3 5,7 12,6 15,9 20,5 23,9 26,9 26,3 23,1 17,6 13,4 10
1935 4,5 6,8 8,2 14,7 18,7 24,9 26,1 26 22,8 19,8 12,1 9,2
1936 10,5 8,3 12,2 16 18,4 23 27,1 25,9 21,6 16,3 12,3 7,2
1937 4,8 8,2 12,9 14,5 19,7 24,4 26,4 26 23,6 16,9 12,8 8
1938 4,8 6,6 11 12,9 18,4 24,1 27,5 27,1 22,2 17,9 12,8 8,8
1939 7,9 7,9 8,5 15,5 19,8 23,1 27,2 26,6 21,9 18,5 12,3 7,7
1940 3,1 6,8 8,1 13,9 17,5 22,9 26,6 24,3 21,4 18,5 13 4,2
1941 6,9 10,2 11 15,6 19,2 23,7 26 26 18,9 15,7 10,1 4,8
1942 0,9 5,6 8,6 13,9 20,7 24,6 25,4 26,1 23,8 17,5 10,7 7,3
1943 3,6 6,9 8,1 14 18,4 22,5 26,5 27,3 23,6 18,8 13,7 8,4
1944 4,5 6,7 8,7 14,9 18,3 24,7 26,5 25,2 23,1 18,2 11,3 7,6
1945 3,7 6,7 9,3 14,5 23,2 24,9 27,8 27,8 22,3 15,3 12,5 7,1
1946 4,3 7,1 10,9 15,2 21,1 25,4 28,1 28,3 25,4 15,4 13,9 7,9
1947 3,1 8,3 13,7 17,4 20,6 24,6 27,1 26,4 22,4 16,3 12,5 8,3
1948 9,4 6,1 10,2 14,8 20,6 22,3 25,8 27 22,6 17,8 11,3 3
1949 6 6,7 7,1 14 20,5 23,5 25,6 24,1 21,1 17 13,3 9,1
1950 3,5 8,6 11,2 16,9 20,5 24,7 28,3 26,7 24,2 17,9 11,9 11,2
1951 7,9 10 11,8 15,6 21,4 24,9 26,4 27 22,9 14,3 13 7,3
1952 7,5 7,1 9,7 16,8 18,9 24,3 26,5 28,4 25,3 17,2 12,5 10,6
1953 6,2 8,5 8,6 15,6 18,8 24,8 27,6 26,2 22,6 16,4 9,5 5,2
1954 3 3,4 10,7 13,1 19,2 26,4 27,6 27,1 23,9 17,1 11,9 8,6
1955 9,3 11,3 10,5 12,2 20,1 23,8 26,9 25,3 21,7 17,7 11,1 8,8
1956 6,5 4 6,3 14,8 19,7 23,4 26,7 27,8 22,4 16,7 11,1 6,6
1957 5 10 9,9 14,7 18,3 24,6 26,7 27 22,3 17,6 12,5 6,4
1958 6,4 9,5 9,3 14 22,3 24,5 26,9 26,8 20,6 16,4 12,7 8,8
1959 4,8 5,8 10,8 14,3 19,2 22,6 26,7 26,2 20,2 14,2 11,4 10,4
1960 7,1 7,8 9,3 13,9 19 23,4 25,4 26,4 20,4 18,5 14,5 11,5
1961 5,7 7 12,1 16,6 19,5 24 25,7 26,3 22,5 17,9 13,9 7,1
1962 7,1 5,6 10 14,9 21,6 23,1 25,9 27,6 22,8 17,5 14,4 5,5
1963 3,6 7,2 8,5 14 18,8 23,8 27,3 26,9 23,3 17 13,7 8
1964 3,5 6,3 10 14,4 18 24 25,2 24,9 20,4 17,6 12,8 8,8
1965 6,7 3,1 9,8 13,3 18 24,1 25,8 24,3 22,4 16,7 12 8,5
1966 4,8 11,2 10,2 15,7 18,9 22,7 26,4 26,6 22,2 20,4 13,2 7,8
1967 4,6 5,7 10,3 13,7 19,4 22,5 25,6 26,8 22,8 18,2 12,8 7,7
