三大指数平滑法
三大指数平滑法
指数平滑法其实是特殊的移动平均法,相当于加权的移动平均法。针对当期实际值和当期预测值,引入一个简单化的加权因子,也就是平滑系数,来求解下期的预测值。主要有三种指数平滑法:简单指数平滑法、霍尔特指数平滑法、霍尔特-温特模型。
1、简单指数平滑法
1.1 模型介绍
简单指数平滑法:设第
t
t
t 期实际值为
X
t
X_t
Xt,预测值为
F
t
F_t
Ft,平滑系数为
α
\alpha
α,则第
t
+
1
t+1
t+1 期预测值为
F
t
+
1
=
α
X
t
+
(
1
−
α
)
F
t
(
1
)
F_{t+1}=\alpha X_t+(1-\alpha)F_t \qquad (1)
Ft+1=αXt+(1−α)Ft(1) 或
F
t
+
1
=
F
t
+
α
(
X
t
−
F
t
)
(
2
)
F_{t+1}=F_t+\alpha (X_t-F_t) \qquad (2)
Ft+1=Ft+α(Xt−Ft)(2)
第
t
+
1
t+1
t+1 期的预测值
F
t
+
1
F_{t+1}
Ft+1 可以解释为:其中一部分来自第
t
t
t 期实际值
X
t
X_t
Xt,剩余部分来自第
t
t
t 期预测值
F
t
F_t
Ft,如式子
(
1
)
(1)
(1);又或者是:在第
t
t
t 期预测值
F
t
F_t
Ft 的基础上,根据误差进行调整(误差为
X
t
−
F
t
X_t-F_t
Xt−Ft,调整为
α
\alpha
α),如式子
(
2
)
(2)
(2)。
1.2 筛选平滑系数
简单指数平滑法通常用于相对平稳的情况,平滑系数 α \alpha α 越小的时候,预测越平稳(波动不明显);平滑系数 α \alpha α 越大的时候,预测越灵敏(波动明显)。而平滑系数 α \alpha α 的选取可以通过均方误差 M S E MSE MSE 来筛选 M S E = ∑ t = 1 n ( X t − F t ) 2 n MSE=\frac{\sum_{t=1}^n(X_t-F_t)^2}{n} MSE=n∑t=1n(Xt−Ft)2也就是先用多个 α \alpha α 计算出每个 α \alpha α 所对应的预测值的均方误差,最后挑选均方误差最小的 α \alpha α 作为最终的平滑系数,因为均方误差越小,说明实际值和预测值越接近。或者计算平均绝对百分比,也就是 绝对百分比 = ∣ 实际值 − 预测值 ∣ 实际值 × 100 % 绝对百分比=\frac{|实际值-预测值|}{实际值}×100\% 绝对百分比=实际值∣实际值−预测值∣×100% 也就是预测值和实际值相差多少。
1.3 模型优缺点
优点:
(
1
)
(1)
(1)简单,不需要太多的数据,只需要当期的实际值和预测值就能预测下期;
(
2
)
(2)
(2)反应灵敏,对于最近发生的波动能较快发现,并应用到下次预测中;
(
3
)
(3)
(3)可以持续优化,只需要优化平滑系数
α
\alpha
α 即可。
缺点:
(
1
)
(1)
(1)优化不易,无法准确知道适合哪个平滑系数,只能通过多次试验才能确定;
(
2
)
(2)
(2)只能预测短期,若是要进行长期预测则会增加不确定性,因为长期的预测也需要中间还未发生的数据,这时候的预测就不会很准;
(
3
)
(3)
(3)只能用于相对平稳的情况,如果出现波动情况,也就是有季节性或趋势性的时候,预测的数据往往会一直跟着跑,即滞后。
1.4 例子
某地 5 5 5 月气温如下:
日期 | 最低气温 / ℃ | 最高气温 / ℃ |
---|---|---|
1 | 16 | 19 |
2 | 16 | 20 |
3 | 20 | 27 |
4 | 19 | 29 |
5 | 22 | 29 |
6 | 22 | 31 |
7 | 22 | 28 |
8 | 22 | 27 |
9 | 23 | 26 |
10 | 24 | 26 |
11 | 24 | 26 |
12 | 22 | 27 |
13 | 23 | 26 |
14 | 21 | 28 |
15 | 18 | 22 |
16 | 16 | 23 |
17 | 19 | 28 |
18 | 21 | 26 |
19 | 23 | 29 |
20 | 24 | 30 |
21 | 23 | 30 |
22 | 23 | 28 |
23 | 25 | 27 |
24 | 24 | 28 |
25 | 24 | 28 |
26 | 24 | 31 |
27 | 24 | 29 |
28 | 25 | 31 |
29 | 26 | 31 |
30 | 26 | 32 |
31 | 25 | 32 |
从第
2
2
2 日开始预测,取
α
=
0.7
\alpha=0.7
α=0.7 得到最低温度如下图像:
此时
M
S
E
=
3
MSE=3
MSE=3,平均绝对百分比误差为
5.83
%
5.83\%
5.83%,同时,计算最高温度如下图像:
此时
M
S
E
=
6
MSE=6
MSE=6,平均绝对百分比误差为
6.40
%
6.40\%
6.40%.
