下载文档原格式
预测有哪些方法随着科技的不断发展和社会的不断进步，人们对未来的预测也变得越来越重要。
预测未来的方法有很多种，下面我将介绍一些常见的方法。
首先，我们可以通过历史数据来进行预测。
历史数据包括经济数据、人口数据、气候数据等。
通过分析历史数据的走势，我们可以得出未来可能的发展趋势。
比如，通过分析过去几年的经济数据，我们可以预测未来经济的发展方向。
当然，历史数据只是一种参考，未来的发展往往受到多种因素的影响，因此我们需要结合其他方法来进行预测。
其次，我们可以运用数学模型来进行预测。
数学模型是一种通过建立数学方程来描述事物发展规律的方法。
比如，我们可以通过建立经济增长模型来预测未来经济的发展情况。
数学模型的优点是可以量化分析，但也需要充分考虑模型的合理性和适用性。
另外，我们还可以运用专家判断来进行预测。
专家判断是一种通过专家经验和知识来进行预测的方法。
专家可以通过自己的领域知识和经验来对未来进行判断。
比如，经济学家可以通过对经济政策的分析来预测未来的经济发展情况。
专家判断的优点是可以结合实际情况进行分析，但也需要考虑专家的主观因素。
此外，我们还可以通过大数据分析来进行预测。
大数据分析是一种通过对大量数据进行挖掘和分析来进行预测的方法。
通过对大数据的分析，我们可以发现一些隐藏在数据背后的规律和趋势。
比如，通过对用户行为数据的分析，我们可以预测未来的消费趋势。
大数据分析的优点是可以发现一些非常规的规律，但也需要考虑数据的真实性和可靠性。
最后，我们还可以通过趋势分析来进行预测。
趋势分析是一种通过对事物发展的趋势进行分析来进行预测的方法。
通过对各种趋势的分析，我们可以预测未来可能的发展方向。
比如，通过对科技发展的趋势分析，我们可以预测未来科技的发展方向。
趋势分析的优点是可以发现一些长期的发展趋势，但也需要考虑趋势的变化和不确定性。
总的来说，预测未来是一项复杂的任务，需要综合运用多种方法进行分析。
每种方法都有其优点和局限性，我们需要根据具体情况来选择合适的方法进行预测。
预测分析的基本方法预测分析是一种通过收集和分析数据来预测未来事件或趋势的方法。
它可以帮助人们做出更明智的决策，减少风险，提高效率。
在各个领域，预测分析都发挥着重要作用，比如金融、医疗、市场营销等。
下面将介绍预测分析的基本方法，以帮助大家更好地理解和应用这一技术。
首先，收集数据是预测分析的第一步。
数据可以来自各种渠道，比如传感器、数据库、社交媒体等。
在收集数据的过程中，需要注意数据的质量和完整性，确保数据的准确性和可靠性。
此外，还需要对数据进行清洗和整理，以便后续的分析和建模。
其次，数据探索是预测分析的关键环节。
通过可视化和统计分析等手段，可以发现数据中的规律和趋势，为后续的建模和预测奠定基础。
在数据探索的过程中，需要运用各种技术和工具，比如散点图、箱线图、相关性分析等，以全面了解数据的特征和规律。
然后，建立模型是预测分析的核心环节。
通过选择合适的模型和算法，对数据进行训练和优化，从而得到一个准确的预测模型。
在建立模型的过程中，需要考虑多种因素，比如模型的复杂度、准确度、泛化能力等，以确保模型的有效性和可靠性。
最后，评估和优化是预测分析的最后一步。
通过对模型进行评估和验证，可以发现模型存在的问题和不足，进而对模型进行优化和改进。
在评估和优化的过程中，需要综合考虑模型的各项指标，比如准确率、召回率、F1值等，以找到最优的预测模型。
综上所述，预测分析是一种强大的工具，可以帮助人们更好地理解和预测未来的事件和趋势。
通过合理的数据收集、探索、建模、评估和优化，可以构建一个准确可靠的预测模型，为决策提供有力支持。
希望本文介绍的预测分析的基本方法能够帮助大家更好地应用这一技术，取得更好的效果。
预测分析方法预测分析方法是一种通过对现有数据进行分析和处理，以预测未来可能发生的事件或趋势的技术手段。
它在各个领域都有着广泛的应用，比如金融、市场营销、天气预报、医疗健康等领域。
预测分析方法的核心在于通过对历史数据的分析，找出其中的规律和趋势，从而对未来进行预测。
下面我们将介绍几种常见的预测分析方法。
首先，时间序列分析是一种常见的预测分析方法。
