目录:
指数平滑
- 一次指数平滑法(Single Exponential Smoothing)
- 指数平滑系数(Smoothing Coeff)
最小二乘法求解线性回归
- 线性回归(Linear Regression)
- 最小二乘法(Least Square)
源码分析
- Trendline 滤波器参数
- LinearFitSlope 函数
- Update 函数
导读
上一篇介绍了包组时间差的相关概念与计算过程,在 ComputeDeltas
函数中,我们最终得到了包组的发送时间差 send_delta_ms
和到达时间差 arrival_delta_ms
。
本篇将介绍 WebRTC 的 Trendline
滤波器如何根据计算出来的发送时间差与到达时间差去评估最终的延迟梯度的趋势值,在此之前,需要了解指数平滑与线性回归的相关概念。
指数平滑
一次指数平滑法(Single Exponential Smoothing)
指数平滑法(Exponential Smoothing) 是在移动平均法基础上发展起来的一种时间序列分析预测法,它是通过计算指数平滑值,配合一定的时间序列预测模型对现象的未来进行预测。其原理是任一期的指数平滑值都是本期实际观察值与前一期指数平滑值的加权平均,因此也是一种特殊的加权平均法。一次指数平滑法预测 公式如下:
- 为 t+1 时刻的一次指数平滑趋势预测值
- 为 t 时刻的一次指数平滑趋势预测值
- 为 t 时刻的实际观察值
- 为权重系数,也称为指数平滑系数
再来看百度百科对指数平滑法^[1]^ 的一段描述:
简单的全期平均法是对时间数列的过去数据一个不漏地全部加以同等利用;移动平均法则不考虑较远期的数据,并在加权移动平均法中给予近期数据更大的权重;而指数平滑法则兼容了全期平均和移动平均所长,不舍弃过去的数据,但是仅给予逐渐减弱的影响程度,即随着数据的远离,赋予逐渐收敛为零的权数。
同理,可以将 的表示代入公式 (3),最后得到的通用公式