R语言时间序列学习+代码记录6：一次、二次、三次指数平滑（Holt、Holt-Winters exponential smoothing，ES）

hehehehe没名字可取啊

已于 2024-11-06 19:06:57 修改

阅读量1.3k

点赞数 32

分类专栏： R语言时间序列学习+代码记录文章标签：学习 r语言算法时序数据库

于 2024-11-06 18:01:00 首次发布

本文链接：https://blog.csdn.net/lxyhehehehe/article/details/143547491

版权

R语言时间序列学习+代码记录专栏收录该内容

6 篇文章

订阅专栏

一、背景和原理

指数平滑（Exponential Smoothing）是一种时间序列预测方法，广泛用于需求预测、销售预测和库存控制等领域。它通过给数据中的不同时间点赋予不同的权重，近期的数据被赋予更高的权重，从而使预测能更快地适应最新的数据趋势。即不舍弃过去的数据，但基于逐渐减弱并收敛为零的权重，从而以本期观察值和前一期指数平滑值加权平均数作为预测。

1.一次指数平滑（simple exponential smoothing）

适用于没有显著趋势和季节性变化的时间序列。

（1）原理公式

$S_t = \alpha Y_t + (1 - \alpha) S_{t-1}$

其中：
         $S_t$ ：时刻 t 的平滑值（预测值），
         $Y_t$ ：时刻 t 的实际观察值，
         $S_{t-1}$ ：时刻 t-1 的平滑值，
         $\alpha$ ：平滑系数，取值在 0 和 1 之间。

平滑系数 $\alpha$ 控制着预测的“灵敏度”。如果 $\alpha$ 值较大（接近 1），则更倾向于重视最新的数据，适用于快速变化的数据；如果 $\alpha$ 值较小（接近 0），则更重视历史数据，适用于较为平稳的数据。
一次指数平滑的预测只考虑了当前和过去的观测值，且没有考虑趋势或季节性。

2.二次指数平滑（Holt exponential smoothing）

适用于处理包含趋势但不包含季节性变化的时间序列。一次指数平滑仅适合于平稳的时间序列（没有明显趋势或季节性变化的情况），而二次指数平滑则能够在平滑原始数据的基础上，增加一个趋势项来捕捉数据的上升或下降趋势，能够更好地适应具有线性趋势的时间序列。

应用场景：

销售数据：预测未来的销量变化，适用于趋势较为稳定的产品销售。
需求预测：在生产计划中用于预测未来一段时间的需求量。
财务数据：分析和预测具有趋势性但无显著季节性的财务数据，如收入或支出。

（1）原理公式

加性模型：加性模型假设数据可以通过叠加多个成分（例如，水平、趋势和季节性）来表示。Holt’s 方法适用于无季节性，但有趋势的加性模型。

①水平平滑公式：对时间序列的水平值进行平滑

$S_t = \alpha Y_t + (1 - \alpha)(S_{t-1} + T_{t-1})$

其中：
         $S_t$ ：时刻 t 的平滑水平值（对数据本身的平滑），
         $Y_t$ ：时刻 t 的实际值，
         $S_{t-1}$ ：时刻 t-1 的平滑水平值，
         $T_{t-1}$ ：时刻 t-1 的平滑趋势项（对数据趋势的平滑），
         $\alpha$ ：平滑系数，控制对实际观测值的敏感度，取值范围为 0 到 1

②趋势平滑公式——对时间序列中的趋势进行平滑

$T_t = \beta (S_t - S_{t-1}) + (1 - \beta) T_{t-1}$

其中：
         $T_t$ ：时刻 $ t $ 的趋势项，
         $S_t - S_{t-1}$ ：水平值的变化量（即趋势的变化），
         $\beta$ ：趋势平滑系数，控制对趋势变化的敏感度，取值范围也是 0 到 1

平滑系数含义：

平滑系数 $\alpha$ ：控制对原始观测数据的敏感度。较高的 $\alpha$ 值意味着更重视最新观测值，更适用于变化较快的序列；较低的 $\alpha$ 值意味着更重视历史水平值，适用于较为平稳的数据。
趋势平滑系数 $\beta$ ：控制对趋势项的敏感度。较高的 $\beta$ 值表示对趋势的快速更新（趋势项变化较快）；较低的 $\beta$ 值则表示对趋势的更新较慢，更平滑。

