第7章节 4指数平滑法.pptVIP

* 预测公式错误。应为437.1-0.9T,从而计算值亦应改变。 第七章 时间序列预测方法 时间序列与时序分析 趋势外推法 移动平均法 指数平滑法 时间序列的分解法 季节指数法 移动平均法计算简单易行，但存在明显的不足 第一，每计算一次移动平均值，需要存储最近N个观察数据，当需要经常预测时有不便之处。 第二，移动平均实际上是对最近的N个观察值等权看待，而对t－N期以前的数据则完全不考虑，即最近N个观察值的权系数都是 ，而t－N以前的权系数都为0。 但在现实中，最新的观察值往往包含着最多的关于未来情况的信息。所以，更为切合实际的方法是对各期观察值依时间顺序加权。 指数平滑法正是适应于这种要求，通过某种平均方式，消除历史统计序列中的随机波动，找出其中的主要发展趋势 第四节 指数平滑法 一次指数平滑法 二次指数平滑法 一、一次指数平滑法 一次指数平滑值计算公式为： 设时间序列： … … 迭代可得， 指数平滑如何克服移动平均的不足？ 权系数为： 按指数几何级数衰减，符合指数规律，又具有平滑 数据的作用，因此称为指数平滑法。 指数平滑公式与移动平均公式的关系： 假定样本序列具有水平趋势，将 用 代替，则 预测公式： 或 * 在原预测值的基础上利用误差进行调整。 当期的一次指数平滑值作为下一期的预测值 预测： 指数平滑法的特点： 权重 算术平均：所有数据权重均为1/n； 一次移动平均：最近N期数据权重均为1/N，其他为0； 指数平滑值：与所有数据有关，权重衰减，厚今薄古。 2. 的大小对指数平滑序列的影响 与权系数的衰减快慢有关： 越大，衰减越快； 的平滑作用： 越大， 平滑作用越小（对应于1/N）； 与初值： 越小，初值越重要。 思考 极端情况下 =1 或 =0 ＝0.1 ＝0.5 ＝0.9 (1－ )5＝0.59049 (1－ )5 ＝0.3125 (1－ )5 ＝0.00001 例： 与初值： 越小，初值越重要。 的选取 具体操作时把数据分成两段，选取一系列 ? 值，用前一段建立数据建立模型，对后一段进行事后预测，以事后预测为评价标准，从中选取最优的? 值。 上述的方法仅仅当已有的历史数据较多时才适用，在观察值不是太多的情况下，可以用不同? 值下的指数平滑法进行预测，然后选择均方误差最小的? 值作为正式进行预测时的平滑系数。 n 20，取 n 20，取最初几期数据的平均值。 初值 的选取 例7.3：某市1994-2005年某种电器销售额如表，试预测2006年销售额。 年份 t 实际销售额 Xt 一次平滑值 St(1) 预测值?=0.2 预测值 ?=0.5 预测值 ?=0.8 1994 1 50 51 51 51 1995 2 52 50.80 50.50 50.20 1996 3 47 51.04 51.25 51.64 1997 4 51 50.23 49.13 47.93 1998 5 49 50.39 50.06 50.39 1999 6 48 50.11 49.53 49.28 2000 7 51 49.69 48.77 48.26 2001 8 40 49.95 49.88 50.45 2002 9 48 47.96 44.94 42.09 2003 10 52 47.97 46.47 46.82 2004 11 51 48.77 49.24 50.96 2005 12 59 49.22 50.12 50.99 51.18 54.56 57.40 S0(1) = S1(1) = S2(1) = S3(1) = S4(1) = S5(1) = S6(1) = S7(1) = S8(1) = S9(1) = S10(1) = S11(1) = S12(1) = 分别取 ?=0.2 ?=0.5 ?=0.8 51 50.80 51.04 50.23 50.39 50.11 49.69 49.95 47.96 47.97 48.77 49.22 51.18 不同的 ? ，预测值不同，究竟 ? 取何值，可通过计算它们的均方误差 S ，选取使 较小 S 的那个 ? 值 。 当 ?=0.2 时 ， 当 ?=0.5 时 ， 当 ?=0.8 时 ， 计算结果表明：?=0.2 时， S 较小，故选取 ?=0.2 ，预测2006年该电器销售额为： 例7.4 现有某年1月至10月对餐刀的需求量,试用指数平滑法预测这一年11月份的需求量。 中 未知，从而 也未知，表中将 X0=2000 作为初始值,当 ＝0.1时均方误差最小，因此在