主题
指数平滑预测
方法速览
- 主要用途 用逐期更新的水平、趋势或季节状态做近期预测。
- 必要输入 等间隔历史序列、预测步长,以及季节模型所需的周期长度。
- 适用条件 序列的水平、趋势或季节模式可延续,且模型变体与这些模式吻合。
- 典型不适用情况 未来冲击主要由外部事件造成,或缺少估计季节项所需的完整周期。
- 最低限度的验证方式 按时间滚动预测,与上期值或同期值基线比较各步长误差。
指数平滑想预测什么
当数据按固定频率更新,需要重复产生近期预测时,指数平滑能用少量状态概括最新水平。简单指数平滑适合围绕水平缓慢变化、没有可持续趋势或稳定季节规律的序列。输入主要是自身历史。若已知下周会有促销、停产或假日调班,单靠历史递推难以预先反映这些变化,需要使用当时已知的外部信息或另作情景预测。
为什么旧数据的权重逐渐变小
设
逐次展开后,越早的观测多乘几次
用一笔新订单量更新预测的假设算例
假设三期订单量依次为
如何选择相近方案
滑动平均给窗口内观测相同权重,指数平滑让旧资料逐步淡出。存在稳定增长时,先试 Holt 线性趋势,远期不宜一直沿当前斜率外推时可试阻尼趋势。有固定季节时可试 Holt–Winters,波动幅度大致固定时比较加法季节项,正值序列的波动规模随水平而变时考虑乘法。若差分后仍有可利用的滞后相关,也可并行比较小阶 ARIMA。
初次验证的操作顺序
画出按实际频率排列的曲线,先确认同季节位置是否会重复,并从同期值或上期值取得基线。按预测目标设窗口,例如业务需要七步预测,就在滚动起点分别报告第 1 到 7 步的误差。发现长一点的步长反复低估时,检查是否遗漏趋势。预测区间要有可解释的统计假设或来自样本外误差,另核对其覆盖率。
如何避开常见错误
用
还要区分确实没有订单和没有收到数据。把缺测填成零会让水平被人为拉低,且这个影响会被带入后续几期。回测前先确认日期对齐和缺失值含义。
双语言实验:参数选择遵循时间顺序
假设有 16 期等间距模拟订单。用第 1–8 期初始化并逐期更新状态,第 9–12 期比较
左图画观测值和各参数的一步预测。看第 10 期订单突然升到 26 时,各条预测曲线在第 11 期分别移动多少。右图画验证窗口的一步 MAE。三种参数的验证 MAE 约为 2.236、1.805、1.756 单,因此选
Python 运行前安装 python -m pip install numpy matplotlib,然后在下载目录运行 python mmf_exponential_smoothing.py。它用 slice(8,12) 选第 9–12 期,因为下标从 0 开始且右端不包含。MATLAB 版面向 R2020a 及以后版本,使用基础 MATLAB,无额外工具箱。把文件放入当前文件夹后运行 result = mmf_exponential_smoothing(),对应区间写成 9:12。GNU Octave 兼容性未验证。两套程序按相同顺序递推,可以对照 selected_alpha、test_prediction 和 test_mae,数值误差应小于
跟踪一次指数平滑的状态递推,权重 0.5。平滑水平依次为 10、12、12、15,所以下一期预测为 15。
最简版依赖 Python:无第三方依赖。MATLAB:基础功能,无需额外工具箱。
在源码所在目录运行 python mmf_min_exponential_smoothing.py
py
下载当前源码import json
observed = [10, 14, 12, 18]
alpha = 0.5
levels = [observed[0]]
for value in observed[1:]:
# 新观测与前一平滑水平线性组合;α 越大,当前观测的影响越大。
levels.append(alpha * value + (1 - alpha) * levels[-1])
assert levels == [10, 12, 12, 15]
result = {"levels": levels, "forecast": levels[-1]}
print("LAB_RESULT " + json.dumps(result, ensure_ascii=False))练习 把