1968 4 8,7 9,5 15,6 21,8 23,3 26,5 24,3 22,2 16,3 13,1 7,1
1969 4,2 8,4 8,4 13,2 21,3 23,6 24,5 25,3 23 16,7 13,2 8,7
1970 7,6 8,4 10,2 16 17,4 23,4 25,2 25,7 21,8 16 11,8 7,6
1971 9 6,9 8,8 13,5 20,3 23,2 24,5 25,8 20,4 14,9 11,3 8,3
1972 6,7 7,5 10,4 15,4 19,5 24,4 25,6 25,3 20,2 13,2 11,5 6,5
1973 4,9 8,1 8 13,9 20,1 22,6 26,1 24,8 22,2 16,9 9,2 6,2
1974 6,2 8,8 10,2 12,4 18,2 22,8 25,3 25,8 21,7 18,1 11,3 7,2
 1975 5,6 6 11,6 14,9 20 23,1 26,1 24 23,7 16,7 10,7 7,1
1976 6,5 6,6 8,8 14,5 18,9 22,5 24,7 22,4 20,3 17,5 12,2 7,4
1977 6,8 10,9 11,2 14,2 19,9 23,6 26,1 25,6 20,8 15,2 13,4 5,5
1978 5,1 8,5 11,7 13,5 18,3 24,3 25,8 24,6 19,5 15,1 9,2 9,2
1979 5 8,1 12 13 19,7 24,9 25,1 24,5 21,1 15,3 12,4 8,7
1980 3,9 6,6 9,6 13,2 16,9 22,8 25,4 25,1 21,5 17,5 13,1 8,4
1981 3,3 6,5 12,1 14,4 17,8 24,7 25,1 25 22,2 18,6 8,9 9,1
1982 5,5 4,8 9 12 18,5 23,6 24,9 24,9 22,8 18 9,8 8,2
1983 6,8 5,3 10,4 16 21,2 21,6 26,1 24,3 20,9 14,9 10,6 7,2
1984 6,9 7,3 8,6 12 19,3 22,9 24,4 23,9 22,9 19,1 12 7,2
1985 5,9 3,7 8,9 16,2 21,4 24,1 26,6 27,1 22,4 14,9 12,1 9,2
1986 7 7,2 9,9 15,4 18,7 23,2 24,5 26,2 21,7 15,8 9,9 4,8
1987 5,4 8,3 5,4 13,3 17,2 23,5 27,2 24,9 24 15,5 10,7 8,2
1988 7,9 7,7 9,5 13,2 19,3 24,2 28,2 26,3 22,2 15,7 6,8 5,5
1989 5,6 8,4 11,8 16,2 18 22,4 25,1 25,3 21,7 15,2 10,6 5,9
1990 5,1 8,9 12,8 15,2 18,8 23,6 26,6 25,3 21 16,4 12,9 7,7
1991 4,8 5,6 10,8 13,5 17,1 24,3 25 26,5 21,2 16,9 12,5 3,8
1992 6,2 6,3 10,2 14,6 17,7 23,4 24,9 26,9 21,1 17,2 11,9 6,4
1993 5,6 4,8 8,8 14,4 18,9 23,9 25 25,7 21,6 18,6 9,5 9,3
1994 8,5 7,1 11,6 15,1 18,9 23,4 26,7 26,6 24,4 18 11,6 7,8
1995 5,8 9,8 10,2 14,1 19,1 25,3 26,7 25,2 21,3 15,8 8,3 8,7
1996 5,5 6,1 6,6 12,7 20,9 23,5 25 25,7 19,7 15,1 12,5 8,4
1997 7,5 7,6 9,4 10,6 20,6 24 26,8 24,6 20,2 13,7 11,8 7,5
1998 7 9,4 7,7 15 18,8 24,8 26,7 27,3 21,5 17,1 11,4 5,3
1999 6,4 6 11 15,4 19,4 24,3 27 26,7 22,4 18 11,8 8,5
2000 3,1 7,7 9,3 16,4 20,5 24,2 26,9 26,6 21,8 16,7 14,8 9,3
MEAN 5,73 7,25 9,89 14,47 19,40 23,77 26,21 25,93 22,07 16,90 11,89 7,62

3:

ARIMA
. 69
2000
2000
.

ARIMA
2000 (1,0,0)*(0,1,1)12
: (1-1)(1-12)Yt = (1-112)et
:
Zt = 0.21*t-1 + et - 0,92*et-12
( Zt=Yt-Yt-12).

AIC (Akaikes Information Criterion) , BIC ( Bayesian Information
Criterion) FPE (Final Prediction Error).
AIC= 0,7243
BIC= 0,7357
FPE= 2,063

: (p,d,q)*(P,D,Q)12

p,d,q,P,D,Q AIC BIC FPE

1,0,0,0,1,0 1.33 1.33 3.77
1,0,0,0,1,1 0.72 0.74 2.063
1,1,0,0,1,0 1.32 1.33 3.75
1,0,0,1,1,0 1.05 1.07 2.87
1,0,0,1,1,1 0.74 0.76 2.095
1,0,1,1,1,0 1.05 1.07 2.86
1,0,1,1,1,1 0.74 0.77 2.10

Temp :

Sample Autocorrelation Function (ACF)

1

0.8

0.6

0.4
Sample Autocorrelation

0.2

-0.2

-0.4

-0.6

-0.8

-1
0 10 20 30 40 50 60 70 80 90 100
Lag
 Sample Partial Autocorrelation Function
1

0.8

0.6
Sample Partial Autocorrelations

0.4

0.2

-0.2

-0.4

-0.6

-0.8
0 10 20 30 40 50 60 70 80 90 100
Lag

.


.

:
 Sample Autocorrelation Function (ACF)
1

Sample Autocorrelation

0.5

-0.5
0 10 20 30 40 50 60 70 80 90 100
Lag

Sample Partial Autocorrelation Function

1
Sample Partial Autocorrelations

0.5

-0.5
0 10 20 30 40 50 60 70 80 90 100
Lag

.
: (1,0,0)*(0,0,1)12
Yt = 0.21*Yt-1 + et - 0,92*et-12

2000 ( ) :

6,4 3,1
7,2 7,7
9,7 9,3
14,1 16,4
19,1 20,5
23,8 24,2
26 26,9
25,8 26,6
21,7 21,8
16,5 16,7
11,2 14,8
7,4 9,3

30
Y(t)
Yforecast(t)
25

20
Temp

15

10

0
0 2 4 6 8 10 12
Time

.

MAD, MSE, RMSE, MAPE MPE ( ).
MAD=1,4287
MSE=3,3195
RMSE=1,8219
MAPE=0.1748
MPE=-0.0286

ARIMA .

.

(white noise) .

Sample Autocorrelation Function (ACF)

0.8
Sample Autocorrelation

0.6

0.4

0.2

-0.2
0 10 20 30 40 50 60 70 80 90 100
Lag
 7:

, ARIMA,

.
,
, ,
(Brown Holt) Winters.

,

.
,
(
) , ,
-.
,

. ,
.

.
ARIMA

.

. H
.

, , , , ..
, , .

marketing, , , ,
, .. ,

.

.
. ,
,
.
software
.
,
, .


:
1. Carol Alexander, Market Models: A guide to financial data analysis, Wiley,
2001
2. Box, G.E.P. and Jenkins, G.M., Time Series Analysis, Forecasting and
Control, San Franscisco, CA, 1976
3. Peter J. Brockwell, Richard A. Davis, Introduction to time series and
forecasting, Springer, 2002.
4. . , . ,
, , 2004.
5. Jeffrey Jarrett, -
, Gutenberg, 2002.
6. Murray R. Spiegel, Larry J. Stephens, , , 2000.
7. Duane Hanselman, Bruce Littlefield, Mastering Matlab 6: A comprehensive
Tutorial and reference, Prentice Hall, 2001.
8. Rudra Pratap, Getting started with Matlab: A quick introduction for scientists
and engineers, Oxford university press, 2002.