它适用于按照时间顺序排列的数据，比如股票价格、销售额、气温等。
时间序列分析可以帮助我们发现数据中的周期性、趋势性和季节性，从而对未来的发展趋势进行预测。
常见的时间序列分析方法包括移动平均法、指数平滑法和ARIMA模型等。
其次，回归分析也是一种常用的预测分析方法。
它适用于探讨变量之间的因果关系，并基于这种关系对未来进行预测。
回归分析可以帮助我们确定自变量与因变量之间的关系，并利用这种关系对未来数值进行预测。
常见的回归分析方法包括线性回归、多元线性回归和逻辑回归等。
此外，机器学习算法也在预测分析中发挥着重要作用。
机器学习算法通过对大量数据的学习和训练，可以发现数据中的规律和模式，并基于这些规律和模式对未来进行预测。
常见的机器学习算法包括决策树、随机森林、支持向量机和神经网络等。
最后，时间序列分析、回归分析和机器学习算法都是预测分析中常用的方法，它们各自有着不同的特点和适用范围。
在实际应用中，我们可以根据具体的预测需求和数据特点选择合适的方法进行分析和预测。
同时，我们也要注意数据的质量和准确性，以确保预测结果的可靠性和准确性。
总之，预测分析方法在各个领域都有着广泛的应用，它可以帮助我们对未来进行合理的预测和规划。
通过合理选择和应用预测分析方法，我们可以更好地把握未来的发展趋势，从而为决策和规划提供有力的支持。
希望本文介绍的预测分析方法对您有所帮助，谢谢阅读！。
预测分析方法预测分析方法是一种通过收集数据、应用统计学和数学模型来预测未来事件或结果的技术。
它在商业、金融、科学研究等领域都有着广泛的应用。
在本文中，我们将探讨几种常见的预测分析方法，并分析它们的优缺点以及适用场景。
首先，最常见的预测分析方法之一是时间序列分析。
时间序列分析是通过观察一系列按时间顺序排列的数据点来预测未来的数值。
它可以帮助我们发现数据中的趋势、周期性和季节性变化，并据此做出预测。
时间序列分析的优点在于它能够较为准确地预测未来的数值，但缺点是它对数据的要求比较严格，需要有足够长的时间序列数据才能进行分析。
其次，机器学习算法也是一种常用的预测分析方法。
机器学习算法可以通过训练模型来预测未来的结果。
它可以处理大量的数据，并发现数据中的复杂模式和规律，从而进行准确的预测。
机器学习算法的优点在于它可以处理非常复杂的数据，并且可以不断优化模型以提高预测准确度，但缺点是它需要大量的计算资源和数据量来训练模型。
另外，专家判断法也是一种常见的预测分析方法。
专家判断法是通过专家的经验和知识来做出预测。
专家可以根据自己的经验和对行业的了解来做出预测，这种方法在某些情况下可以取得比较准确的结果。
专家判断法的优点在于它可以快速做出预测，并且可以结合专家的经验和知识来进行分析，但缺点是它容易受到主观因素的影响，预测结果可能不够客观。
综上所述，预测分析方法有很多种，每种方法都有其优缺点和适用场景。
在实际应用中，我们可以根据数据的特点和预测的需求来选择合适的方法进行分析。
同时，我们也可以结合多种方法来进行预测，以提高预测的准确度和可靠性。
希望本文能够帮助读者更好地理解预测分析方法，并在实际应用中取得更好的效果。
预测分析的基本方法预测分析是指通过分析数据和模式，预测未来事件、行为或趋势的方法。
在实际应用中，预测分析被广泛应用于市场预测、天气预测、金融预测等领域。
预测分析的基本方法有以下几种：1. 时间序列分析：时间序列分析是指通过对过去数据的观察和统计分析，来预测未来一段时间内事件的发展趋势。
该方法通常用于分析具有时间属性的数据集，如股市指数、销售额等。
常用的时间序列分析方法包括移动平均、指数平滑法、ARIMA模型等。
2. 回归分析：回归分析是一种通过建立数学模型，来揭示自变量与因变量之间关系的方法。
在预测分析中，回归分析可以用来预测某个因变量的取值，而建立的回归模型可以通过自变量的取值来预测因变量的取值。
常用的回归分析方法包括线性回归、逻辑回归、岭回归等。
3. 数据挖掘：数据挖掘是指通过在大规模数据集中寻找潜在模式和关联规则，来发现有用的信息和知识的过程。
在预测分析中，数据挖掘可以帮助分析师发现隐藏在数据中的规律和趋势，从而做出准确的预测。
