指数平滑法
指数平滑法（Exponential Smoothing）是一类重要的时间序列预测方法，其核心思想是对历史观测值赋予指数递减的权重，使得近期数据对预测的影响大于远期数据。该方法计算简便、适应性强，广泛应用于销售预测、库存管理、经济指标预测等领域。
基本原理
指数平滑法的本质是加权移动平均的一种特殊形式，权重按照指数规律衰减，无需存储大量历史数据即可实现高质量的短期预测。
设时间序列观测值为 \( y_1, y_2, \ldots, y_t \)，指数平滑的基本递推公式为：
\[ S_t = \alpha y_t + (1 - \alpha) S_{t-1} \]
其中 \( \alpha \in (0, 1) \) 为平滑系数（smoothing parameter），\( S_t \) 为第 \( t \) 期的平滑值。
展开递推关系可得：
\[ S_t = \alpha y_t + \alpha(1-\alpha) y_{t-1} + \alpha(1-\alpha)^2 y_{t-2} + \cdots \]
可以看出，第 \( k \) 期前的观测值 \( y_{t-k} \) 的权重为 \( \alpha(1-\alpha)^k \)，随 \( k \) 增大呈指数衰减，这正是“指数平滑“名称的由来。
权重之和满足归一化条件：
\[ \sum_{k=0}^{\infty} \alpha(1-\alpha)^k = \frac{\alpha}{1-(1-\alpha)} = 1 \]
一次指数平滑（Simple Exponential Smoothing）
一次指数平滑适用于没有明显趋势和季节性的平稳时间序列，仅对水平分量进行估计。
模型定义
一次指数平滑（SES）的模型假设时间序列围绕一个缓慢变化的水平值 \( \ell_t \) 波动：
\[ y_t = \ell_t + \varepsilon_t \]
水平方程的更新公式为：
\[ \ell_t = \alpha y_t + (1 - \alpha) \ell_{t-1} \]
对未来 \( h \) 步的预测为常数：
\[ \hat{y}_{t+h|t} = \ell_t, \quad h = 1, 2, \ldots \]
初始值设定
常用的初始化方法包括：
- 取第一个观测值：\( \ell_0 = y_1 \)
- 取前若干期的均值：\( \ell_0 = \frac{1}{k}\sum_{i=1}^{k} y_i \)
预测误差形式
等价地，SES 可以写成误差修正形式：
\[ \ell_t = \ell_{t-1} + \alpha e_t \]
其中 \( e_t = y_t - \hat{y}{t|t-1} = y_t - \ell{t-1} \) 为一步预测误差。这表明每期的水平估计是在上一期预测的基础上，按比例 \( \alpha \) 修正预测误差。
平均年龄与等价跨度
一次指数平滑的平均数据年龄（average age）为：
\[ \bar{k} = \sum_{k=0}^{\infty} k \cdot \alpha(1-\alpha)^k = \frac{1-\alpha}{\alpha} \]
与简单移动平均等价的窗口宽度为：
\[ N = \frac{2}{\alpha} - 1 \]
例如 \( \alpha = 0.2 \) 等价于 \( N = 9 \) 期的简单移动平均。
二次指数平滑（Holt线性趋势法）
当时间序列呈现线性趋势时，一次指数平滑会产生系统性的滞后偏差。Holt（1957）提出的双参数方法同时估计水平和趋势两个分量。
模型定义
Holt线性趋势法包含两个平滑方程：
水平方程：
\[ \ell_t = \alpha y_t + (1 - \alpha)(\ell_{t-1} + b_{t-1}) \]
趋势方程：
\[ b_t = \beta(\ell_t - \ell_{t-1}) + (1 - \beta) b_{t-1} \]
其中：
- \( \ell_t \) 为第 \( t \) 期的水平估计
- \( b_t \) 为第 \( t \) 期的趋势（斜率）估计
- \( \alpha \in (0, 1) \) 为水平平滑系数
- \( \beta \in (0, 1) \) 为趋势平滑系数
预测公式
向前 \( h \) 步预测：
\[ \hat{y}_{t+h|t} = \ell_t + h \cdot b_t \]
阻尼趋势法（Damped Trend）
Gardner和McKenzie（1985）提出阻尼趋势修正，防止趋势无限延伸：
\[ \ell_t = \alpha y_t + (1 - \alpha)(\ell_{t-1} + \phi b_{t-1}) \]