:
9. http://www.aia.gr/UserFiles/File/trafficStatistics/2007_Flights_GR_July.pdf
10. http://www.statistics.gr/Deltia_menu.asp
11. http://users.auth.gr/~dkugiu/
12. https://editorialexpress.com/cgi-
bin/conference/download.cgi?db_name=esam06&paper_id=246
13. http://www.bauer.uh.edu/gardner/Exponential%20Smoothing.pdf
14. http://www.hkbu.edu.hk/~billhung/econ3600/application/app04/app04.html
15. http://www.cba.bgsu.edu/faculty_staff/bennion/expsm.html
16. http://yalma.fime.uanl.mx/~elisa/teaching/english/seminar/slides/sergio.pdf
17. http://www.buseco.monash.edu.au/depts/ebs/pubs/wpapers/2002/wp3-02.pdf
18. http://facweb.furman.edu/~dstanford/forecast/h6.htm
19. http://www.agbuscenter.ifas.ufl.edu/aeb5516/admin/classcial%20decompositi
on.pdf
20. http://home.ubalt.edu/ntsbarsh/stat-data/Forecast.htm
21. http://www.abs.gov.au/websitedbs/d3310114.nsf/4a256353001af3ed4b2562bb
00121564/b81ecff00cd36415ca256ce10017de2f!OpenDocument
22. http://ideas.repec.org/a/eee/moneco/v53y2006i7p1717-1739.html
23. http://www.mathworks.com/academia/student_center/tutorials/launchpad.html
24. http://www.math.utah.edu/lab/ms/matlab/matlab.html
25. http://www.math.ufl.edu/help/matlab-tutorial/
26. http://www.math.kth.se/matstat/gru/5b1545/homeworks_2004.html
27. http://www.ecare.ulb.ac.be/ecare/people/members/veredas/veredas/disclaimer
%20matlab.html
28. http://www.stat.rice.edu/~dcox/Stat421/Computing/Matlab/index.html
29. http://www.stat.unc.edu/faculty/hurd/stat185Data/progdoc.html
30. http://www.sciencedirect.com/science?_ob=ArticleURL&_udi=B6WK3-
483BSX4-
4&_user=10&_rdoc=1&_fmt=&_orig=search&_sort=d&view=c&_version=1
&_urlVersion=0&_userid=10&md5=d4cc1905a1a514ceb68fe6588c446b9c
31. http://net.pku.edu.cn/~course/cs410/reading/myung-tutorial-mle.pdf
32. http://164.15.69.62/
33. http://www.hec.unil.ch/matlabcodes/
34. http://www.science.smith.edu/~jcardell/Courses/EGR301/
35. http://www.math.kth.se/matstat/gru/5b1545/m-files/

% Margia Georgia
% Metaptyxiako Ypologistikhs Fysikhs
% Analysh & problepsh xronoseirwn
% season.m

time=xlsread('c:\MATLAB7\work\diplomatiki\season','A1:A24');
yt=xlsread('c:\MATLAB7\work\diplomatiki\season','B1:B24');

n=length(time);

% moving average

m=4; % kinitos mesos

movave=[];
ma=0;

for i=1:n-m+1
for j=i:i+m-1
ma=ma+ yt(j);
end
ma=ma/m;
movave=[movave;ma];
ma=0;
end

% centered moving average

l=length(movave);
cma=0;
cenmovave=[];
i=0;
for i=1:l-1
cma=(movave(i)+movave(i+1))/2;
cenmovave=[cenmovave;cma];
end

% seasonal index

si=[];
k=0;
a=0;
for k=1+m/2:n-m/2
a= yt(k)./cenmovave(k-m/2);
si=[si;a];
end

% customized index sa

sa=[];
i=0;
k=0;
j=0;
sum1=0;

for j=1:m
for i=0:m
for k=j+4*i
sum1=sum1+si(k);
end
end
sum1=sum1/(m+1);
sa=[sa;sum1];
sum1=0;
end

% yt - seasonality

sum2=0;
sum2=sum(sa);

i=0;
l=length(sa);

for i=1:l
sa(i)=sa(i)*l/sum2;
end

i=0;
k=0;
j=0;
sayt=[];
sa=[sa(m-1);sa(m);sa(m-3);sa(m-2)];

for j=1:m
for i=0:m+1
for k=j+4*i
sayt(k)=yt(k)/sa(j);
end
end
end

sayt=sayt.' ;

% plots

i=0;
t=[];

for i=1:n-m
t(i)=time(i+m/2);
end

figure
plot(time,yt,'m-',t,cenmovave,'b-o')
legend('Y(t)','CAt')
xlabel('Time ');
ylabel('Sales');

figure
plot(time,yt,'m-',time,sayt,'b-o')
legend('Y(t)','SAYt')
xlabel('Time ');
ylabel('Sales');

