数据分析催生新的用电量预测方法

该团队检查了六种不同的时间序列分析，这些分析采用简单的预测和平滑方法。每个模型都强调一段时间内所收集数据的不同分量（包括趋势、季节性、周期性和不规则移动），然后将这些分量的估计值延伸到未来，以提供预测。该团队使用每个模型来预测未来六个月的用电量。

首先，该项目团队使用趋势分析方法将常规趋势线与用电量数据相拟合。此分析显示这些序列在一段时间内的长期趋势（上升或下降）。

然后，该团队使用分解方法（因其能够将问题“分解”为子问题而命名）来检查趋势分析方法中未包括的数据分量。将用电量的时间序列数据分为季节性、周期性和随机变异等其他部分，使团队能够将每个分量所带来的影响纳入模型的预测中。

上面的时间序列图将数据分解为四个部分，使团队能够评估趋势和季节性。

为了消除数据中的短期波动并突出长期趋势和周期性，该团队通过对序列中的连续观测值求平均值来计算移动平均值。季节性、周期性和随机变异产生的单个数据点在该模型中是近似的，因此平滑的数据集可以揭示很难通过其他方式发现的重要模式。

该团队使用单指数平滑方法（即，为数据点分配随时间呈指数递减的权重）显示数据，从而获得了另一个视角。这项技术以更加强调最新数据的方式预测工厂的用电量。

由于当数据中存在趋势时，单指数平滑方法并不理想，因此该项目团队使用双指数平滑方法（即，考虑序列中出现趋势的可能性）引入了第二个分量。这种方法还为时间序列中较旧的观测值赋予递减的权重，但随后通过对每个观测值使用不同的常量来使趋势和斜率变平滑。

为了将双指数平滑方法延伸到涵盖趋势和季节性变异，该团队使用一项名为 Winter 法的技术来计算以下三个分量的动态估计值：水平、趋势和季节性。

上面的 Winter 法图阐释了该序列中的趋势和季节性。

借助 Minitab 中提供的各种预测和平滑方法，该项目团队使用这些不同的方法以及结合了工厂特有因素的新方法轻松地分析、显示和评估其数据。通过将每个模型的结果与实际数据进行比较来评估每种方法的准确度。

上面的时间序列图对工厂六个月的实际用电量（千瓦时）与同一时期各模型的预测用电量进行了比较。为了便于比较，突出显示了实际用电量数据和项目团队所用新方法的预测值的序列。

该团队设计的预测方法结合了与半导体工厂的流程相关的特定因素（如机器要求、机器闲置时间和每种状态的用电量（千瓦）），并调整了公用事业公司提供的原始用电量数据。然后，该团队将每个现有模型的结果与其自己的方法的结果进行比较。