AITerms 登入
時序分析統計方法資料處理

指數平滑法(Exponential Smoothing)是什麼?

指數平滑法是一系列時序預測方法,使用加權平均數,其中權重隨著時間的推移呈指數衰減,更重視近期觀測值。

完整定義

指數平滑法是一類用於時間序列資料預測的技術,它使用加權平均數,其中權重隨著時間的推移呈指數衰減。這意味著最近的觀測值比過去的觀測值具有更大的影響力。指數平滑法易於實現且計算效率高,使其成為許多應用中的熱門選擇。

白話說明

你有沒有看過店家預測明天要備多少貨,通常會更重視最近幾天的銷量?

你可以把它想成,時間序列裡越新的資料越重要,舊資料不是沒用,而是權重會一層層變小。

指數平滑法很適合做簡單又穩定的預測,像銷售量、客服量、需求量這種會隨時間變動的資料。

記住這句

越新的資料,權重越大。

比喻:指數平滑法就像你預測明天的天氣,會更看重最近幾天的氣溫和濕度 -- 越是接近今天的數據,在你的判斷中佔的比重就越大,久遠的數據影響力就越來越小。

容易混淆

指數平滑法 vs 移動平均法

移動平均法會給固定時間窗內的資料差不多的權重。

指數平滑法讓最近資料權重更高,舊資料快速衰減。

最關鍵的區別:舊資料是不是一樣重要。

指數平滑法 vs ARIMA

ARIMA 會把自迴歸、差分、移動平均一起建模。

指數平滑法更簡單,通常更容易上手。

最關鍵的區別:模型複雜度和可解釋性。

指數平滑法 vs 季節性分解

季節性分解是在拆趨勢、季節和殘差。

指數平滑法是在做加權平均式的預測。

最關鍵的區別:分析結構,還是直接預測。

實際案例

零售備貨

賣場看最近幾週的銷售,調整下週進貨量。

Before:照上個月平均值備貨。After:把最近幾天的變化也算進去。

客服量預測

客服中心會用最近的來電量,預測明天要安排多少人力。

Before:只看長期平均。After:對近期尖峰更敏感。

演算法與應用

簡單指數平滑法適合沒有明顯趨勢的序列,雙指數和三指數平滑則能處理趨勢與季節性。

平滑參數越大,模型越看重近期資料;參數越小,預測越平穩。

如果資料有強烈週期或複雜結構,通常要再搭配其他方法。

公式與 α 的意義

最基本的簡單指數平滑只有一條式子:

S_t = α × Y_t + (1 − α) × S_{t−1}

S_t 是這一期的平滑值,Y_t 是這一期的實際觀測值,α 是平滑係數,介於 0 到 1。

這條式子在說:新的估計等於「這期實際值」與「上期估計值」的加權平均。

α 的選擇直接決定模型的個性:

把式子展開會看到一件事:過去每一期的權重是 α(1−α)ᵏ,也就是越舊的資料權重呈指數衰減。名字裡的「指數」就是這麼來的,它跟移動平均最大的差別在於移動平均是窗口內等權重、窗口外完全不看。

α
接近 1
行為
幾乎只看最新一期
適合
變化快、雜訊少的資料
α
0.2 到 0.4
行為
常見的折衷區間
適合
多數一般情況
α
接近 0
行為
幾乎只看歷史
適合
變化慢、雜訊大的資料

三個層級的指數平滑

選擇方式很直接:先把資料畫出來。看起來上下震盪沒有明顯走向,用簡單指數平滑。有持續往上或往下的走勢,用 Holt。每年或每週有重複的形狀,用 Holt-Winters。

Holt-Winters 還要再分加法與乘法季節性:季節波動的幅度固定用加法,波動幅度隨整體水準等比例放大用乘法。零售營業額通常是乘法型的。

實務上的兩個提醒。第一,指數平滑做的是短期預測,往外推越遠越不可靠。第二,它假設過去的模式會延續,遇到結構性斷點(政策改變、疫情、產品改版)會完全失準,這種時候要重新起算而不是繼續平滑。

方法
簡單指數平滑
處理什麼
只有水平(level)
別名
SES
方法
二次指數平滑
處理什麼
水平加趨勢
別名
Holt's method
方法
三次指數平滑
處理什麼
水平加趨勢加季節性
別名
Holt-Winters

情境判斷

Q1(直覺題): 平滑參數變大,模型會變得怎樣?

它會更看重最近資料,所以反應更快,但也可能更敏感。

Q2(判斷題): 指數平滑法適合所有時間序列嗎?

看情況。若趨勢太複雜或季節性太強,就要考慮更完整的模型。

常見問題

相關術語

本頁內容有提到,或屬於同一組主題的術語

來源

這個術語目前沒有標註外部來源。

其他格式:Markdown 版本