\[ b_t = \beta(\ell_t - \ell_{t-1}) + (1 - \beta) \phi b_{t-1} \]
预测公式变为：
\[ \hat{y}_{t+h|t} = \ell_t + (\phi + \phi^2 + \cdots + \phi^h) b_t = \ell_t + \frac{\phi(1-\phi^h)}{1-\phi} b_t \]
其中 \( \phi \in (0, 1) \) 为阻尼系数。当 \( \phi = 1 \) 时退化为标准Holt方法；当 \( h \to \infty \) 时，预测趋于常数 \( \ell_t + \frac{\phi}{1-\phi} b_t \)。
初始值设定
常用方法：
- \( \ell_0 = y_1 \)
- \( b_0 = y_2 - y_1 \)（或取前几期斜率的均值）
三次指数平滑（Holt-Winters方法）
Holt-Winters方法在Holt线性趋势法的基础上引入季节分量，能够处理同时具有趋势和季节性的时间序列。根据季节效应的组合方式不同，分为加法模型和乘法模型。
加法季节模型（Additive Seasonal）
适用于季节波动幅度相对恒定的序列。
水平方程：
\[ \ell_t = \alpha(y_t - s_{t-m}) + (1 - \alpha)(\ell_{t-1} + b_{t-1}) \]
趋势方程：
\[ b_t = \beta(\ell_t - \ell_{t-1}) + (1 - \beta) b_{t-1} \]
季节方程：
\[ s_t = \gamma(y_t - \ell_{t-1} - b_{t-1}) + (1 - \gamma) s_{t-m} \]
预测公式：
\[ \hat{y}{t+h|t} = \ell_t + h \cdot b_t + s{t+h-m(k+1)} \]
其中：
- \( m \) 为季节周期长度（如月度数据 \( m=12 \)，季度数据 \( m=4 \)）
- \( s_t \) 为季节分量，满足约束 \( \sum_{i=1}^{m} s_i \approx 0 \)
- \( \gamma \in (0, 1) \) 为季节平滑系数
- \( k = \lfloor (h-1)/m \rfloor \)，确保使用最近完整周期的季节因子
乘法季节模型（Multiplicative Seasonal）
适用于季节波动幅度随水平成比例变化的序列。
水平方程：
\[ \ell_t = \alpha \frac{y_t}{s_{t-m}} + (1 - \alpha)(\ell_{t-1} + b_{t-1}) \]
趋势方程：
\[ b_t = \beta(\ell_t - \ell_{t-1}) + (1 - \beta) b_{t-1} \]
季节方程：
\[ s_t = \gamma \frac{y_t}{\ell_{t-1} + b_{t-1}} + (1 - \gamma) s_{t-m} \]
预测公式：
\[ \hat{y}{t+h|t} = (\ell_t + h \cdot b_t) \cdot s{t+h-m(k+1)} \]
其中乘法季节因子满足约束 \( \sum_{i=1}^{m} s_i \approx m \)（或等价地均值约为1）。
加法与乘法模型的选择
| 特征 | 加法模型 | 乘法模型 |
|---|---|---|
| 季节波动 | 幅度恒定 | 幅度随水平成比例 |
| 数据变换 | 原始数据 | 可对数变换后用加法 |
| 适用场景 | 温度、固定费用 | 销售额、GDP |
| 数学约束 | \( \sum s_i = 0 \) | \( \sum s_i = m \) |
初始值设定
对于季节周期 \( m \) 的序列，通常需要至少两个完整周期的数据来初始化：
- \( \ell_0 = \frac{1}{m}\sum_{i=1}^{m} y_i \)（第一个周期的均值）
- \( b_0 = \frac{1}{m}\left(\frac{y_{m+1}-y_1}{m} + \frac{y_{m+2}-y_2}{m} + \cdots + \frac{y_{2m}-y_m}{m}\right) \)
- 加法季节初始值：\( s_i = y_i - \ell_0 \)，\( i = 1, \ldots, m \)
- 乘法季节初始值：\( s_i = y_i / \ell_0 \)，\( i = 1, \ldots, m \)
平滑系数的选择
平滑系数的取值直接影响预测效果：过大则对噪声过度敏感，过小则对变化反应迟钝。实际应用中通常通过最优化方法确定参数。
参数含义与影响
