时间序列分析预测法:指数平滑法
概述
指数平滑法是在移动平均法基础上发展起来的一种时间序列分析预测法,它是通过计算指数平滑值,配合一定的时间序列预测模型对现象的未来进行预测。其原理是任一期的指数平滑值都是本期实际观察值与前一期指数平滑值的加权平均。它是生产预测中常用的一种方法,也用于中短期经济发展趋势预测,所有的预测方法中,它是用得最多的一种。简单的全期平均法是对时间数列的过去数据一个不漏地全部加以同等利用;移动平均法则不考虑较远期的数据,而给予近期数据更大的权重;指数平滑法则兼容了全期平均和移动平均所长,不舍弃过去的数据,但是仅给予逐渐减弱的影响程度,即随着数据的远离,赋予逐渐收敛为零的权数。
指数平滑法的基本思路
预测值是以前观测值的加权和,且对不同的数据给予不同的权,新数据给较大的权,旧数据给较小的权。
指数平滑法的特点
指数平滑法对于不同时间的观察值所赋予的权数不同,加大了近期观察值的权数,使预测值能够迅速反映市场实际的变化。权数之间按等比级数减少,此基数之首项为平滑常数,公比为
。
指数平滑法对于观测值所赋予的权数有伸缩性,可以取不同的值以改变权重的变化速率,如
取小值,则权数变化较迅速,观察值的新近变化趋势能迅速反映于指数移动平均值中。因此,运用指数平滑法,可以选择不同的
值来调节时间序列观察值的均匀程度(即趋势变化的平稳程度)。
平滑常数的选择
在指数平滑法中,预测成功的关键是值的选择,但
的取值又容易受主观影响,因此合理确定
的取值方法十分重要。一般来说,
值愈大,新数据所占的比重就越大,原预测值所占比重就愈小,反之亦然。理论界一般人为有以下几种方法可供选择。
经验判断法
这种方法主要依赖于时间序列的发展趋势和预测者的经验做出判断。当时间序列呈稳定的水平趋势时,应取较小值,如0.1~0.3;当时间序列波动较大,长期趋势变化的幅度较大时,
应取中间值,如0.3~0.5;当时间序列具有明显的上升或下降趋势时,
应取较大值,如0.6~0.8,以使预测模型灵敏度高些,能迅速跟上数据的变化;当时间序列呈上升或下降的发展趋势时,
应取较大值,如0.6~1之间。
试算法
根据具体时间序列的情况,参照经验判断法,大致确定额定的取值范围,然后取几个值进行试算,比较不同
值下的预测标准误差,选取预测标准误差较小的
值。在实际应用中,预测者应结合对预测对象的变化规律做出定性判断且计算预测误差,要考虑到预测灵敏度和预测精度是相互矛盾的,须采用折中的
值。
指数平滑法的分类
根据平滑次数不同,指数平滑法分为一次指数平滑法、二次指数平滑法和三次指数平滑法等。
一次指数平滑法
当时间数列无明显的趋势变化,可用一次指数平滑法预测。
其计算公式为:
式中为
期的预测值;
为
期的实际值;
为
期的预测值。
二次指数平滑法
二次指数平滑法是对一次指数平滑的再平滑,它适用于具线性趋势的时间数列。
其计算公式为:
预测未来T期的预测值公式为:
其中,
三次指数平滑法
二次指数平滑法是二次指数平滑基础上的再平滑。
其计算公式是:
预测未来T期的预测值公式为:
其中,
实例分析
表中是我国1978-2002年全社会客运量的资料,用二次指数平滑法进行预测。具体步骤如下:
年份 |
时间 |
全社会客运量 |
各期的一次指数平滑值 |
各期的二次指数平滑值 |
|
|
|
253993.0 | 253993.0 | ||||||
1978 | 1 | 253993 | 253993.0 | 253993.0 | 253993.0 | 0.0 | |
1979 | 2 | 289665 | 275396.2 | 266834.9 | 283957.5 | 12841.9 | 253993.0 |
1980 | 3 | 341785 | 315229.5 | 295871.7 | 334587.3 | 29036.7 | 296799.4 |
1981 | 4 | 384763 | 356949.6 | 332518.4 | 381380.8 | 36646.8 | 363624.0 |
1982 | 5 | 428964 | 400158.2 | 373102.3 | 427214.2 | 40583.9 | 418027.5 |
1983 | 6 | 470614 | 442431.7 | 414699.9 | 470163.4 | 41597.6 | 467798.1 |
1984 | 7 | 530217 | 495102.9 | 462941.7 | 527264.1 | 48241.8 | 511761.1 |
1985 | 8 | 620206 | 570164.8 | 527275.5 | 613054.0 | 64333.8 | 575505.8 |
1986 | 9 | 688212 | 640993.1 | 595506.1 | 686480.1 | 68230.5 | 677387.8 |
1987 | 10 | 746422 | 704250.4 | 660752.7 | 747748.2 | 65246.6 | 754710.7 |
