python指数平滑预测_指数平滑方法简介

本文链接：个人站 | 简书 | CSDN

版权声明：除特别声明外，本博客文章均采用 BY-NC-SA 许可协议。转载请注明出处。

指数平滑(Exponential smoothing)是除了 ARIMA 之外的另一种被广泛使用的时间序列预测方法(关于 ARIMA，请参考 时间序列模型简介)。 指数平滑即指数移动平均(exponential moving average)，是以指数式递减加权的移动平均。各数值的权重随时间指数式递减，越近期的数据权重越高。常用的指数平滑方法有一次指数平滑、二次指数平滑和三次指数平滑。

1. 一次指数平滑

一次指数平滑又叫简单指数平滑(simple exponential smoothing， SES)，适合用来预测没有明显趋势和季节性的时间序列。其预测结果是一条水平的直线。模型形如：

Forecast equation:

Smoothing equantion:

其中

是真实值，

为预测值，

为平滑值，

。

定义残差

，其中

，则可以通过优化方法得到

和

。

使用 python 的 statsmodels 可以方便地应用该模型：

import numpy as np

import pandas as pd

import matplotlib.pyplot as plt

from statsmodels.tsa.holtwinters import SimpleExpSmoothing

x1 = np.linspace(0, 1, 100)

y1 = pd.Series(np.multiply(x1, (x1 - 0.5)) + np.random.randn(100))

ets1 = SimpleExpSmoothing(y1)

r1 = ets1.fit()

pred1 = r1.predict(start=len(y1), end=len(y1) + len(y1)//2)

pd.DataFrame({

'origin': y1,

'fitted': r1.fittedvalues,

'pred': pred1