- \( \alpha \) 接近1：预测主要依赖最近观测值，反应灵敏但波动大
- \( \alpha \) 接近0：预测主要依赖历史平滑值，平稳但滞后明显
- \( \beta \) 的作用类似，控制趋势估计的灵敏度
- \( \gamma \) 控制季节模式的更新速度
经验准则
- 平稳序列：\( \alpha \in [0.1, 0.3] \)
- 变化较快的序列：\( \alpha \in [0.3, 0.7] \)
- 趋势平滑系数通常较小：\( \beta \in [0.01, 0.2] \)
- 季节平滑系数通常较小：\( \gamma \in [0.01, 0.3] \)
- 阻尼系数常取：\( \phi \in [0.8, 0.98] \)
最优参数估计
实践中最常用的方法是最小化样本内一步预测误差的平方和（SSE）：
\[ \min_{\alpha, \beta, \gamma} \sum_{t=1}^{T} e_t^2 = \sum_{t=1}^{T} (y_t - \hat{y}_{t|t-1})^2 \]
也可以使用最大似然估计（MLE），假设误差服从正态分布：
\[ \max_{\theta} ; \mathcal{L}(\theta) = -\frac{T}{2}\ln(2\pi) - \frac{T}{2}\ln(\hat{\sigma}^2) - \frac{1}{2\hat{\sigma}^2}\sum_{t=1}^{T} e_t^2 \]
常用优化算法包括Nelder-Mead单纯形法和L-BFGS-B有界优化。
信息准则选模型
当需要在不同模型间选择时，可使用：
- AIC（赤池信息准则）：\( \text{AIC} = -2\ln\mathcal{L} + 2k \)
- AICc（修正AIC）：\( \text{AICc} = \text{AIC} + \frac{2k(k+1)}{T-k-1} \)
- BIC（贝叶斯信息准则）：\( \text{BIC} = -2\ln\mathcal{L} + k\ln T \)
其中 \( k \) 为模型参数个数，\( T \) 为样本量。
实际案例分析
以下通过一个完整的数值案例演示Holt-Winters加法模型的计算过程，帮助理解算法的具体运行机制。
问题描述
某零售商店记录了过去2年（8个季度）的销售额（万元）：
| 季度 | Q1 | Q2 | Q3 | Q4 | Q5 | Q6 | Q7 | Q8 |
|---|---|---|---|---|---|---|---|---|
| 销售额 | 120 | 150 | 170 | 140 | 130 | 160 | 185 | 155 |
数据呈现上升趋势和季节波动（Q3为旺季），要求预测第9、10季度的销售额。
参数设定
选择 \( \alpha = 0.4 \)，\( \beta = 0.3 \)，\( \gamma = 0.5 \)，季节周期 \( m = 4 \)。
初始化计算
水平初始值： 取第一个季节周期的均值
\[ \ell_0 = \frac{120 + 150 + 170 + 140}{4} = 145 \]
趋势初始值： 用两个周期计算平均斜率
\[ b_0 = \frac{1}{4}\left(\frac{130-120}{4} + \frac{160-150}{4} + \frac{185-170}{4} + \frac{155-140}{4}\right) = \frac{1}{4}(2.5 + 2.5 + 3.75 + 3.75) = 3.125 \]
季节初始值（加法）：
\[ s_1 = 120 - 145 = -25, \quad s_2 = 150 - 145 = 5 \]
\[ s_3 = 170 - 145 = 25, \quad s_4 = 140 - 145 = -5 \]
验证：\( s_1 + s_2 + s_3 + s_4 = -25 + 5 + 25 + (-5) = 0 \)（满足约束）
逐步递推计算
第5期（t=5，对应季节位置1）：
观测值 \( y_5 = 130 \)，对应季节因子 \( s_1 = -25 \)
水平更新： \[ \ell_5 = 0.4 \times (130 - (-25)) + 0.6 \times (145 + 3.125) = 0.4 \times 155 + 0.6 \times 148.125 = 62 + 88.875 = 150.875 \]
趋势更新： \[ b_5 = 0.3 \times (150.875 - 145) + 0.7 \times 3.125 = 0.3 \times 5.875 + 2.1875 = 1.7625 + 2.1875 = 3.95 \]
