时间序列 R 08 指数平滑 Exponential smoothing

最新推荐文章于 2025-04-27 12:55:37 发布

bea_tree

最新推荐文章于 2025-04-27 12:55:37 发布

阅读量1.9w

点赞数 5

分类专栏：时间序列学习笔记

本文链接：https://blog.csdn.net/bea_tree/article/details/51223497

版权

1.1 简单指数平滑

“simple exponential smoothing” (SES)
SES适用于不计趋势与季节性的时间序列
我们在可以使用平均值模型和naive模型来做粗略的预测（点击查看），他们懂预测方法分别是
- 使用最后一个值（naive模型）
- 使用前面值的平均数（平均值）
这里的简单指数平滑是用的前面几个值的加权平均数，越靠近最后的权重越大，后面的权重指数下降
SES的公式如下

y^T + 1 | T = α y T + α (1 - α) y T - 1 + α (1 - α) 2 y T - 2 + \dots

$\hat{y}_{T+1|T} = \alpha y_T + \alpha(1-\alpha) y_{T-1} + \alpha(1-\alpha)^2 y_{T-2}+ \cdots$

α $\alpha$ 就是平滑指数，值越大越忽略距离远的数值。
还可以写成以下形式：、

y^t + 1 | t = α y t + (1 - α) y^t | t - 1

$\hat{y}_{t+1|t} = \alpha y_t + (1-\alpha) \hat{y}_{t|t-1}$
其中第一个的值的计算公式如下：

y^2 | 1 = α y 1 + (1 - α) ℓ 0

$\hat{y}_{2|1} = \alpha y_1 + (1-\alpha)\ell_0$
我们可以发现这样的问题：其中的

ℓ0 $\ell_0$ 与

α $\alpha$ 的值怎么选取最好？
通常的简单做法直接把

ℓ0 $\ell_0$ 设置为y0。
这里我们可以借鉴最小二乘法的方法，通过求解SSE（sum of the squared errors）求最佳参数。
下图显示了不同参数时的SSE值，其中最后一个是通过求解SSE最小值得到的
这里写图片描述

由此可以看出简单指数平滑初步的可以选择了拟合较好的值来预测，比起最初的简单模型要更加合理

1.2 霍尔特线性趋势预测 Holt’s linear trend method

前面的简单指数平滑只能预测一个相同的值，不能有趋势，可以进行一定的线性预测，Holt将其进行了改进，加入了二次平滑，其公式如下：

Forecast equation Level equation Trend equation y t + h | t ℓ t b t = ℓ t + h b t = α y t + (1 - α) (ℓ t - 1 + b t - 1) = β * (ℓ t - ℓ t - 1) + (1 - β *) b t - 1

$\begin{align*} \text{Forecast equation}&& {y}_{{t+h}|{t} }&= \ell_{t} + hb_{t} \\ \text{Level equation}&& \ell_{t} &= \alpha y_{t} + (1 - \alpha)(\ell_{t-1} + b_{t-1})\\ \text{Trend equation}&& b_{t} &= \beta^*(\ell_{t} - \ell_{t-1}) + (1 -\beta^*)b_{t-1} \end{align*}$
其中b是斜率，其中包含的迭代公式就是第二次平滑。
同样其参数的确定可以根据SSE来计算
sse公式