（2）预测公式

通过水平项和趋势项的结合，可以得到未来时刻的预测值：

$\hat{Y}_{t+h} = S_t + h T_t$

其中：
$\hat{Y}_{t+h}$ ：时刻 t+h 的预测值，
h：预测步长（即向未来预测的步数）

（3）建模步骤

1.初始化：确定初始的平滑水平值 $S_t$ 和趋势项 $T_t$ 。

$S_t$ 通常可以取为第一期的观测值 $Y_1$ 。

$T_t$ 可以取为前两期观测值之差，即 $T_1 = Y_2 - Y_1$ ，粗略估计趋势的初始值。

2.计算平滑水平值 $S_t$ 和趋势项 $T_t$ ：通过公式逐期平滑每个时间点的数据。
3.预测未来值：通过最后一个时间点的平滑水平值 $S_t$ 和趋势项 $T_t$ 进行预测。

3.三次指数平滑（Holt-Winters exponential smoothing）

适用于具有趋势和季节性模式的时间序列。三次指数平滑在二次指数平滑的基础上，加入了一个季节项，从而能够更好地捕捉和预测含有季节性变化的数据。核心思想是对时间序列的三个要素进行平滑：

水平值：数据的整体水平。
趋势：数据随时间的上升或下降趋势。
季节性：数据的周期性波动。

应用场景：

零售销售预测：许多产品的销量呈现季节性波动（如节假日销售高峰）并随时间逐渐增长。
库存管理：季节性产品的需求预测，如冬季衣物、夏季饮料等，库存管理需要根据预测需求调整。
能源需求预测：电力、燃气等能源消耗通常会根据季节和时间逐渐增加。
流量预测：网站访问量、电信流量等数据会随时间和季节波动。

常用的三次指数平滑模型包括加法模型和乘法模型，分别适用于季节性幅度固定或随时间增大的数据。假设：

$Y_t$ ：时间 t 时的实际观测值
$S_t$ ：时间 t 时的平滑水平值
$T_t$ ：时间 t 时的趋势项
$C_t$ ：时间 t 时的季节项，周期为 L

（1）加法模型

适用于季节性影响与时间序列水平值独立的情况，即季节性波动幅度固定不变。例如，冬季销量每年都会增加 100 个单位。

①水平项更新公式：

$S_t = \alpha (Y_t - C_{t-L}) + (1 - \alpha)(S_{t-1} + T_{t-1})$

②趋势项更新公式：

$T_t = \beta (S_t - S_{t-1}) + (1 - \beta) T_{t-1}$

③季节项更新公式：

$C_t = \gamma (Y_t - S_t) + (1 - \gamma) C_{t-L}$

预测公式：

$\hat{Y}_{t+h} = S_t + h T_t + C_{t-L+h \bmod L}$

（2）乘法模型

适用于季节性影响与时间序列水平值成比例的情况，即季节性波动幅度随着数据水平的变化而变化。例如，某产品销量在冬季增长 20%，而不是固定增加某个数量。

①水平项更新公式：

$S_t = \alpha \frac{Y_t}{C_{t-L}} + (1 - \alpha)(S_{t-1} + T_{t-1})$

②趋势项更新公式：

$T_t = \beta (S_t - S_{t-1}) + (1 - \beta) T_{t-1}$

③季节项更新公式：

$C_t = \gamma \frac{Y_t}{S_t} + (1 - \gamma) C_{t-L}$

预测公式：

$\hat{Y}_{t+h} = (S_t + h T_t) \times C_{t-L+h \bmod L}$

其中：
         $\alpha$ ：水平项的平滑系数，控制对最新观测值的敏感度。
         $\beta$ ：趋势项的平滑系数，控制对趋势变化的敏感度。
         $\gamma$ ：季节项的平滑系数，控制对季节性变化的敏感度。
        h：是预测的步长（即向未来预测的步数）。
         $C_{t-L}$ ：在季节周期 $ L $ 前的季节性因素，用于周期性的循环。

