怎么理解时间序列的指数平滑与分解预测?

一、平滑

对某些经济指标的时间序列数据来说,通常不存在明显的趋势变动和周期变动或者存在某种长期趋势变动,但是短期趋势经常发生变化.对于这种数据我们可以采取平滑法。常见的平滑方法有：简单全期平均、移动平均和指数平滑法。全期平均不考虑时间距离的长短而全部同等的利用，移动平均只考虑部分数据并给予近期较大的权，而指数平滑方法综合了两种方法, 因而该方法在短期预测中效果较好。
指数平滑法(ETS算法)
指数平滑法的前提是认为时间序列的态势具有稳定性或规则性,所以时间序列可以被合理的顺势外推，但只能对短期的预测效果较好。常用的指数平滑方法包括一次指数平滑法、二次指数平滑法、Holt-Winter 非季节模型、 Holt-Winter 季节加法模型和乘法模型。

二、分解预测

对一般的月度或季度经济指标，通常包含4中变动要素：长期趋势要素、循环趋势要素、季节变动要素和不规则要素。长期趋势要素代表了经济时间序列的长期走势，循环趋势要素通常是以数年为周期的一种周期性变动，代表了一种景气变动；季节变动要素是每年重复出现的循环变动，如以12个月或4个季度为周期的变动。不规则要素主要是一些变化 不固定的随机因子或噪声。通常对一般的经济指标重点放在研究该序列的长期趋势要素和循环趋势要素上，这就要把它们从整个序列中分解出来。
分解预测法的具体步骤是：
(1)选择对应时间(或时间段)、对应类别的历史负荷曲线，将其分解为若干个时间序列，分析其变化的规律性。
(2)定性分析预测期内用电结构和用电方式的变化趋势，选择合适的时间序列预测方法，分别对各时间序列进行预测。
(3)将各预测值合成为负荷曲线，并校核其特性指标与定性分析结果的一致性。若不一致，则要分析并找出偏差较大的序列，重新预测并校核。
分解预测法的关键是要选择对应时间(或时间段)和对应类别的负荷曲线作为分解对象，使得分解后的历史时间序列具有较强的规律性，以提高预测的准确性。另外，还要对未来负荷曲线及其特性的变化趋势(尤其要对高峰时段的负荷水平及其变化趋势)做深入的分析。