R - 时间序列数据的预测——指数平滑法（一次、二次、三次）详解附代码与公式

指数平滑法简介

---

指数平滑法（Exponential Smoothing）是一种时间序列分析方法，用于处理时间序列数据的平滑和预测。

它的核心思想是基于过去的观测值来预测未来的值，同时对过去的数据赋予不同的权重，最近的观测值被赋予更大的权重，从而捕捉到时间序列的趋势和季节性模式。

指数平滑法的参数有3个——alpha、beta、gamma，分别对应数据、趋势、季节性。注意：参数值可以手动设定，参数值越大则模型越看重近期数据。若不设定参数，则软件会根据最大似然法计算得出参数值。

一次指数平滑法不考虑趋势与季节性，因此参数仅有alpha。

二次指数平滑法在一次的基础上进一步考虑了趋势，因此参数为alpha和beta。

三次指数平滑法在二次的基础上进一步考虑了季节性，因此参数为alpha、beta、gamma。此处需要注意的是季节性可以是加性（additive）或者乘性（multiplicative）的，这部分后续会详细解释。

一次指数平滑法（Simple Exponential Smoothing）

这是最简单的指数平滑方法，适用于没有趋势和季节性的时间序列。它使用单一平滑参数 alpha，将过去观测值的加权平均用于预测未来值。

---

模型公式

其中lt代表时间t时，数据的平滑值，yˆt+h为t+h时间的预测值。

即，一次指数平滑法的预测值始终等于t时刻的平滑值。

R代码实现

# 读取文件
fc = read.table('AirPassengers.csv',sep=",",header=1)

# 把数据转化为时间序列格式
fc_ts = ts(fc$X,frequency=12,start=1949)

# 导入forecast库
library(forecast)

# 拟合并预测未来20个样本点及其置信区间（默认为80% - 95%）
pred = ses(fc_ts,h=20)

# 绘制
autoplot(pred)+autolayer(fitted(pred),series="Fitted")

# 查看模型参数
> pred$model
Simple exponential smoothing 

Call:
 ses(y = fc_ts, h = 20) 

  Smoothing parameters:
    alpha = 0.9999 

  Initial states:
    l = 111.9892 

  sigma:  33.8299

     AIC     AICc      BIC 
1733.787 1733.958 1742.696 

二次指数平滑法 —— 霍尔特线性指数平滑法（Holt's Exponential Smoothing）

适用于具有趋势但没有季节性的时间序列。它引入了两个平滑参数，alpha 和 beta，用于平滑观测值和趋势。

---

模型公式

其中lt代表时间t时，数据的平滑值，yˆt+h为t+h时间的预测值。

相比一次指数平滑法，这里进一步考虑了过往数据的趋势，并引入beta参数进行拟合。

第一个公式中，lt及bt均为常数，h代表预测的步数（h=1,2,3...），因此得出结论：二次指数平滑法的预测值为一元一次线性函数。

R代码实现

# 拟合并预测
pred = holt(fc$X,h=20)

# 绘制
autoplot(pred)+autolayer(fitted(pred),series="Fitted")

# 查看模型参数与结果
> pred$model
Holt's method 

Call:
 holt(y = fc$X, h = 20) 

  Smoothing parameters:
    alpha = 0.9999 
    beta  = 1e-04 

  Initial states:
    l = 119.7517 
    b = 1.5963 

  sigma:  34.0125

     AIC     AICc      BIC 
1737.295 1737.729 1752.144 

三次指数平滑法——霍尔特-温特斯季节性指数平滑法（Holt-Winters Exponential Smoothing）

适用于具有趋势和季节性的时间序列。它引入了三个平滑参数，alpha、beta 和 gamma，用于平滑观测值、趋势和季节性成分。

模型所考虑的季节性因素可以为加性（additive），也可以为乘性（multiplicative）。这两者之间的主要区别是季节性对整个时间序列的影响方式不同。

1. 加性季节性：这是一种模型，其中季节性效应被视为与时间序列的整体趋势和大小无关的部分。换句话说，季节性波动是一种在时间序列上的额外的、相对固定的波动。例如，如果你在夏季卖出的冰淇淋数量通常是每月总销售量的固定增量，那么你可能会使用加性季节性。