（3）建模步骤

1.初始化：确定初始的水平值 $S_1$ 、趋势项 $T_1$ 和季节项 $C_t$ 。

          $S_1$ 可以取为第一个周期的数据平均值。
          $T_1$ 可以取为前两个周期的平均差。
           $C_t$ 可以通过对第一个周期内的各时间点的差异进行平均来初始化。

2.平滑计算：使用公式逐期更新每个时间点的水平项、趋势项和季节项。
3.预测未来值：在计算出最新的水平项、趋势项和季节项后，利用预测公式计算未来的值。

4.背景与数据

（1）问题背景

① 用于一次指数平滑【cod】：Bay City Seafood 公司拥有捕捞船队和鱼类加工厂。为了预测未来鳕鱼销售的最低和最高收入，公司希望通过对未来几个月的鳕鱼捕捞量进行点预测和区间预测。公司已记录了过去两年的月度捕捞量数据（月度数据）。

② 用于二次指数平滑【thermostat】：每周的恒温器销售数据（周度数据）。

③ 用于三次指数平滑【bike】：瑞士一家自行车商店在过去四年的季度山地车销售量（季度数据）。

（2）数据与基础设置：

数据示例（前十行）：

cod	thermostat	bike
362	206	0
381	245	31
317	185	43
297	169	16
399	162	11
402	177	33
375	207	45
349	216	17
386	193	13

【cod】绘制过去两年的月度捕捞量时间序列图

plot.ts(cod)
abline(h=mean(cod),col='red')
# 添加一条红色的水平线，表示捕捞量的平均值

从图形可以观察到，数据在一个相对恒定的平均水平附近波动。
公司主观上认为这种波动模式会继续存在，因此可以使用简单的回归模型进行预测，即：

$y = T + e = b_0 + e$

其中，y 表示捕捞量，T 是平均水平，e 是随机误差项。模型假设数据围绕一个恒定水平波动。

【thermostat】绘制时间序列图，显示恒温器销售量的变化趋势

后期的几周内销售量出现了上升趋势，而且销售量的增长率在 52 周的时间内有所变化。
没有明显的季节性模式，因此适合使用 Holt's 趋势修正指数平滑法 来预测未来的销售量。

【bike】绘制时间序列图，显示山地车销售量随时间的变化

数据表现出一种线性需求增长趋势和固定的季节性变化。季节性变化的特点是每年销售量有规律地波动。
模式适合使用加性 Holt-Winters 方法进行预测，以找到未来山地车销售量的预测值。

二、一次指数平滑法预测

1.Holt-Winters（）函数建模

codfit <- HoltWinters(cod, beta=FALSE, gamma=FALSE)
# beta=FALSE 和 gamma=FALSE 表示禁用趋势和季节性成分，仅使用简单的指数平滑方法。
codfit
plot(codfit)

Holt-Winters exponential smoothing without trend and without seasonal component.
HoltWinters(x = cod, beta = FALSE, gamma = FALSE)
Smoothing parameters:
 alpha: 0.04627398
 beta : FALSE
 gamma: FALSE
Coefficients:
      [,1]
a 353.4506

结果显示：平滑常数的值为 0.046，数据的水平成分变化不大，即捕捞量没有明显的变化趋势。

2.使用模型预测

codforecast <- forecast(codfit,h=8,level=95)
# 预测未来8个月的数据，预测区间的置信水平为 95%
codforecast
plot(codforecast)
lines(fitted(codfit)[,1], col = "red")
# 已拟合的值绘制为红色线条

3.检查残差自相关性

如果预测误差之间没有相关性（即 ACF 图中的相关性接近零），说明误差是随机的，模型已经足够好，无法通过其他模型显著改进。如果存在显著的自相关性，则说明可以尝试其他预测方法来改进模型。

par(mfrow=c(2,1), mar=c(3,5,3,3)) 
acf(codforecast$residuals, na.action = na.pass)
pacf(codforecast$residuals, na.action = na.pass)

三、二次指数平滑法预测

1.Holt-Winters（）函数建模

thermfit <- HoltWinters(therm, gamma=FALSE)
# gamma=FALSE：表示不使用季节性成分，适合无季节性但有趋势的数据
thermfit
plot(thermfit)