常用的数据挖掘方法包括分类、聚类、关联规则挖掘等。
4. 人工神经网络：人工神经网络是一种模仿生物神经网络结构和功能的计算模型。
在预测分析中，人工神经网络可以通过学习历史数据和模式，建立起输入与输出之间的关系，从而进行预测。
常用的人工神经网络方法包括多层感知器、循环神经网络、卷积神经网络等。
5. 模糊逻辑分析：模糊逻辑分析是一种用来处理不确定性问题的方法。
在预测分析中，模糊逻辑分析可以通过建立模糊规则库和模糊推理机制，对输入数据进行模糊化处理，从而得到预测结果。
常用的模糊逻辑分析方法包括模糊C均值聚类、模糊神经网络、模糊决策树等。
6. 概率统计方法：概率统计方法是一种基于概率和统计模型的预测分析方法。
在预测分析中，概率统计方法可以通过概率分布函数和统计参数来描述和预测随机事件的概率。
常用的概率统计方法包括贝叶斯网络、概率图模型、马尔可夫链等。
以上是预测分析的一些基本方法，不同方法适用于不同的预测场景。
需求预测的分析方法需求预测是指通过对市场、消费者行为和其他相关因素进行分析和研究，以预测未来需求的变化趋势和规模。
预测准确的需求可以帮助企业合理安排生产计划、库存管理和市场营销策略，以满足消费者需求，提高企业的竞争力和经济效益。
以下是一些常用的需求预测分析方法：1. 历史数据分析法：通过对过去一段时间的销售数据和市场趋势进行分析，可以发现销售量和销售额的季节性、周期性或趋势性规律。
基于这些规律，可以预测未来需求的趋势和规模。
2. 调查问卷法：通过设计并发放调查问卷，收集消费者对产品或服务的需求和偏好信息。
通过统计和分析问卷结果，可以了解消费者对不同产品特征的偏好程度和购买意愿，进而预测市场需求的变化。
3. 高级统计方法：如时间序列分析、回归分析等，基于历史数据和其他相关因素进行统计建模。
通过寻找相关性和趋势，建立数学模型，预测未来的需求变化。
4. 专家咨询法：邀请相关领域的专家参与需求预测的讨论和分析。
专家可以根据其经验和洞察力，结合市场动态和潜在因素，对未来需求进行估计。
5. 场景分析法：通过对市场环境、竞争态势、消费者行为和政策变化等因素进行分析，并结合市场趋势和发展方向，预测未来需求的变化。
这种方法一般适用于长期和宏观层面的需求预测。
需要注意的是，需求预测并非准确无误的预测未来，而是通过合理的方法和分析，对未来需求进行估计和预测。
在实际应用中，可以综合多种方法和数据，结合经验判断和市场判断，提高需求预测的准确性和可靠性。
需求预测是指企业通过对市场环境、消费者行为和其他相关因素的分析和研究，来预测未来需求的变化趋势和规模。
准确的需求预测可以帮助企业合理制定生产计划、库存管理和市场营销策略，以满足消费者需求，提高企业的竞争力和经济效益。
在实际应用中，需求预测通常涉及多个因素的考虑。
下面将介绍一些常用的需求预测分析方法：1. 历史数据分析法：历史数据分析是一种基于过去销售数据和市场趋势的需求预测方法。
预测分析方法预测分析是一种通过收集数据、分析趋势和模式，以预测未来事件或结果的方法。
在当今信息爆炸的时代，预测分析方法成为了许多领域的重要工具，包括商业、金融、医疗保健、政府和科学研究等。
本文将介绍几种常用的预测分析方法，并探讨它们在不同领域的应用。
首先，回归分析是一种常见的预测分析方法。
它通过建立一个数学模型来描述自变量和因变量之间的关系，并用这个模型来预测未来的结果。
回归分析可以用于预测股票价格、销售额、人口增长率等各种现象。
例如，一家公司可以利用回归分析来预测未来销售额，以便制定营销策略和生产计划。
其次，时间序列分析是另一种常用的预测分析方法。
它主要用于分析时间序列数据，例如股票价格、气温、销售额等。
时间序列分析可以帮助我们识别数据中的趋势、季节性和周期性，并据此进行预测。
例如，气象学家可以利用时间序列分析来预测未来一周的天气情况，以便提醒公众做好防范措施。
另外，机器学习算法也被广泛应用于预测分析中。
机器学习算法可以自动发现数据中的模式和规律，并据此进行预测。
它可以处理大规模和复杂的数据，帮助我们预测客户流失率、疾病风险、交通拥堵等各种情况。
例如，银行可以利用机器学习算法来预测客户的信用风险，以便制定信贷政策和风险控制措施。
最后，决策树分析是一种直观和易于理解的预测分析方法。
它通过对数据进行分类和排序，从而形成一颗决策树，帮助我们做出预测。
决策树分析可以用于预测客户购买行为、疾病诊断、市场趋势等。
例如，一家电商公司可以利用决策树分析来预测客户对不同产品的偏好，从而调整产品组合和营销策略。
综上所述，预测分析方法在当今社会扮演着越来越重要的角色。
它可以帮助我们更好地理解数据、预测未来，指导决策和行动。
随着技术的不断进步，预测分析方法将会变得更加精确和有效，为各个领域带来更多的发展机遇。
希望本文介绍的几种预测分析方法能够为读者提供一些启发和帮助，促进其在实际工作中的应用和创新。
市场预测的方法分析市场预测是指基于已有资料和信息，通过一定的分析方法和模型，对未来市场趋势进行推测的过程。
市场预测对于企业和投资者来说具有重要的指导意义，能够帮助他们制定合理的发展和投资策略。
下面将介绍一些常用的市场预测方法和分析工具。
1. 趋势分析法：该方法通过分析市场过去一段时间的数据，找出某种固定规律或波动趋势。
可以使用统计学中的回归分析、移动平均法等来预测未来市场的走势。
这种方法适用于具有明显趋势特征的市场，如股票市场或房地产市场。
2. 槽点分析法：该方法是通过分析市场中的槽点现象，即市场中存在的不足、矛盾和问题，来预测未来市场发展方向。
槽点分析法注重对市场需求和消费者要求的准确把握，依靠对市场动态的持续观察和分析，发现市场中的新机会和发展方向。
3. 基本面分析法：该方法是通过对市场中的基本因素进行深入研究和分析，如经济、政策、技术等因素，来预测未来市场的走势。
基本面分析法更适用于长期预测，对于宏观经济环境和行业政策的变化有较高的预测准确性。
4. 技术分析法：该方法是通过对市场中的价格和成交量等技术指标的分析，来预测未来市场的走势。
技术分析法多用于短期市场预测，适合研究市场的短期波动和交易机会。
5. SWOT分析法：该方法是通过对市场中的优势、劣势、机遇和威胁进行综合分析，来评估市场的发展潜力和风险。
SWOT分析法可以帮助企业和投资者全面了解市场情况，预测未来市场的发展方向。
需要注意的是，市场预测是一门综合性的学科，不同的行业和市场具有不同的特点和规律，因此选择合适的预测方法和分析工具是十分关键的。
此外，市场预测也受到很多不确定因素的影响，如经济形势、政策变化、自然灾害等，因此在进行市场预测时需要充分考虑这些因素的影响。
市场预测是企业和投资者在制定发展和投资策略时必不可少的一项工作。
它不仅可以帮助企业了解市场的变化趋势，还可以帮助企业捕捉到市场中的新机会。
然而，市场预测是一门复杂且有一定风险的工作，需要有科学的方法和有效的分析工具来支持。
预测分析方法预测是根据研究对象发展变化的实际数据和历史资料，运用现代的科学理论和方法，以及各种经验、判断和知识，对事物在未来一定时期内可能变化情况进行推测、估计和分析。
预测分析的实质就是充分分析、理解事物发展变化的规律，根据事物的过去和现在估计未来，根据已知预测未知，从而减少对未来事物认识的不确定性，以指导我们的决策行动，减少决策的盲目性。
一、预测方法的分类预测和决策可以根据经验和直觉作出。
但是现代社会的发展使得系统结构日益复杂，变化过程中存在着极大的不确定性和随机性，这就使得我们在系统的组织、管理中凭经验、直觉作出决策并获得成功的可能性大大减小。
为了在错综复杂、急剧变化的环境中减少决策失误、改善管理调控，预测的理论和方法随着实践的变化有了迅速的发展，形成了一套科学的预测方法。
由于预测对象、时间、范围、性质等的不同，可以有不同的预测方法分类，根据方法本身的性质特点，我们可以将公共管理中的常用预测方法分为3大类。
第一类称为定性预测方法。
这种方法主要根据人们对系统过去和现在的经验、判断和直觉作出预测。
第二类称为时间序列分析预测方法。
这类方法主要是根据系统对象随时间变化的历史资料（如统计数据、实验数据和变化趋势等），只考虑系统变量随时间的发展变化规律，对其未来作出预测。
第三类称为因果关系预测方法。
系统变量之间存在着某种前因后果关系，找出影响某种结果的一个或者几个因素，建立起它们之间的数学模型，然后根据自变量的变化预测结果变量的变化。
