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
通常用驗證集或交叉驗證去挑,不要只憑手感。
ARIMA 偏向統計建模,指數平滑法偏向簡單的加權預測。
當資料有明顯複雜週期、非線性趨勢或很多突發事件時,就要考慮其他方法。
相關術語
來源
這個術語目前沒有標註外部來源。
其他格式:Markdown 版本