时间序列的指数平滑预测法.docVIP

时间序列的指数平滑预测法 指数平滑法（Expinential smoothing method）的思想也是对时间序列进行修匀以消除不规则和随机的扰动。该方法是建立在如下基础上的加权平均法：即认为时间序列中的近期数据对未来值的影响比早期数据对未来值得影响更大。于是通过对时间序列的数据进行加权处理，越是近期的数据，其权数越大；反之，权数就越小。这样就将数据修匀了，并反映出时间序列中对预测时点值的影响程度。根据修匀的要求，可以有一次、二次甚至三次指数平滑。 3.3.1 一次指数平滑法 1．一次指数平滑法的计算公式及平滑系数的讨论 设时间序列为，一次指数平滑数列的递推公式为： （3-6） 式中，表示第时点的一次指数平滑值，称为平滑系数。递推公式（3-6）中，初始值常用时间序列的首项（适用于历史数据个数较多，如50个历史数据及以上），如果历史数据个数较少，如在15或20个数据及以下时，可以选用最初几期历-史数据的平均值作为初始值，这些选择都有一定的经验性和主观性。 下面讨论平滑系数。将递推公式（3-6）展开可得： 容易看出，由于，的系数随着的增加而递减。注意到这些系数之和为1，即： 于是，递推公式（3-6）中的就是样本值的一个加权平均。当用递推公式（3-6）来进行预测时，我们将用作为第时点的预测值。从上面的讨论可以看到，离预测时点最近的时点的值，其权为，最大，其次为的权的权最小。 可见，公式（3-6）是在认为新近数据对未来影响大，远期数据对未来影响小的情况下对原时间序列的加权平均（修匀）。 若平滑系数，此时有，这表明确定后，每个时点的平滑值皆等于，此时，每个时点的观察值不起任何作用。 若平滑系数，此时有。说明平滑后数列就是原时间序列，即没有对原时间序列进行任何处理和修匀。 对于平滑系数来说，除了上述两种极端情况外，不可能出现与系数相等的情况。 综上所述，不难看到，且比较接近1时，计算得到的一次指数平滑值对原历史数据的修匀程度将较小，平滑后的数列值能够比较快地反映出原时间序列的实际变化，因此，对于变化较大或趋势性较强的时间序列适合选择比较靠近1的数据作为平滑系数，比如取等。 若且取值比较靠近0时，计算得到的一次指数平滑值对原历史数据的修匀程度将较大，平滑后的数列对原时间序列的变化反应较迟钝。因此，对于变化较小的、或接近平稳的时间序列，应选择比较靠近0的平滑系数使得平滑过程中的各数据的权数比较接近。 【例3-7】某电器销售企业1992-2003年某种电器销售额（万元）及其一次指数平滑数列计算列表如表3-2所示。 表3-2 一次指数平滑值计算表 （单位：万元） 年份 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 销售额 50 52 47 51 49 48 51 40 48 51 51 59 51 50.8 51.04 50.23 50.38 50.10 49.68 49.94 47.95 47.96 48.57 49.06 51 50.50 51.25 49.13 50.07 49.54 48.77 49.89 44.95 46.48 48.74 49.87 51 50.20 51.64 47.93 50.39 49.28 48.26 50.45 42.09 46.82 50.16 50.83 本例中选择第一、第二期的历史数据平均值作为一次指数平滑的初始值。从表3-2中可以看到，原时间序列变动较大，稍具周期性。若想指数平滑后数列敏感地反映出最新的一些观察值的变动，则应取较大的平滑系数，如。若想消除其周期性变动，施加较大程度的修匀，以反映其长期趋势，则可取较小的，如。 2．检验及预测 一次指数平滑法适用于对变化比较平稳的时间序列作短期的预测。第时点的预测值等于按递推公式（3-6）计算的第时点的一次指数平滑值，即： （3-7） 类似于移动平均法，同一个问题随着平滑系数的不同可以有若干个一次指数平滑预测值。因此，应该在一个合适的评价标准基础上选择一个合理的平滑系数。其方法是：首先计算与在原则上合理的多个平滑系数相对应的平滑数列，然后分别计算其均方差（见公式（3-7））或计算其平均绝对误差（见公式（3-8）），以或最小者对应的平滑系数及其预测值为最合理的。 ，而 （3-8） 公式（3-8）中的反映了各个时点的平滑值与实际值之间的误差。根据公式（3-2），计算误差数列的自相关系数，若统计量 则说明误差数列具有随机性，可以认为此时的预测是有效的（可以利用前面的Matl