2、霍尔特指数平滑法
2.1 模型介绍
霍尔特双参数法(即霍尔特指数平滑法)通常用于有趋势的情况。 由两部分构成,分别为水平部分和趋势部分,水平部分 F t = α X t + ( 1 − α ) ( F t − 1 − S t − 1 ) F_t=\alpha X_t+(1-\alpha) (F_{t-1}-S_{t-1}) Ft=αXt+(1−α)(Ft−1−St−1) 趋势部分 S t = β ( F t − F t − 1 ) + ( 1 − β ) S t − 1 S_t=\beta (F_t-F_{t-1})+(1-\beta)S_{t-1} St=β(Ft−Ft−1)+(1−β)St−1 预测公式 X ^ t + T = F t + T S t \hat X_{t+T}=F_t+TS_t X^t+T=Ft+TSt其中 X t X_t Xt 为第 t t t 期的实际值, X ^ t + T \hat X_{t+T} X^t+T 为第 t + T t+T t+T 期的预测值, F t F_t Ft 为第 t t t 期的水平部分, S t S_t St 为第 t t t 期的趋势部分, α , β \alpha,\beta α,β 是平滑系数。预测公式说明,第 t + T t+T t+T 期的预测值由第 t t t 期的水平部分加上 T T T 倍的第 t t t 期的趋势部分。
2.2 是否有趋势
可以画出时间序列的折线图,然后进行观察,最好顺便做出时间序列的线性回归方程,看线性回归的参数 R 2 R^2 R2 大小,越大,说明 x x x 与 y y y 之间的有明显的线性关系。
2.3 优缺点
优点:
(
1
)
(1)
(1) 预测准确度相比于移动平均法和简单指数平滑法高,因为用了两个平滑系数。
(
2
)
(2)
(2) 反应更灵敏,预测还包括趋势变化。
缺点:
(
1
)
(1)
(1) 两个平滑系数的设置比较玄,需要尝试,不仅要考虑预测准确度,还要观察犯重大错误的数据是多还是少,这样才能选到更优的参数。
2.4 例子
假设商品 A A A 最近 18 18 18 个月的销量是: 4 , 6 , 8 , 11 , 13 , 16 , 18 , 22 , 26 , 29 , 33 , 37 , 40 , 43 , 47 , 50 , 53 , 56 4,6,8,11,13,16,18,22,26,29,33,37,40,43,47,50,53,56 4,6,8,11,13,16,18,22,26,29,33,37,40,43,47,50,53,56,用前 12 12 12 月预测最近 6 6 6 月所以 S 0 = ( 6 − 4 ) + ( 8 − 6 ) + ⋯ + ( 37 − 33 ) 11 = 37 − 4 11 = 3 S_0=\frac{(6-4)+(8-6)+\cdots+(37-33)}{11}=\frac{37-4}{11}=3 S0=11(6−4)+(8−6)+⋯+(37−33)=1137−4=3 令 F 0 = 37 , α = 0.3 , β = 0.1 , t = 0 F_0=37,\alpha=0.3,\beta=0.1,t=0 F0=37,α=0.3,β=0.1,t=0,则
T T T | X t + T X_{t+T} Xt+T | X ^ t + T \hat X_{t+T} X^t+T |
---|---|---|
1 1 1 | 40 40 40 | 40 40 40 |
2 2 2 | 43 43 43 | 43 43 43 |
3 3 3 | 47 47 47 | 46 46 46 |
4 4 4 | 50 50 50 | 49 49 49 |
5 5 5 | 53 53 53 | 52 52 52 |
6 6 6 | 54 54 54 | 55 55 55 |
3、霍尔特-温特模型
3.1 模型介绍