因果关系模型的因变量和自变量在时间上是同步的，即因变量的预测值要由并进的自变量的值来旁推。
二、预测分析的一般步骤预测分析是一种科学预测，是对系统对象发展、演变的客观规律的认识和分析过程。
因此，预测分析应该建立在科学的理论基础之上，采用合理的分析、测算以及评价方法和手段。
预测分析技术的内涵应该包括它所遵循的理论、预测对象的历史和现状资料与数据、所能采用的计算方法或分析判断方法、预测方法和结果的评价与检验等要素。
预测技术所遵循的理论包括2个方面：一是预测对象本身所处学科领域的理论，用以辨识事物发展的客观规律，指导预测方法的选择和结果的分析验证；二是预测方法本身的理论，主要是统计学的有关理论等。
因此，实施一个具体的预测分析项目，必须基于上述两方面的科学理论基础。
一个成功的预测实践，应当科学合理地选择预测方法以及准确、完整地理解预测对象。
尽管不同的预测对象、不同的预测方法可能导致不同的预测实施过程，但总体看来，预测特别是定量预测方法大致可分为以下几个步骤。
1．明确预测目标。
在预测工作过程中，首先要在整个决策问题研究的总目标指导下，确定预测对象及具体的要求，包括预测指标、预测期限、可能选用的预测方法以及需要的基本资料和数据。
这是预测分析过程中一项极为重要的准备工作，它实际上保证预测工作有正确的科学理论和方法指导，有的放矢。
2．收集、整理资料和数据。
根据选用或可能选用的预测方法和预测指标，应进行两方面的工作：一是把有关历史资料、统计数据、试验数据等尽可能收集齐全，在此基础上进一步分析、整理，形成合格的数据样本；二是进行调查、访问以取得最新的数据资料，这一点对定性分析尤其重要。
3．建立预测模型。
根据科学理论指导以及所选择的预测方法，用各种有关变量来真实表达预测对象的关系，从而建立起预测所需的数学模型。
4．模型参数估计。
按照各自模型的性质和可能的样本数据，采取科学的统计方法，对模型中的参数进行估计，最终识别和确认所选用的模型形式和结构。
5．模型检验。
检验包括对模型的合理性及有效性验证。
模型检验具体有2个方面：一是对有关假设的检验：二是模型精度即预测误差的检验。
经过检验一旦发现模型不合理，就必须对模型加以修正。
6．预测实施与结果分析。
运用检验的预测模型，使用有关数据，就可以进行预测，并对预测结果进一步进行有关理论、经验方面的分析。
必要时还可以对不同方法模型的预测结果加以分析对比，以作出更加可信的判断，为管理决策提供科学依据。
从预测实际工作来看，仅靠上述步骤的实施不可能完全达到目标，有时需要若干次的反复和迭代，才能完成一个完整的预测分析任务。
三、实例结合先简要介绍定量预测方法中的时间序列预测方法的概念及特征。
将实际问题中某一变量或指标的数值或统计观测值，按照时间顺序排列成一个数值序列x(1),x(2),…..x(n)，就称为时间序列，从系统的角度类看，某一时间序列代表着客观世界的某一动态过程，它是系统中某一变量受其他各种因素影响的总结果，且表现为动态变化，因此时间序列也称为动态数据。
在系统预测中讨论的每一个时间序列都是某一事件变化的随机过程的一个样本，通过对样本的分析研究，找出动态过程的特性、最佳的数学模型、估计模型参数，并检验利用数学模型进行统计预测的精度，这就是时间序列预测的主要内容。
时间序列的特征各种不同的系统变量由于受到不同因素的影响，在不同的时间区段内，其时间序列会表现出不同的变化规律，不同的时间序列也会体现不同的统计特征。
通过对各种不同的社会、经济和工程系共同中的时间序列的分析发现，时间序列的影响因素的作用特征可以概括为四种变动方式，即趋势变动T、季节变动S、循环变动（周期变动）C及不规则变动I。
因此，任何一个时间序列总是表现为上述几种变动的不同组合的总结果Y，且可用乘法模型或加法模型表示为：Y = T*S*C*I 或Y = T + S + C + I由此可见，时间序列的特征表现为四个方面：（1）趋势性（2）季节性（3）周期性（4）不规则性下面我们以平滑预测法的移动平均法和指数平滑法来预测一个生产实例。
合肥某起重机生产厂家的生产管理部，需要根据2008年的实际生产状况来预测2009年上半年起重机的生产台数，以便于作出相应的生产计划。
