java三次指数平滑_时间序列挖掘-预测算法-三次指数平滑法(Holt-Winters)

所有移动平均法都存在很多问题。

它们都太难计算了。每个点的计算都让你绞尽脑汁。而且也不能通过之前的计算结果推算出加权移动平均值。

移动平均值永远不可能应用于现有的数据集边缘的数据，因为它们的窗口宽度是有限的。这是一个大问题，因为数据集边缘的变动形态一般都是我们最感兴趣的部分。

类似地，移动平均法也不能应用于现有数据集的范围之外。其结果是，它们对预测毫无用处。

幸运的是，有一种很简单的计算方案能够避免所有这些问题。它叫指数平滑法(exponential

smoothing)或Holt-Winters法。指数平滑法有几种不同形式：一次指数平滑法针对没有趋势和季节性的序列，二次指数平滑法针对有趋势但

没有季节性的序列。术语“Holt-Winters法”有时特指三次指数平滑法。

所有的指数平滑法都要更新上一时间步长的计算结果，并使用当前时间步长的数据中包含的新信息。它们通过“混合”新信息和旧信息来实现，而相关的新旧信息的权重由一个可调整的拌和参数来控制。各种方法的不同之处在于它们跟踪的量的个数和对应的拌和参数的个数。

一次指数平滑法的递推关系特别简单：

其中， 是时间步长i上经过平滑后的值， 是这个时间步长上的实际(未平滑的)数据。你可以看到 是怎么由原始数据和上一时间步长的平滑值

混合而成的。拌和参数 可以是0和1之间的任意值，它控制着新旧信息之间的平衡：当 接近1时，我们就只保留当前数据点(即完全没有对序列进行平滑)；当

接近0时，我们就只保留前面的平滑值(也就是说整个曲线都是平的)。

为何这个方法被称为“指数”平滑法？要找出答案，展开它的递推关系式即可知道：

从这里可以看出，在指数平滑法中，所有先前的观测值都对当前平滑值产生了影响，但它们所起的作用随着参数

的幂的增大而逐渐减小。那些相对较早的观测值所起的作用相对较小，这也就是指数变动形态所表现出来的特性。从某种程度上来说，指数平滑法就像是拥有无限记

忆且权值呈指数级递减的移动平均法。(同时也要注意到所有权值的和，

等于1，因为当q<1 时&#