简单指数平滑
2018-03-24 15:51
239 查看
简单指数平滑
简单指数平滑法(SES)适用于预测没有趋势和季节性的模型。y^T+1|T=αyT+α(1−α)yT−1+α(1−α)2yT−2+⋯,y^T+1|T=αyT+α(1−α)yT−1+α(1−α)2yT−2+⋯,
上式中,距离预测时间越近的日期占的权重越大,距离越远权重越小。
有三种等效形式:
1.1 权重平均形式
t+1时刻的预测值y^t+1|ty^t+1|t等于最近邻的观测值ytyt和最近邻的预测值y^t|t−1y^t|t−1的加权平均。
y^t+1|t=αyt+(1−α)y^t|t−1y^t+1|t=αyt+(1−α)y^t|t−1
该式子必须从某个地方起始,设置第一个预测值为l0l0,那么
y^2|1y^3|2y^4|3⋮y^T+1|T=αy1+(1−α)ℓ0=αy2+(1−α)y^2|1=αy3+(1−α)y^3|2=αyT+(1−α)y^T|T−1y^2|1=αy1+(1−α)ℓ0y^3|2=αy2+(1−α)y^2|1y^4|3=αy3+(1−α)y^3|2⋮y^T+1|T=αyT+(1−α)y^T|T−1
将上述方程按如下方式替换,可以得到:
y^T+1|T=∑T−1j=0α(1−α)j+(1−α)Tl0y^T+1|T=∑j=0T−1α(1−α)j+(1−α)Tl0
1.2 分量形式
简单指数平滑方法中的位移组分是水平(level),其组分可以分为一个预测方程和一个平滑方程,平滑方程对以前的level做指数平滑。表达式如下:
Forecast equationSmoothing equationy^t+1|tℓt=ℓt=αyt+(1−α)ℓt−1,Forecast equationy^t+1|t=ℓtSmoothing equationℓt=αyt+(1−α)ℓt−1,
其中ltlt是时间tt时刻的水平值。预测方程表明t+1时刻的预测值是t时刻的预估水平。平滑方程给出了在t时刻的预估水平。
1.3 误差修正形式
第三种形式是通过将分量形式中的平滑方程重新组合,得到了误差修正形式:
ℓt=ℓt−1+α(yt−ℓt−1)=ℓt−1+αetℓt=ℓt−1+α(yt−ℓt−1)=ℓt−1+αet其中et=yt−ℓt−1=yt−y^t|t−1et=yt−ℓt−1=yt−y^t|t−1。如果t时刻的误差是负的,那么y^t|t−1>yty^t|t−1>yt,所以t-1时刻的水平被高估了。新的水平ltlt这时候是jt−1jt−1向下调整。αα越接近1,预估水平越粗糙(发生了很大的调整)。\alpha$越接近0,预估水平的平滑(发生了小的调整)
2 多个范围的预测
目前为止给出的预测方程都是只预测后一个步长的的情况。简单的指数平滑具有一个平的预测方程,对于更长期的预测,有:
y^T+h|T=y^T+1|T=ℓT,h=2,3,….y^T+h|T=y^T+1|T=ℓT,h=2,3,….
这样的预测只有在时间序列没有趋势或者季节性规律时才适用。
3 初始化
每个指数平滑方法都需要对平滑过程初始化。在简单指数平滑时,需要给初始值水平l0l0赋值,当时间序列较短或αα较小时,权重可能会显著影响预测结果。
另一种方式是通过优化的方法来确定l0l0的值,例如在简单指数平滑模型中,只有一个αα值,可以通过比较平方误差之和(SSE)来确定最佳的αα。
相关文章推荐
- 简单指数平滑
- 简单指数平滑
- 简单指数平滑
- 简单指数平滑
- 简单指数平滑
- R语言与数据分析之七:时间序列简单指数平滑
- 简单指数平滑
- 简单指数平滑
- 简单指数平滑
- 简单指数平滑
- 简单指数平滑
- 简单指数平滑
- 2.对图像进行平滑(一个简单的变换)
- Android仿苹果版QQ下拉刷新实现(一) ——打造简单平滑的通用下拉刷新控件
- [PAL规范]SAP HANA PAL三次指数平滑编程规范
- 几个简单的数据点平滑处理算法
- 时间序列-指数平滑
- 处理数据平滑的简单想法
- [Step By Step]SAP HANA PAL三次指数平滑算法实现TRIPLESMOOTH
- Expotential Smoothing(指数平滑)