% detrend

%=======================================

%Least Squares

a=0;
b=0;
tt=[];
wt=[];

x2=time.*time;
xy=time.*sayt;

sx=sum(time);

sy=sum(sayt);
sx2=sum(x2);
sxy=sum(xy);
b=(n*sxy-sx*sy)/(n*sx2-sx*sx);

a=(sy/n)-b*(sx/n);

yls=a+b*time;

Tt=yls;

figure
plot(time,sayt,'m-',time,yls,'b-')
legend('SAYt','Tt')
xlabel('Time ');
ylabel('Sales');

tayt=sayt./Tt;

figure
plot(time,tayt,'b-',time,1,'r-')
legend('TAYt')
xlabel('Time ');
ylabel('Sales');

i=0;
w=0;
wat=[];
for i=2:n-1
w=0.25*tayt(i-1)+0.5*tayt(i)+0.25*tayt(i+1);
wat=[wat;w];
end

for i=1:n-2
tt(i)=time(i);
end

figure
plot(tt,wat,'b-',time,tayt,'m-',time,1,'r-')
legend('WAt','TAYt')
xlabel('Time ');
ylabel('Sales');

% prediction

ytpred=[];
tpred=[25;26;27;28;29;30;31;32];
f=length(tpred);
i=0;
j=0;
k=0;

for j=1:m
for i=0:1
for k=j+4*i
ytpred(k)=(a+b*tpred(k))*sa(j);
end
end
end

figure
plot(time,yt,'b-',tpred,ytpred,'m-')
legend('Y(t)','Yforecast(t)')
xlabel('Time ');
ylabel('Sales');
% Margia Georgia
% Metaptyxiako Ypologistikhs Fysikhs
% Analysh & problepsh xronoseirwn
% simmovave.m

clear variables

time=xlsread('c:\MATLAB7\work\diplomatiki\simmovave','A1:A10');
yt=xlsread('c:\MATLAB7\work\diplomatiki\simmovave','B1:B10');

n=length(yt);

mmse=[];

for m=1:n-1

i=0;
j=0;
k=0;
a=0;
ytprd=[];

for j=1:n-m
for i=0:m-1
a=a+yt(j+i);
end
ytprd(j+m)=a/m;
a=0;
end

for k=1:m
ytprd(k)=yt(k);
end

ytprd=ytprd.';

et=yt-ytprd;
sumet=sum(et);

et2=et.*et;
sumet2=sum(et2);

abset=abs(et);
sumabset=sum(abset);

p=abset./yt;
sump=sum(p);

q=et./yt;
sumq=sum(q);

mse=sumet2/(n-m);

mad=sumabset/(n-m);

rmse=sqrt(mse);

mape=sump/(n-m);

mpe=sumq./(n-m);

g=mse+mad+rmse+mape+mpe;
mmse=[mmse;g];

end

[mn,i]=min(mmse);

%=============================

m=i;

i=0;
j=0;
k=0;
a=0;
ytprd=[];
et=[];
et2=[];

for j=1:n-m
for i=0:m-1
 a=a+yt(j+i);
end
ytprd(j+m)=a/m;
a=0;
end

for k=1:m
ytprd(k)=0;
end

ytprd=ytprd.';

for i=m+1:n
et(i)=yt(i)-ytprd(i);
sumet=sum(et);

et2(i)=et(i).*et(i);
sumet2=sum(et2);
end

et=et.';
et2=et2.';

prediction=ytprd(n)+ yt(n)/m - yt(n-m)/m

ytprd=[ytprd;prediction];

tpred=[];
ytpred=[];

for z=m+1:n+1
tpred=[tpred;z];
ytpred=[ytpred;ytprd(z)];
end

plot(time,yt,'b-o',tpred,ytpred,'m-o')
xlabel('Time ');
ylabel('Sales');
% Margia Georgia
% Metaptyxiako Ypologistikhs Fysikhs
% Analysh & problepsh xronoseirwn
% simexpsmo.m

clear variables

time=xlsread('c:\MATLAB7\work\diplomatiki\simexpsmo','A1:A15');
yt=xlsread('c:\MATLAB7\work\diplomatiki\simexpsmo','B1:B15');