霍尔特–温特模型通常用于季节性加趋势,由三部分构成,分别为水平部分、趋势部分和季节部分,水平部分 F t = α X t I t − L + ( 1 − β ) ( F t − 1 + S t − 1 ) F_t=\alpha \frac{X_t}{I_{t-L}}+(1-\beta)(F_{t-1}+S_{t-1}) Ft=αIt−LXt+(1−β)(Ft−1+St−1)趋势部分 S t = γ ( F t − F t − 1 ) + ( 1 − γ ) S t − 1 S_t=\gamma (F_t-F_{t-1})+(1-\gamma)S_{t-1} St=γ(Ft−Ft−1)+(1−γ)St−1季节性部分 I t = β X t F t + ( 1 − β ) I t − L I_t=\beta \frac{X_t}{F_t}+(1-\beta)I_{t-L} It=βFtXt+(1−β)It−L 预测公式 X ^ t + T = ( F t + T S t ) I t + T − L \hat X_{t+T}=(F_t+TS_t)I_{t+T-L} X^t+T=(Ft+TSt)It+T−L 其中 X t X_t Xt 为第 t t t 期的实际值, X ^ t + T \hat X_{t+T} X^t+T 为第 t + T t+T t+T 期的预测值, F t F_t Ft 为第 t t t 期的水平部分, S t S_t St 为第 t t t 期的趋势部分, I t I_t It 为第 t t t 期的季节部分, L L L 为季节长度, α , β , γ \alpha,\beta,\gamma α,β,γ 是平滑系数。预测公式说明,第 t + T t+T t+T 期的预测值由第 t t t 期的水平部分与 T T T 倍的第 t t t 期的趋势部分之和乘以第 t + T − L t+T-L t+T−L 期的季节部分。
3.2介绍季节性
季节性是时间序列随季节变化而变化的周期性波动,可以通过下面例子观察季节性。例子: 利用某企业连续四年的商品销售量资料(如下表),计算去除季节性后的销量。
年份 | 第一季度 | 第二季度 | 第三季度 | 第四季度 | 年平均 |
---|---|---|---|---|---|
2013 | 2 | 8 | 4 | 1 | 3.75 |
2014 | 1 | 11 | 4 | 2 | 4.5 |
2015 | 2 | 14 | 3 | 2 | 5.25 |
2016 | 3 | 15 | 5 | 3 | 6.5 |
季度平均 | 2 | 12 | 4 | 2 | 5 |
这里的季节比率计算方法如下 季节比率 = 季度平均 年总平均 季节比率=\frac{季度平均}{年总平均} 季节比率=年总平均季度平均
季度 | 1 | 2 | 3 | 4 |
---|---|---|---|---|
季节比率 | 0.4 | 2.4 | 0.8 | 0.4 |
将数据去除季节性,得到无季节性的销量
年份 | 季度 | 销量 | 季节比率 | 去除季节性后=销量÷季节比率 |
---|---|---|---|---|
2013 | 1 | 2 | 0.4 | 5 |
2013 | 2 | 8 | 2.4 | 3.33 |
2013 | 3 | 4 | 0.8 | 5 |
2013 | 4 | 1 | 0.4 | 2.5 |
2014 | 1 | 1 | 0.4 | 2.5 |
2014 | 2 | 11 | 2.4 | 4.58 |
2014 | 3 | 4 | 0.8 | 5 |
2014 | 4 | 2 | 0.4 | 5 |
2015 | 1 | 2 | 0.4 | 5 |
2015 | 2 | 14 | 2.4 | 5.83 |
2015 | 3 | 3 | 0.8 | 3.75 |
2015 | 4 | 2 | 0.4 | 5 |
2016 | 1 | 3 | 0.4 | 7.5 |
2016 | 2 | 15 | 2.4 | 6.25 |
2016 | 3 | 5 | 0.8 | 6.25 |
2016 | 4 | 3 | 0.4 | 7.5 |
参考文献
【1】刘宝红《需求预测和库存计划:一个实践者的角度》
【2】吴小明. Excel在霍尔特指数平滑法参数优选中的应用[J]. 无锡商业职业技术学院学报,2008,8(3):49-50. DOI:10.3969/j.issn.1671-4806.2008.03.014.
【3】童明荣,薛恒新. 霍尔特-温特模型在货运量季节性预测中的应用[J]. 数理统计与管理,2008,27(3):500-504.