第五讲 时间序列平滑预测法.

时间序列的平滑预测平滑法：简单平均法，移动平均法、指数平滑法。

平滑法既可以用于对时间序列进行平滑以描述序列的趋势，也可对平稳时间序列进行短期预测。

1、 简单平均法根据过去已有的观测值通过简单平均来预测下一期的值；舍时间序列已有的t 期观测值为y1、y2………yt ，那么t+1期的预测值1t F +值为：112111111t+2111(.......),11,1t+2=,t+1tt t i i t t t t t i i F y y y y t t t t e F F y +=+++++==++=++=-∑∑当到了期时，有了期的实际值y 就可以计算误差y 那么期的预测值就为以此类推。

2、 移动平均法通过对时间序列逐期递移求得平均数作为趋势值或者预测值的一种平滑预测方法。

移动平均又包括简单移动平均和加权移动平均。

简单移动平均就是将最近K 期的观测值进行平均，作为下一期的预测值；1<K<t.1211231t+21........,........t k t k t tt t t k t k t t t y y y y F y ky y y y F y k-+-+-+-+-+++++++==++++==同理均方误差MSE 的计算公式为：MSE =误差平方和误差个数移动平均法只使用最近K 期的数据，每次计算都是使用最近K 期数据；这一方法比较适合较为平稳的时间序列数据。

实际中选取不同的K ，比较MSE 的大小来选择合适的步长。

3、 指数平滑法一次指数平滑就是以一段时期的预测值和观测值的线性组合作为t+1期的预测值，预测模型为：说明：通常将11F y =。

1(1)t t t F y F αα+=+-其中，0<<1t t y t t αα为期实际观测值，F 为期的预测值；为平滑系数（）。

211111322212433321=(1)(1)=(1)(1)=(1)1-+(1)F y F y y y F y F y y F y F y y F αααααααα∂+-=∂+-=∂+-=∂+-∂+-=∂+-第二期预测值：第三期预测值：第四期预测值：（）y 依此类推。

第五章 时间序列的指数平滑预测技术本章重点内容：常数模型的指数平滑法的基本公式与预测方程，初值对预测值的影响及其选择，基本公式的误差校正式，霍尔特指数平滑法，布朗二次指数平滑法，布朗适应性平滑法，各种平滑法之间的关系，比例模型的指数平滑法。

5.1常用模型的指数平滑法5.1.1基本公式与预测方程利用时间序列前t 期的观察值x 1 , x 2 ,…, x t 预测第t ＋1期的值x t ＋1时，设赋予第i 期的权重为w t ＋1－I (i=1,2…t), w 1>w 2 >… >w t ,计算诸观察值的加权平均： 并取第t+1期预测值为 这就是所谓加权平均法。

加权平均法的缺点：(1)权重不易确定(2)要记忆的数据太多(3)计算较繁权重不易确定自动取权重的方法：自当前期向前，各期权重按指数规律下降，即第t 期，第t-1期…的权重依次为由上式看出，为使计算方便，使权数之和等于1。

我们使这一条件当t 趋近∞时成立，即使得各期权重依次为上述办法显然解决了自动选权重的问题，但尚未克服记忆数据多和计算繁两个缺点。

为此，我们考虑t 充分大时的情形，这时得到:将滞后一期拿出：得到即:上式称为指数平滑法的基本公式，这个公式是用递推公式给出的，α叫做平滑常数，0 <α<1，其值可由预测者任意指定。

T t 称为T 的(实际上也是x 的)第t 期的指数平滑值。

指数平滑法的预测方程是：即把第t 期的指数平滑值作为第t+1期的预测值。

指数平滑法的基本做法用公式的形式表述出来就是：新的估计值=平滑常数×利用当前期资料的估计值+(1－平滑常数) ×只利用历史资料的估t...t ...t t t x x x W ωωωωωω+++++-+=211121tt W x ˆ=+1)10,0,...(,,2<<>βααβαβα12=+++...αβαβα +-+-+=--221)1()1(t t t t x x x T ααααα...t t t t x )(x )(x T +-+-+=----3221111αααααttt x T T αα=---1)1(1)1(--+=tttT xT ααtt t x ˆ)(x x ˆαα-+=+11t t T x ˆ=+1计值指数平滑法优点：既继承加权平均法重视近期数据的思想，又能克服以上三个缺点。

时间序列平滑预测法时间序列平滑预测法是一种通过对时间序列数据进行平滑处理来预测未来趋势的方法。

该方法基于以下假设：过去的数据可以反映未来的趋势，而将过去的数据进行平滑处理可以消除噪声和随机波动，并揭示出数据背后的潜在规律。

时间序列平滑预测法可以应用于各种领域，比如经济学、金融学、工程学等。

在经济学中，时间序列平滑预测法可以用于预测经济指标的未来趋势，如国内生产总值（GDP）、消费者物价指数（CPI）等。

在金融学中，该方法可以用于预测股票价格、利率、汇率等金融指标的未来走势。

在工程学中，时间序列平滑预测法可以用于预测能源消耗、交通流量等工程指标的未来变化。

时间序列平滑预测法的基本思想是通过对时间序列数据进行平滑处理，得到一个平滑的曲线，然后根据这个曲线来预测未来的值。

平滑处理的方法有很多种，常见的方法有移动平均法、指数平滑法和季节性指数平滑法等。

移动平均法是最简单、最常用的一种平滑处理方法。

它的原理是在一定时间窗口内计算数据的平均值，然后将平均值作为平滑后的值。

移动平均法适用于数据变化较为缓慢、无明显趋势和季节性的情况。

移动平均法的优点是计算简单，缺点是不能很好地处理有趋势的数据。

指数平滑法是另一种常用的平滑处理方法。

它的原理是将过去的数据赋予不同的权重，较近期的数据权重较大，较远期的数据权重较小。

指数平滑法适用于数据变化较为快速、有明显趋势和季节性的情况。

指数平滑法的优点是对趋势有较好的适应性，缺点是计算复杂度较高。

季节性指数平滑法是指在指数平滑法的基础上考虑季节性因素进行预测。

它的原理是在指数平滑法的基础上引入季节性指数，用于对季节性因素进行处理。

季节性指数平滑法适用于数据具有季节性变化的情况，如每月销售额、每周客流量等。

季节性指数平滑法的优点是对季节性变化有较好的适应性，缺点是需要进行较复杂的计算。

时间序列平滑预测法的步骤一般包括以下几步：数据预处理、平滑处理、预测和评估。

数据预处理包括对原始数据进行清洗、处理缺失值和异常值等。