n=length(yt);

mmse=[];
ytprd=[];

for a=1:100

i=0;
p=0;
a=a/100;

ytprd=[yt(1);yt(1)];

for i=2:n-1
p=a*yt(i)+(1-a)*ytprd(i);
ytprd=[ytprd;p];
p=0;
end

et=yt-ytprd;
sumet=sum(et);

et2=et.*et;
sumet2=sum(et2);

abset=abs(et);
sumabset=sum(abset);
mse=sumet2/(n-1);
mmse=[mmse;mse];

end

ytprd=[];
ytprd=[yt(1);yt(1)];
[mn,i]=min(mmse);

a=i;

a=a/100

for i=2:n-1
p=a*yt(i)+(1-a)*ytprd(i);
ytprd=[ytprd;p];
p=0;
end

prediction=a*yt(n)+(1-a)*ytprd(n);

ytprd=[ytprd;prediction];

tpred=[];
ytpred=[];

for z=2:n+1
tpred=[tpred;z];
ytpred=[ytpred;ytprd(z)];
end

plot(time,yt,'b-o',tpred,ytpred,'m-o')
xlabel('Time ');
ylabel('Sales');
% Margia Georgia
% Metaptyxiako Ypologistikhs Fysikhs
% Analysh & problepsh xronoseirwn
% doumovave.m

clear variables

time=xlsread('c:\MATLAB7\work\diplomatiki\simmovave','A1:A10');
yt=xlsread('c:\MATLAB7\work\diplomatiki\simmovave','B1:B10');

n=length(yt);
mmse=[];

i=0;
j=0;
k=0;
a=0;
b=0;
c=0;
at=[];
bt=[];
ytprd=[];
mtprd=[];
et=[];
et2=[];

for m=2:n-1

for j=1:n-m
for i=0:m-1
a=a+yt(j+i);
end
ytprd(j+m)=a/m;
a=0;
end

for k=1:m
ytprd(k)=0;
end
ytprd=ytprd.';

for j=m+1:n-m
for i=0:m-1
b=b+ytprd(j+i);
end
mtprd(j+m)=b/m;
b=0;
end

mtprd=mtprd.';

for i=2*m+1:n
at(i)=2*ytprd(i)-mtprd(i);
bt(i)=(ytprd(i)-mtprd(i))*2/(m-1);
end

at=at.';
bt=bt.';

tpred=[];
ytpred=[];

for i=2*m+1:n-1

ytpred(i+1)=at(i)+bt(i);
end

ytpred=ytpred.';
tpred=time;
for j=1:3
c=at(n)+j*bt(n);
ytpred=[ytpred;c];
tpred=[tpred;n+j];
end

for i=2*m+2:n
et(i)=yt(i)-ytpred(i);
et2(i)=et(i).*et(i);
end

sumet=sum(et);
sumet2=sum(et2);

mse=sumet2/(n-m);

mmse=[mmse;mse];
end

[mn,i]=min(mmse);

%=================================

m=i;

i=0;
j=0;
k=0;
a=0;
b=0;
c=0;
at=[];
bt=[];
ytprd=[];
mtprd=[];

for j=1:n-m
for i=0:m-1
a=a+yt(j+i);
end
ytprd(j+m)=a/m;
a=0;
end

for k=1:m
ytprd(k)=0;
end

ytprd=ytprd.';

for j=m+1:n-m
for i=0:m-1
b=b+ytprd(j+i);
end
mtprd(j+m)=b/m;
b=0;
end

mtprd=mtprd.';

for i=2*m+1:n
at(i)=2*ytprd(i)-mtprd(i);
bt(i)=(ytprd(i)-mtprd(i))*2/(m-1);
end

at=at.';
bt=bt.';

tpred=[];
ytpred=[];

for i=2*m+1:n-1

ytpred(i+1)=at(i)+bt(i);
end

ytpred=ytpred.';
tpred=time;
for j=1:3
c=at(n)+j*bt(n);
ytpred=[ytpred;c];
tpred=[tpred;n+j];
end

for i=2*m+2:n
et(i)=yt(i)-ytpred(i);
et2(i)=et(i).*et(i);
end

sumet=sum(et);
sumet2=sum(et2);

mse=sumet2/(n-m);