2008年1-12月的实际生产状况如下，表1-1由08年的数据可以看出，在08年的前3个季度，起重机的生产数量基本上是稳定上升，但是由于08年下半年经济危机的影响，使得生产数量出现下滑。
不过，由于国家出台了扩大内需的政策，使得12月份的数量又出现大幅度回升，因此，在当前形势下，做好09年的生产计划，是非常重要的。
根据6点移动平均法进行预测，计算公式如下：X(t+1) = (x(t) + x(t-1)+…+x(t-n+1))/n，其中n取值为6由计算公式可以计算得出09年1月份的预测值为X(200901) = (550+555+530+500+470+580)/6=530.833取整数可以得出该预测值为531台由于暂时没有2009年1月份的实际生产状况，因此，我们暂定该预测值为09年1月份的生产数据，而后计算得出09年2月份的预测值，同样以此类推得出09年3-6月份的预测值。
得出结果如下X(200902) = (555+530+500+470+580+531)/6 = 528X(200903) = (530+500+470+580+531+528)/6 = 523X(200904) = (500+470+580+531+528+523)/6 = 522X(200905) = (470+580+531+528+523+522)/6 = 526X(200906) = (580+531+528+523+522+526)/6 = 535移动平均方法比较简单，但它一般只对发展变化比较平坦、增长趋势不明显。
而且以上数据中，由于没有09年1月份之后的实际生产数据，而使用了计算过后的预测数据，因此使得09年2月份以后的预测数据的准确性变得越来越低，所以，此方法相对来说只能预测时间序列中比较近的数据，对于时间段更长的数据，准确性和使用性就是比较低的。
下面我们使用指数平滑法来做一下09年1-6月份的预测数据指数平滑法也是对时间序列的修匀，不过它不是求算数平均，而是注重时间序列的长期数值队未来预测值的共同影响，即对时间序列的各种数据进行加权平均，时间越近的数据，其权值约大。
在此，我们利用一次指数平滑和二次指数平滑来计算求值。
公式如下：定义R为一次指数平滑值，S为二次指数平滑值R(t) = α*x(t) + (1-α)*R(t-1)S(t) = α*R(t) + (1-α)*S(t-1)其中α为平滑系数，α越大，表明越重视近期数据的作用，对过程的变化反映越快，α越小，表示模型越重视离现时更远的历史数据的作用，修匀能力越强，对过程变化的反映越迟钝。
以表1-1中的数据为例，取α=0.2，R(0)=S(0)=x(1)根据公式得出的一次指数平滑值与二次指数平滑值如下表所示表1-2第T个时刻的预测值的公式为：x(t+T) = a(t) + b(t)*T该公式模型的参数a(t) = 2*R(t) – S(t)b(t) = α*[R(t)-S(t)]/(1-α)由此可以得出a(200812) = 2*520 - 504 = 536b(200812) = 0.2*(520-504)/(1-0.2) = 4由此，预测模型为Y(200812+T) = 536 + 4*T2009年1月的T=1，2月的T=2，以此类推，可以得出以下几个月份的预测值2009年1月：Y(200901) = 536 + 4*1 = 5402009年2月：Y(200902) = 536 + 4*2 = 5442009年3月：Y(200903) = 536 + 4*3 = 5482009年4月：Y(200904) = 536 + 4*4 = 5522009年5月：Y(200905) = 536 + 4*5 = 5562009年6月：Y(200906) = 536 + 4*6 = 560由此可以看出，指数平滑法得出的预测值是一种线形增长的值，在没有外界因素的情况下，该预测方法还是比较科学的，但是实际当中，各种各样的因素都会影响到计划的作成，俗话说，计划不如变化快，因此这些根据模型计算出来的预测值，可以给我们做参考，然后再根据实际情况的需要，调整这些预测，做出尽可能正确的计划。