1988 | 11 | 809592 | 767455.4 | 724774.3 | 810136.4 | 64021.6 | 812994.8 |
1989 | 12 | 791376 | 781807.8 | 758994.4 | 804621.1 | 34220.1 | 874158.1 |
1990 | 13 | 772682 | 776332.3 | 769397.1 | 783267.5 | 10402.8 | 838841.2 |
1991 | 14 | 806048 | 794161.7 | 784255.9 | 804067.6 | 14858.8 | 793670.2 |
1992 | 15 | 860855 | 834177.7 | 814209.0 | 854146.4 | 29953.1 | 818926.3 |
1993 | 16 | 996630 | 931651.5 | 884674.5 | 978628.5 | 70465.5 | 884099.5 |
1994 | 17 | 1092883 | 1028390.4 | 970904.0 | 1085876.8 | 86229.6 | 1049094.0 |
1995 | 18 | 1172596 | 1114913.8 | 1057309.9 | 1172517.6 | 86405.8 | 1172106.3 |
1996 | 19 | 1245356 | 1193179.1 | 1138831.4 | 1247526.8 | 81521.5 | 1258923.5 |
1997 | 20 | 1326094 | 1272928.0 | 1219289.4 | 1326566.7 | 80458.0 | 1329048.3 |
1998 | 21 | 1378717 | 1336401.4 | 1289556.6 | 1383246.2 | 70267.2 | 1407024.7 |
1999 | 22 | 1394413 | 1371208.4 | 1338547.7 | 1403869.1 | 48991.1 | 1453513.4 |
2000 | 23 | 1478573 | 1435627.1 | 1396795.4 | 1474458.9 | 58247.7 | 1452860.1 |
2001 | 24 | 1534122 | 1494724.1 | 1455552.6 | 1533895.5 | 58757.2 | 1532706.6 |
2002 | 25 | 1608150 | 1562779.6 | 1519888.8 | 1605670.4 | 64336.2 | 1592652.8 |
2003 | 26 | 1670006.7 | |||||
2004 | 27 | 1734342.9 |
第一步,计算一次指数平滑值。取,
,根据一次指数平滑公式
,可计算各期的一次指数平滑预测值:
1978年:
1979年:
第二步,计算二次指数平滑值。根据二次平滑公式和一次平滑预测值,可计算各期的二次指数平滑预测值:
1978年:
1979年:
第三步,计算参数变量值,
。根据公式
可计算各期的,
。
1979年:
第四步,求各期的预测值,根据公式
求各期的预测值。
2000年预测值:
进行外推预测则,
2003年预测值:
2004年预测值:
其它
根据算法原理进行编程,可输入时间序列,平滑次数和值等参数。根据实际数据,取若干各
值进行试算,比较结果准确率,确定参数。
初始值的确定,即第一期预测值的确定。一般原数列的项数较多(大于15项)时,可以选用第一期的预测值或第一期的前一期预测值作为初始值。如果原数列的项数较少(小于15项)时,可以选取最初几期(一般为前三期)的平均预测值作为初始值。指数平滑法的选用,一般可根据原数列散点图呈现的趋势来确定。如呈现直线趋势,选用二次指数平滑法,如呈现抛物线趋势,选用三次指数平滑法,或者,当时间序列的数据经二次指数平滑法处理后,仍有曲率时,应选用三次指数平滑法。
一段时间内收集到的数据所呈现的上升或下降趋势将导致指数预测滞后于实际需求。通过趋势调整,添加趋势修正值,可以在一定程度尚改进指数平滑法的预测结果。调整后的指数平滑法的公式为:包含趋势预测=新预测+趋势矫正
进行趋势调整的指数平滑法有3个步骤:
- 计算第
期的简单指数平滑预测
。
- 计算趋势,其计算公式为:
,其中,
是第
期经过平滑的趋势;
是第
期前一期经过平滑的趋势;
是选择的趋势平滑系数;
是第
期的简单指数平滑预测;
是第
期前一期的简单指数平滑预测。
- 计算趋势调整后的指数平滑预测值,其计算公式为:
时间序列分析预测法:指数平滑法相关推荐
- 时间序列分析之一次指数平滑法
指数平滑法最早是由C.C Holt于1958年提出的,后来经统计学家深入研究使得指数平滑法非常丰富,应用也相当广泛,一般有简单指数平滑法.Holt双参数线性指数平滑法.Winter线性和季节性指数平滑 ...
