【发布时间】：2016-04-04 09:43:50
【问题描述】：
【问题讨论】：
-
3 个月平均值。完毕！我会尽量保持简单。无论如何，您将无法预测确切的付款方式，因为您可能会突然购买机票或支付年度保险发票。
标签： pattern-matching analytics data-mining frequency prediction
【发布时间】：2016-04-04 09:43:50
【问题描述】：
我喜欢 cmets 提出的使用三个月平均值的建议。我在下面建议的方法受到该评论的启发（实际上是对其的概括）。
您可以在过去几个月使用weighted average。如果ex[i] 表示当前月份之前的i-th 月的费用（例如ex[0] 是当前月份）并且您想对下个月进行预测，您可以这样做（注意权重总和到 1):
(1/2)*ex[1] + (1/4)*ex[2] + (1/8)*ex[3] + ...
直觉是，如果你的消费模式发生变化，你应该多留意最近几个月；这反映在权重中。
您当然可以使用任何一组总和为 1 的权重（例如，您选择最能反映您的消费模式可能发生多大变化的权重）并根据这些权重取加权平均值。例如，您可以使用
1/4*ex[1] + 1/4*ex[2] + 1/8*ex[3] + 1/8*ex[4] + 1/16*ex[5] + 1/ 16*ex[6] + 1/16*ex[6] + 1/16*ex[6]
【讨论】：
-
您可以包括去年的同一个月，并给予一定的权重。
FPGrowth 解决了一个不同的问题：经常一起购买的产品。
对于您的“个人理财”需求，您可能只能做些（移动）平均值以及季节性修正。例如，您在夏天花在冰淇淋上的时间可能会比在冬天多（但您需要多年的数据）。
您可以尝试对每个常见的供应商或产品类型（例如冰淇淋）进行这种季节性调整的移动平均值（或回归），以改善您的结果。但这些小额支出通常不会造成严重破坏——它是医疗费用、购买新电视或汽车。但是，仅凭您的购买历史就无法轻易预测这些大笔支出。
【讨论】：