Holt-Winters exponential smoothing with trend and without seasonal component.
HoltWinters(x = therm, gamma = FALSE)

Smoothing parameters:
 alpha: 0.6856771
 beta : 0.1943463
 gamma: FALSE

Coefficients:
        [,1]
a 327.175169
b   7.542246

图像显示，样本内的预测值与观测值吻合得较好，虽然在某些数据点上会有轻微的滞后。这种滞后现象是指数平滑模型常见的问题，特别是在数据的趋势发生快速变化时，模型的更新速度可能稍慢，导致预测值略微滞后于实际数据。

2.使用模型预测

thermforecast <- forecast(thermfit, h=10,level=95)
# 预测未来10周数据
thermforecast
plot(thermforecast)
lines(fitted(thermfit)[,1], col = "red")

未来 10 周的预测值展示了销售量的上升趋势，并95% 置信区间提供了未来销售量的可能波动范围，红色线条表示历史数据的拟合值。

3.检查残差自相关性

par(mfrow=c(2,1), mar=c(3,5,3,3)) 
acf(thermforecast$residuals, na.action = na.pass)
pacf(thermforecast$residuals, na.action = na.pass)

没有证据表明预测残差有非零的自相关性，即残差看起来是随机的，因此当前的预测模型（Holt’s 指数平滑法）已经足够好，不需要进一步改进。

四、三次指数平滑法预测

1.Holt-Winters（）函数建模

bikefit <- HoltWinters(bike)
# 没有指定 gamma=FALSE，默认情况下 HoltWinters() 会自动检测并应用季节性成分，即使用全参数（包括水平、趋势和季节性）
bikefit
plot(bikefit)

Holt-Winters exponential smoothing with trend and additive seasonal component.
HoltWinters(x = bike)

Smoothing parameters:
 alpha: 0.05191289
 beta : 1
 gamma: 0.901122

Coefficients:
          [,1]
a   31.1613613
b    0.5961108
s1 -14.3780066
s2   6.9750344
s3  20.3494562
s4 -10.1304749

图像显示，样本内的预测值与观测值基本一致，尽管某些点上会有些微的滞后。这种滞后现象在指数平滑法中较常见，因为平滑方法的更新速度可能会略慢于数据的实际波动。

2.使用模型预测

bikeforecast <- forecast(bikefit, h=32, level=95)
# 预测未来32个季度的数据
bikeforecast
plot(bikeforecast)
lines(fitted(bikefit)[,1], col = "red")

图像显示，未来几个季度的预测值展示了销售量的趋势和季节性波动，红色线条表示历史数据的拟合值。

3.检查残差自相关性

par(mfrow=c(2,1), mar=c(3,5,3,3)) 
acf(bikeforecast$residuals, na.action = na.pass)
pacf(bikeforecast$residuals, na.action = na.pass)

没有证据表明预测残差有非零的自相关性，即残差看起来是随机的，因此当前的预测模型已足够好。

R语言时间序列学习+代码记录6：一次、二次、三次指数平滑（Holt、Holt-Winters exponential smoothing，ES）

一、背景和原理

1.一次指数平滑（simple exponential smoothing）

（1）原理公式

2.二次指数平滑（Holt exponential smoothing）

（1）原理公式

①水平平滑公式：对时间序列的水平值进行平滑

②趋势平滑公式——对时间序列中的趋势进行平滑

平滑系数含义：

（2）预测公式

（3）建模步骤

3.三次指数平滑（Holt-Winters exponential smoothing）

（1）加法模型

①水平项更新公式：

②趋势项更新公式：

③季节项更新公式：

预测公式：

（2）乘法模型

①水平项更新公式：

②趋势项更新公式：

③季节项更新公式：

预测公式：

（3）建模步骤

4.背景与数据

（1）问题背景

（2）数据与基础设置：

二、一次指数平滑法预测

1.Holt-Winters（）函数建模

2.使用模型预测

3.检查残差自相关性

三、 二次指数平滑法预测

1.Holt-Winters（）函数建模

2.使用模型预测

3.检查残差自相关性

四、 三次指数平滑法预测

1.Holt-Winters（）函数建模

2.使用模型预测

3.检查残差自相关性

三、二次指数平滑法预测

四、三次指数平滑法预测