ttpred=[];
yttpred=[];
for i=2*m+2:n+3
ttpred=[ttpred;tpred(i)];
yttpred=[yttpred;ytpred(i)];
end

plot(time,yt,'b-o',ttpred,yttpred,'m-o')
legend('Y(t)','Yforecast(t)')
xlabel('Time ');
ylabel('Sales');
% Margia Georgia
% Metaptyxiako Ypologistikhs Fysikhs
% Analysh & problepsh xronoseirwn
% brown.m

clear variables

time=xlsread('c:\MATLAB7\work\diplomatiki\simexpsmo','A1:A15');
yt=xlsread('c:\MATLAB7\work\diplomatiki\simexpsmo','B1:B15');

n=length(yt);

mmse=[];
ytprd=[];
atprd=[];
at=[];
bt=[];

for a=1:99

%a=0.3;
i=0;
p=0;
q=0;
c=0;
a=a/100;

ytprd=[yt(1);];
atprd=[yt(1);];

for i=2:n
p=a*yt(i)+(1-a)*ytprd(i-1);
ytprd=[ytprd;p];
p=0;
end

for i=2:n
q=a*ytprd(i)+(1-a)*atprd(i-1);
atprd=[atprd;q];
q=0;
end

at=2*ytprd-atprd;
bt=a*(ytprd-atprd)/(1-a);

at=at.';
bt=bt.';

tpred=[];
ytpred=[];

at=at.';
bt=bt.';

for i=1:n-1

ytpred(i+1)=at(i)+bt(i);
end

ytpred=ytpred.';
tpred=time;
for j=1:3
c=at(n)+j*bt(n);
ytpred=[ytpred;c];
tpred=[tpred;n+j];
end

for i=2:n
et(i)=yt(i)-ytpred(i);
et2(i)=et(i).*et(i);
end

sumet=sum(et);
sumet2=sum(et2);

mse=sumet2/(n-1);

mmse=[mmse;mse];

end
% ================================================

[mn,i]=min(mmse);

a=i/100;
a
mmse=[];
ytprd=[];
atprd=[];
at=[];
bt=[];

i=0;
p=0;
q=0;
c=0;

ytprd=[yt(1);];
atprd=[yt(1);];

for i=2:n
p=a*yt(i)+(1-a)*ytprd(i-1);
ytprd=[ytprd;p];
p=0;
end

for i=2:n
q=a*ytprd(i)+(1-a)*atprd(i-1);
atprd=[atprd;q];
q=0;
end

at=2*ytprd-atprd;
bt=a*(ytprd-atprd)/(1-a);

at=at.';
bt=bt.';

tpred=[];
ytpred=[];

at=at.';
bt=bt.';

for i=1:n-1

ytpred(i+1)=at(i)+bt(i);
end

ytpred=ytpred.';
tpred=time;
for j=1:3
c=at(n)+j*bt(n);
ytpred=[ytpred;c];
 tpred=[tpred;n+j];
end

for i=2:n
et(i)=yt(i)-ytpred(i);
et2(i)=et(i).*et(i);
end

sumet=sum(et);
sumet2=sum(et2);

mse=sumet2/(n-1)

tpred(1)=[NaN];
ytpred(1)=[NaN];

plot(time,yt,'b-o',tpred,ytpred,'m-o')
legend('Y(t)','Yforecast(t)')
xlabel('Time ');
ylabel('Sales');
% Margia Georgia
% Metaptyxiako Ypologistikhs Fysikhs
% Analysh & problepsh xronoseirwn
% holt.m

clear variables

time=xlsread('c:\MATLAB7\work\diplomatiki\simexpsmo','A1:A15');
yt=xlsread('c:\MATLAB7\work\diplomatiki\simexpsmo','B1:B15');

n=length(yt);

mmse=[];
ytprd=[];
ttprd=[];
tpred=[];
ytpred=[];
aind=[];
bind=[];
at=[];
bt=[];

for a=1:99
a=a/100;
for b=1:99

i=0;
p=0;
q=0;
c=0;
r=0;

b=b/100;

ytprd=[yt(1);];
ttprd=[0;];
ytpred=[0;];
tpred=time;

