指数平滑

概述

指数平滑是一种时间序列预测方法，通过对历史数据赋予指数衰减的权重来进行预测，特别适用于计算资源有限但需要实时更新预测的场景。

关键内容

1. 核心思想：
2. 新预测 = α × 最新观测值 + (1-α) × 上次预测值
3. 权重按指数速度衰减，近期数据比远期数据更重要

4. 只需存储上次预测值即可隐含所有历史信息

5. 发展层次：

6. 简单指数平滑（Brown, 1956）：适用于无趋势、无季节性的平稳数据
7. Holt双参数指数平滑（Holt, 1957）：增加趋势分量，适用于有趋势数据

8. Holt-Winters三参数指数平滑（Winters, 1960）：增加季节性分量，适用于完整的时间序列

9. 优势特点：

10. 计算简单：只需一次加法和两次乘法
11. 存储极少：仅需保存上一次的预测值
12. 实时更新：每来一个新数据点即可更新预测
13. 在预测竞赛中表现优异，经常击败复杂机器学习模型

来源

• 03-holt-1957-exponential-smoothing — 核心概念介绍
• Holt-Winters方法 — 方法扩展
• Holt双参数指数平滑 — 相关概念

相关

• Holt-Winters方法 — extends
• 简单指数平滑 — part_of
• Holt双参数指数平滑 — part_of
• ARIMA — compares_to
• ETS框架 — extends
• Charles C. Holt — relates_to
• Robert G. Brown — relates_to
• Rob J. Hyndman — relates_to