Skip to content

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 yt 为本期实测值,ℓt 为吸收本期信息后的水平,α 介于 0 和 1 之间。简单指数平滑可写成

ℓt=αyt+(1−α)ℓt−1,y^t+h∣t=ℓt(h≥1).

逐次展开后,越早的观测多乘几次 (1−α)。α 大则更快响应新值,也更容易受一次异常影响。初始化可用第一期实测值做手算,实际拟合可在训练样本内估计初值和参数。预测公式给的是未来水平,画图时应把更新后的 ℓt 用作 t+1 的预测。指数平滑的递推与初始化

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 20,26,28,取 α=0.5,设 ℓ1=20。第二期更新后 ℓ2=0.5×26+0.5×20=23。用它预测第三期,误差为 28−23=5 单。第三期更新成 ℓ3=0.5×28+0.5×23=25.5,故第四及第五期的点预测都为 25.5 单。上期值基线为 28 单。是否值得平滑,要在更多窗口用实际值比较,三期连续上升也可能提示趋势。

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 ℓt 和同一时点已吸收进去的 yt 比,会低估真实预测误差。临时调整 α 让单个转折恰好合上,可能使其他时段更差。季节项缺少足够完整周期时估计不稳,起步先用季节朴素基线。对于零值或负值,检查乘法模型和相对误差指标的定义是否仍有效。

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 α∈{0.2,0.5,0.8},锁定表现最好的参数后用第 13–16 期评分。对每个即将发生的目标期,先保存上期水平作为预测。等看到本期实测后才更新水平,供下一期使用。这是滚动一步预测,预测时允许使用已经到达的上一期实测。

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 α=0.8。在测试窗口,它的 MAE 约 1.770 单,上期值基线为 2.000 单。四个目标期的差距只反映这组模拟数据。正式使用时应跨多个时间窗口比较,并看相对基线的改善是否一致。

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 10−10。

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
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))
下载当前源码

下载 Python 源码 · 下载 MATLAB 源码

练习 把 α=1 加入候选,先写下它对第 9–12 期的预测与验证 MAE,再运行程序检查。想一想为什么要先填充预测数组,再利用实际值更新水平。

展开参考解答

α=1 时 ℓt=yt,第 9–12 期预测是前一期观察值 22、21、26、25,与 21、26、25、24 比较,绝对误差 1、5、1、1,验证 MAE 为 2 单。它和上期值基线始终一样。若先更新再用 ℓt 给第 t 期评分,实际值 yt 已被提前用于预测。当 α=1 时甚至会出现每期误差均为零的错误结论。

关联文章 ​

MathModel FAQ · 数学建模知识库