for i=2:n
 p=a*yt(i)+(1-a)*(ytprd(i-1)+ttprd(i-1));
ytprd=[ytprd;p];
p=0;
q=b*(ytprd(i)-ytprd(i-1))+(1-b)*ttprd(i-1);
ttprd=[ttprd;q];
q=0;
r=ytprd(i-1)+ttprd(i-1);
ytpred=[ytpred;r];
r=0;
end

for j=1:3
c=ytprd(n)+j*ttprd(n);
ytpred=[ytpred;c];
tpred=[tpred;n+j];
end

for i=2:n
et(i)=yt(i)-ytpred(i);
et2(i)=et(i).*et(i);
end

sumet=sum(et);
sumet2=sum(et2);

mse=sumet2/(n-1);

mmse=[mmse;mse];

aind=[aind;a];
bind=[bind;b];

end

end
i=0;
[mn,i]=min(mmse);

a=aind(i)
b=bind(i)

i=0;
p=0;
q=0;
c=0;
r=0;

ytprd=[yt(1);];
ttprd=[0;];
ytpred=[0;];
tpred=time;

for i=2:n
p=a*yt(i)+(1-a)*(ytprd(i-1)+ttprd(i-1));
ytprd=[ytprd;p];
p=0;
q=b*(ytprd(i)-ytprd(i-1))+(1-b)*ttprd(i-1);
ttprd=[ttprd;q];
q=0;
r=ytprd(i-1)+ttprd(i-1);
ytpred=[ytpred;r];
r=0;
end

for j=1:3
c=ytprd(n)+j*ttprd(n);
ytpred=[ytpred;c];
tpred=[tpred;n+j];
end

for i=2:n
et(i)=yt(i)-ytpred(i);
et2(i)=et(i).*et(i);
end

sumet=sum(et);
sumet2=sum(et2);

mse=sumet2/(n-1);

tpred(1)=[];
ytpred(1)=[];

plot(time,yt,'b-o',tpred,ytpred,'m-o')
legend('Y(t)','Yforecast(t)')
xlabel('Time ');
ylabel('Sales');
% Margia Georgia
% Metaptyxiako Ypologistikhs Fysikhs
% Analysh & problepsh xronoseirwn
% winters.m

clear variables

time=xlsread('c:\MATLAB7\work\diplomatiki\winters','A1:A20');
yt=xlsread('c:\MATLAB7\work\diplomatiki\winters','B1:B20');

n=length(yt);
m=4;

ytprd=[];
ttprd=[];
tpred=[];
ytpred=[];
stprd=[];

al=0;
s=0;

for i=1:m
al=al+yt(i);
end

al=al/m;

for i=1:m
s=yt(i)/al;
stprd=[stprd;s];
end

a=0.7;
b=0.1;
g=0.8;

i=0;
p=0;
q=0;
c=0;
r=0;
ss=0;

for j=1:m-1
ytprd=[ytprd;0];
ttprd=[ttprd;0];
ytpred=[ytpred;0];
end

ytprd=[ytprd;al];
ytpred=[ytpred;0];
ttprd=[ttprd;0];
tpred=time;

for i=m+1:n
p=(a*yt(i)/stprd(i-m))+(1-a)*(ytprd(i-1)+ttprd(i-1));
ytprd=[ytprd;p];
p=0;
q=b*(ytprd(i)-ytprd(i-1))+(1-b)*ttprd(i-1);
ttprd=[ttprd;q];
q=0;
ss=(g*yt(i)/ytprd(i))+(1-g)*stprd(i-m);
stprd=[stprd;ss];
ss=0;
r=(ytprd(i-1)+ttprd(i-1))*stprd(i-m);
ytpred=[ytpred;r];
r=0;
end

f=n-m;
for j=1:m
c=(ytprd(n)+j*ttprd(n))*stprd(f+j);
ytpred=[ytpred;c];
tpred=[tpred;n+j];
end

for i=m+1:n
et(i)=yt(i)-ytpred(i);
et2(i)=et(i).*et(i);
end

sumet=sum(et);
sumet2=sum(et2);

mse=sumet2/(n-1)

for i=1:m
tpred(i)=NaN;
ytpred(i)=NaN;
end

plot(time,yt,'b-o',tpred,ytpred,'m-o')
legend('Y(t)','Yforecast(t)')
xlabel('Time ');
ylabel('Sales');