- 浅析时间序列分析之一次指数平滑法
指数平滑法最早是由C.C Holt于1958年提出的,后来经统计学家深入研究使得指数平滑法非常丰富,应用也相当广泛,一般有简单指数平滑法.Holt双参数线性指数平滑法.Winter线性和季节性指数平滑 ...
- 一文速学数模-时序预测模型(四)二次指数平滑法和三次指数平滑法详解+Python代码实现
目录 前言 二次指数平滑法(Holt's linear trend method) 1.定义 2.公式 二次指数平滑值: 二次指数平滑数学模型: 3.案例实现 三次指数平滑法(Holt-Winters ...
- 移动平均法 and 指数平滑法
感谢:https://blog.csdn.net/tz_zs/article/details/78341306 一.移动平均法(Moving average , MA) 移动平均法又称滑动平均法.滑动 ...
- 有手就行的移动平均法、指数平滑法的Excel操作,用来时间序列预测
数学建模比赛中的预测方法 前言 移动平均法 指数平滑 前言 大家好! φ(* ̄0 ̄) 2022年的比赛将在九月份进行,通常每个学校都会六月或七月给本校的学生发通知,并把那些对这个比赛感兴趣的同学进行培 ...
- 指数平滑法 Exponential Smoothing
指数平滑法 Exponential Smoothing 指数平滑法,用于中短期经济发展趋势预测. 1 时间序列分析基础知识 1.1 时间序列分析前提假设 时间序列分析一般假设我们获得的数据在时域上具有 ...
- 时间序列预测之一:指数平滑法(一)理论
目录 1. 基础知识 2. 简单滑动平均(rolling mean) 3. 指数平均(EXPMA) 3.1 一阶指数平滑 3.2 二次指数平滑 3.3 三次指数平滑预测 4. 二次指数平滑法实例分析 ...
- 时间序列分析之指数平滑法(holt-winters及代码)
在做时序预测时,一个显然的思路是:认为离着预测点越近的点,作用越大.比如我这个月体重100斤,去年某个月120斤,显然对于预测下个月体重而言,这个月的数据影响力更大些.假设随着时间变化权重以指数方式下 ...
- python时间序列指数平滑预测_时间序列分析预测实战之指数平滑法
一.什么是时间序列分析? 在工作中,常常要对数据进行预测,确定业务未来的发展趋势,进而配置相关的营销策略.制定业务目标,由此引申出了一个重要的用数据预测未来的方法--时间序列分析,今天和大家分享就是实 ...
最新文章
- ASP,VBScript常用的内置函数,lbound(),ubound(),int(),fix(),rnd(),instr(),instrrec(),,
- Linux系统云主机教程,新开的linux云主机磁盘挂载教程
- ajax 上传读取excel
- C/C++中的常量指针与指针常量
- mysql 表 类型_mysql表类型
- 强烈推荐:大神总结的超系统的前端提升路径
- SpringMVC 视图解析器及拦截器
- 05-Elasticsearch官网译文(1)
- 手动配置 iis php环境,iis上手动配置php
- 简单的MySql游标创建
- 300万像素导航机 喏羁押2268跌破1500
- 3个方法解决百度网盘限速 (2018-07-20)
- Mybatis中mysql blob类型乱码解决
- vgg16 清华镜像_Python models.vgg16方法代码示例
- 计算机里面为什么只剩c盘,电脑只剩下C盘了,怎么处理
- 众人皆阳我独阴,分享与小阳人共同生活一周体验!
- Elasticsearch 7.X-8.0 AggregationBuliders 相关聚合函数(一)计数指标-百分位数
- vue es6转es5 保证浏览器兼容性
- websocket实现多用户一对一实时聊天
- 关于进程杀不掉的问题:Waiting for process with pid xxxxx to finish