           举例：总销售 = 基本销售 + 季节性增量（夏季增加的销售）

2. 乘性季节性：这是一种模型，其中季节性效应被视为与时间序列的整体趋势和大小相关的部分。季节性波动与总体趋势成比例变化。例如，如果总销售量逐渐增加，那么季节性波动也会相应增加。

           举例：总销售 = 基本销售 * 季节性比率（夏季销售与总销售的比率）

选择加性还是乘性季节性通常取决于你的数据和季节性模式的性质。如果季节性波动与总体趋势无关，那么加性季节性可能更适合。如果季节性波动与总体趋势相关，那么乘性季节性可能更适合。

---

模型公式 - 加性

st即季节性因素。

R代码实现 

# 拟合模型并预测
pred = hw(ts(fc$X,frequency=12,start=1949),frequency=12,h=20,seasonal=c("additive"))

# 绘制
autoplot(pred)+autolayer(fitted(pred),series="Fitted")

> pred$model
Holt-Winters' additive method 

Call:
 hw(y = ts(fc$X, frequency = 12, start = 1949), h = 20, frequency = 12) 

  Smoothing parameters:
    alpha = 0.9935 
    beta  = 2e-04 
    gamma = 6e-04 

  Initial states:
    l = 120.9608 
    b = 1.3934 
    s = -29.1816 -54.3842 -20.7169 15.0727 65.1554 66.1846
           33.5822 -4.232 -8.0946 -3.8205 -34.3364 -25.2288

  sigma:  18.0471

     AIC     AICc      BIC 
1565.872 1570.729 1616.359

模型公式 - 乘性

R代码实现 

# 拟合并预测（设定参数seasonal=c("multiplicative")）
pred = hw(ts(fc$X,frequency=12,start=1949),frequency=12,h=20,seasonal=c("multiplicative"))

# 绘制
autoplot(pred)+autolayer(fitted(pred),series="Fitted")

# 查看模型结果
> pred$model
Holt-Winters' multiplicative method 

Call:
 hw(y = ts(fc$X, frequency = 12, start = 1949), h = 20, seasonal = c("multiplicative"),  

 Call:
     frequency = 12) 

  Smoothing parameters:
    alpha = 0.3146 
    beta  = 0.0071 
    gamma = 0.5977 

  Initial states:
    l = 120.3796 
    b = 1.7757 
    s = 0.9298 0.7946 0.9024 1.0451 1.1338 1.1388
           1.0529 0.9638 1.0349 1.0807 0.9854 0.9378

  sigma:  0.0407

     AIC     AICc      BIC 
1405.654 1410.511 1456.141 

如何选择预测能力最准确的模型？

如何从上述4个模型中挑选出一个最适合当前数据的模型呢？

我们拟合模型的目的是预测时间序列数据，因此我们应该评估模型的预测能力。

一种可行的方法是：把一部分数据拿出来拟合模型，并得到一系列预测值，再把这些预测值与刚刚没有用于拟合模型的数据（真实值）做比较，测试其误差水平。这两个数据集也分别被称为训练集与验证集。

最后选择误差水平最低的一个模型即可。

---

选择训练集与验证集

# 选取训练集
train = 1:120
training = fc$X[train] 
# 选取训练集以外的作为交叉验证集
test = fc$X[-train] 

误差水平——RMSE最小均方根

library(Metrics)

# 检验ses模型
ses_pred_test = ses(training,h=length(test))
rmse_1 = rmse(test,ses_pred_test$mean)

# 检验holt模型
holt_pred_test = holt(training,h=length(test))
rmse_2 = rmse(test,holt_pred_test$mean)

# 检验hw模型 加法
hw_add_pred_test = hw(ts(training,frequency=12),h=length(test),seasonal=c("additive"))
rmse_3 = rmse(test,hw_add_pred_test$mean)

# 检验hw模型 乘法
hw_mul_pred_test = hw(ts(training,frequency=12),h=length(test),seasonal=c("multiplicative"))
rmse_4 = rmse(test,hw_mul_pred_test$mean)

RMSE = c(rmse_1,rmse_2,rmse_3,rmse_4)

print("模型与均方根误差:")
data.frame(Methods,RMSE)
[1] "模型与均方根误差:"
  Methods      RMSE
1     SES 137.33125
2    HOLT 117.11250
3  HW_ADD  91.22328
4  HW_MUL  37.18140

显然，乘性三次指数平滑法具有最小误差水平，表明其预测能力在4个模型中最佳。