指数平滑算法(1)-简单指数平滑(python)

指数平滑算法是一种应用广泛的时间序列算法，在一般情况下，时间序列的数值变化规律有以下四种如图1，不同的指数平滑算法应用于不同的变化规律，本文章重点讲解“简单指数平滑”，其适用于无长期变动规律，无季节变动规律的情况。

图1

 那什么是无长期变动规律，无季节变动规律呢？我们举个例子。如下图，总体趋势是不断递增的，这说明数据具有长期变动趋势，也就是从长远来的趋势。如果在一年中都有在特定的月份中销售量很高或很低，表现出的规律为季节变动规律，季节变动规律一般以年为区间中的月份为考查重点。

 时间序列预测要求我们根据过去的观测值从而预测未来的数据，预测是使用加权平均值计算的，其中权重随着过去的观测值呈指数级下降 — 最小的权重与最早的观测值相关联。简单来说，越新的数据对未来的影响更大，越旧的数据对未来的影响更小。对最近的观测结果给予更大的权重，而不是对遥远过去的观测结果给予更大的权重可能是明智的。

简单指数平滑法的公式如下：

Y`t+1 = a*Yt + (1-t)*Y`t

其中Y`t+1--t+1期的预测值；Yt--t期的实际值；Y`t--t期的预测值；a为平滑系数，a  越小，平滑作用越强，但对实际数据的变动反应较迟缓。

 如果有不明白的部分，可以看看这本书：7.1 简单的指数平滑 |预测：原理与实践（第2版） (otexts.com)

 如果有些小伙伴没有数据，可以利用pandas和numpy生成数据：

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
time = pd.Series(data = np.random.rand(10),index = np.date_range("2024-02-24",periods = 10,freq="3D"))
plt.plot(time)
plt.xticks(time.index[::2],rotation = 45)

 折线图如下：

接下来，假设平滑指数为0.5，用python实现简单指数平滑：

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
# 单指数平滑
# 一次指数平滑法只适用于水平型历史数据的预测
def exponential_smoothing(series, alpha):
    result = [series[0]]
    for n in range(1, len(series)):
        # Y`t+1 = a*Yt + (1-t)*Y`t
        result.append(alpha * series[n] + (1 - alpha) * result[n-1])
    return result
    
def plotExponentialSmoothing(series, alphas):
    with plt.style.context('seaborn-white'):    
        plt.figure(figsize=(15, 7))
        for alpha in alphas:
            plt.plot(exponential_smoothing(series, alpha), label="Alpha {}".format(alpha))
        plt.plot(series.values,"c",label = "Actual")
        plt.legend(loc="best")
        plt.axis('tight')
        plt.title("Exponential Smoothing")
        plt.grid(True);
        
plotExponentialSmoothing(df['累计长度'], [0.5])

 结果如下图，能明显感觉到数据变得更加平滑。

简单指数平滑值序列出现一定的滞后偏差的程度随着权系数（平滑系数）a  的增大而减少，但当时间序列的变动出现直线趋势时，用一次指数平滑法来进行预测仍将存在着明显的滞后偏差，需要二次指数平滑来解决。如果本文对你有帮助，就多多支持，后续会继续更新指数平滑的指数讲解。