时间序列-指数平滑

时间序列的主要成分一般认为有：平稳，趋势，季节等和几者的累加、累积

一般的基础分析方法，首先就是做平滑，那么为什么要做平滑呢？说了也是白说，平滑不就是平均滑动吗，就是为了通过移动平均值来消除或者消弱序列中不规则变动，试图发现其中的规律。

这里先来说说指数平滑：

指数平滑法有几种不同形式：

一次指数平滑法针对没有趋势和季节性的序列，

二次指数平滑法针对有趋势但 没有季节性的序列。

三次指数平滑法也叫“Holt-Winters法”

关于其具体的公式，这里就不贴了，网上有很多很多。顺便说下，这里的一次，二次和多项式的一次二次可不同，它们考虑的因素不同而已。

通过公式可以发现，这几种方法都添加了特别的影响因子（暂时这么叫），αβγ之类的，很烦人的，哈哈，就是添加了一些额外的东东，在几个值上面做取舍，做加权；公式的内容和意义还是比较容易看出来的。不得不提到的是后面很多算法之类的东西，很喜欢加这个影响因子，惩罚因子之类的，这世界本来没有什么因子，说的人多了，就慢慢的有了（盗版别人的话，你懂的）。

在实际中，怎么选择这几个参数值呢？一般的办法就是反复试验。先试试0.2和0.4之间的几个值(非常粗略地)，然后看看结果是否符合要求。如果整个过程能够程序化，最好是使用循环，记录每次误差，选择最小的误差作为最佳的参数值。的确，很多拟合模型就是这么做的，叫做自适应模型拟合，通过最小化均方差。

R 里面的实现：

require(graphics)

## Seasonal Holt-Winters   co2是R自带的数据框 
(m <- HoltWinters(co2))     #m是得到的拟合模型
plot(m)
plot(fitted(m))       

p <- predict(m, 50, prediction.interval = TRUE)  ###使用结果进行预测

plot(m,p)

(m <- HoltWinters(AirPassengers, seasonal = "mult"))
plot(m)

## Non-Seasonal Holt-Winters 即我们所说的二次指数平滑
x <- uspop + rnorm(uspop, sd = 5)
m <- HoltWinters(x, gamma = FALSE)
plot(m)

## Exponential Smoothing  即我们所说的一次指数平滑
m2 <- HoltWinters(x, gamma = FALSE, beta = FALSE)
lines(fitted(m2)[,1], col = 3)

可以仔细研究下得到的结果和参数意义。