摘要
:
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?/p>
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
?/p>
...
所有移动平均法都存在很多问题?/p>
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?/p>
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?/p>
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?/p>
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?/p>
用处?/p>
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)
?/p>
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?/p>
Holt-Winters
法”有时特指三次指数平滑法?/p>
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?/p>
一次指数平滑法的递推关系特别简单: