指数平滑

1.一次指数平滑（指数加权平均）

一次指数加权平均通式为：
$$\begin{array}{rl}{s}_t& =\alpha \ast x_t+(1-a)\ast s_{t-1}\\ & =\alpha x_t+\alpha (1-\alpha )x_{t-1}+(1-\alpha {)}^2{s}_{t-2}\\ & =\alpha [x_t+(1-\alpha )x_{t-1}+(1-\alpha {)}^2{x}_{t-2}+\dots ]+(1-\alpha {)}^t{s}_0\\ & =\alpha \sum _{i=0}^t(1-\alpha {)}^i{x}_{t-i}\end{array}$$
预测第t+h时刻的值为：$x_{t+h}=s_t,其中h>0$。

---

2.二次指数平滑

方法一
定义{bt} 表示数据的趋势序列，则二次指数平滑法可以表示如下：
$$\begin{array}{rl}{s}_1& =x_1\\ b_1& =x_1-x_0\\ s_t& =\alpha x_t+(1-\alpha )(s_{t-1}+b_{t-1})\\ b_t& =\beta (s_t-s_{t-1})+(1-\beta )b_{t-1}\end{array}$$
其中α为数据平滑因子，0<α<1,β为趋势平滑因子，且0<β<1.则第t+h预测值为：
$$x_{t+h}=s_t+h{b}_t,其中h>0$$
对于第0期，是没有预测值的。一个替代的方案是使用$b_0=\frac{x_n-x_0}{n},n>0$

方法二
此方法又称为布朗线性指数平滑(Brown’s linear exponential smoothing (LES))定义如下：
$$\begin{array}{rl}{s}_0^{\prime }& =x_0\\ s_0^{\prime \prime }& =x_0\\ s_t^{\prime }& =\alpha x_t+(1-\alpha )s_{t-1}^{\prime }\\ s_t^{\prime \prime }& =\alpha s_t^{\prime }+(1-\alpha )s_{t-1}^{\prime \prime }\end{array}$$
则有：
$$\begin{array}{rl}{a}_t& =2s_t^{\prime }-s_t^{\prime \prime }\\ b_t& =\frac{\alpha }{1-\alpha }(s_t^{\prime }-s_t^{\prime \prime })\end{array}$$
其中$a_t$为在t时刻的预测水平，$b_t$为在t时刻的预测趋势，定义如下:
则第t+h预测值为：
$$x_{t+h}=a_t+h{b}_t,其中h>0$$

---

3.三次指数平滑（Holtwinter)

方法一（累加）：
$$\begin{array}{rl}{s}_0& =x_0\\ s_t& =\alpha (x_t-c_{t-L})+(1-\alpha )(s_{t-1}+b_{t-1})\\ b_t& =\beta (s_t-s_{t-1})+(1-\beta )b_{t-1}\\ c_t& =\gamma (x_t-s_t)+(1-\gamma )c_{t-L}\end{array}$$
其中α为数据平滑因子，0<α<1，β为趋势平滑因子，且0<β<1，$\gamma$为周期性平滑因子。则第t+h预测值为：
$$x_{t+h}=s_t+h{b}_t+c_{t+(h\%L)-L},其中h>0$$

方法二（累乘）：
$$\begin{array}{rl}{s}_0& =x_0\\ s_t& =\alpha \frac{x_t}{c_{t-L}}+(1-\alpha )(s_{t-1}+b_{t-1})\\ b_t& =\beta (s_t-s_{t-1})+(1-\beta )b_{t-1}\\ c_t& =\gamma \frac{x_t}{s_t}+(1-\gamma )c_{t-L}\end{array}$$
其中α为数据平滑因子，0<α<1，β为趋势平滑因子，且0<β<1，$\gamma$为周期性平滑因子。则第t+h预测值为：
$$x_{t+h}=(s_t+h{b}_t)c_{t+(h\%L)-L},其中h>0$$

对于初始值有：

下面N是数据中出现的完整循环数，

where

方法三(一般不采用）：
$$\begin{array}{rl}{s}_0^{\prime }& =x_0\\ s_0^{\prime \prime }& =x_0\\ s_t^{\prime }& =\alpha x_t+(1-\alpha )s_{t-1}^{\prime }\\ s_t^{\prime \prime }& =\alpha s_t^{\prime }+(1-\alpha )s_{t-1}^{\prime \prime }\\ s_t^{\prime \prime \prime }& =\alpha s_t^{\prime \prime }+(1-\alpha )s_{t-1}^{\prime \prime \prime }\end{array}$$
则第t+h预测值为：