指数加权移动平均模型_时间顺序进行加权平均的指数平滑法实例精讲与MATLAB案实现...

指数平滑法 

一次移动平均实际上认为最近 N 期数据对未来值影响相同，都加权1/N，而N期以前的数据对未来值没有影响，加权为 0。但是，二次及更高次移动平均数的权数却不是1/N。且次数越高，权数的结构越复杂，但永远保持对称的权数，即两端项权数小， 中间项权数大，不符合一般系统的动态性。一般说来历史数据对未来值的影响是随时间间隔的增长而递减的。所以，更切合实际的方法应是对各期观测值依时间顺序进行加权平均作为预测值。指数平滑法可满足这一要求，而且具有简单的递推形式。 

指数平滑法根据平滑次数的不同，又分为一次指数平滑法、二次指数平滑法和三 次指数平滑法等，分别介绍如下。

 一次指数平滑法 

1．预测模型 

设时间序列为 y₁, y₂ ,..., y_t ,...，α 为加权系数，0 < α < 1，一次指数平滑公式为：

上式是由移动平均公式改进而来的。易知，移动平均数的递推公式为

令  α=1/N，S_t 代替 M⁽¹⁾_t ，即得式

为进一步理解指数平滑的实质，把式

依次展开，有

上式表明 S⁽¹⁾ _t 是全部历史数据的加权平均，加权系数分别为 α,α(1−α),α(1−α) ² ,...；显然有

由于加权系数符合指数规律，又具有平滑数据的功能，故称为指数平滑。以这种平滑值进行预测，就是一次指数平滑法。预测模型为

也就是以第t 期指数平滑值作为t +1期预测值。

2．加权系数的选择 

在进行指数平滑时，加权系数的选择是很重要的。由式