季节更新： \[ s_5 = 0.5 \times (130 - 145 - 3.125) + 0.5 \times (-25) = 0.5 \times (-18.125) + (-12.5) = -9.0625 + (-12.5) = -21.5625 \]
一步预测值（回代验证）： \[ \hat{y}_5 = \ell_4 + b_4 + s_1 = 145 + 3.125 + (-25) = 123.125 \]
预测误差：\( e_5 = 130 - 123.125 = 6.875 \)
第6期（t=6，对应季节位置2）：
观测值 \( y_6 = 160 \)，对应季节因子 \( s_2 = 5 \)
水平更新： \[ \ell_6 = 0.4 \times (160 - 5) + 0.6 \times (150.875 + 3.95) = 0.4 \times 155 + 0.6 \times 154.825 = 62 + 92.895 = 154.895 \]
趋势更新： \[ b_6 = 0.3 \times (154.895 - 150.875) + 0.7 \times 3.95 = 0.3 \times 4.02 + 2.765 = 1.206 + 2.765 = 3.971 \]
季节更新： \[ s_6 = 0.5 \times (160 - 150.875 - 3.95) + 0.5 \times 5 = 0.5 \times 5.175 + 2.5 = 2.5875 + 2.5 = 5.0875 \]
第7期（t=7，对应季节位置3）：
观测值 \( y_7 = 185 \)，对应季节因子 \( s_3 = 25 \)
水平更新： \[ \ell_7 = 0.4 \times (185 - 25) + 0.6 \times (154.895 + 3.971) = 0.4 \times 160 + 0.6 \times 158.866 = 64 + 95.32 = 159.32 \]
趋势更新： \[ b_7 = 0.3 \times (159.32 - 154.895) + 0.7 \times 3.971 = 0.3 \times 4.425 + 2.78 = 1.328 + 2.78 = 4.108 \]
季节更新： \[ s_7 = 0.5 \times (185 - 154.895 - 3.971) + 0.5 \times 25 = 0.5 \times 26.134 + 12.5 = 13.067 + 12.5 = 25.567 \]
第8期（t=8，对应季节位置4）：
观测值 \( y_8 = 155 \)，对应季节因子 \( s_4 = -5 \)
水平更新： \[ \ell_8 = 0.4 \times (155 - (-5)) + 0.6 \times (159.32 + 4.108) = 0.4 \times 160 + 0.6 \times 163.428 = 64 + 98.057 = 162.057 \]
趋势更新： \[ b_8 = 0.3 \times (162.057 - 159.32) + 0.7 \times 4.108 = 0.3 \times 2.737 + 2.876 = 0.821 + 2.876 = 3.697 \]
季节更新： \[ s_8 = 0.5 \times (155 - 159.32 - 4.108) + 0.5 \times (-5) = 0.5 \times (-8.428) + (-2.5) = -4.214 + (-2.5) = -6.714 \]
预测结果
第9期预测（h=1，对应季节位置1）：
使用更新后的季节因子 \( s_5 = -21.5625 \)：
\[ \hat{y}_9 = \ell_8 + 1 \times b_8 + s_5 = 162.057 + 3.697 + (-21.5625) = 144.19 \text{（万元）} \]
第10期预测（h=2，对应季节位置2）：
使用更新后的季节因子 \( s_6 = 5.0875 \)：
\[ \hat{y}_{10} = \ell_8 + 2 \times b_8 + s_6 = 162.057 + 7.394 + 5.0875 = 174.54 \text{（万元）} \]
预测精度评估
计算样本内（第5-8期）的均方根误差：
\[ \text{RMSE} = \sqrt{\frac{1}{4}\sum_{t=5}^{8} e_t^2} \]
该指标可以与其他模型进行比较，选择RMSE最小的模型。
Python代码实现
以下代码使用
statsmodels库的ExponentialSmoothing类实现各种指数平滑模型，并展示完整的建模、预测与评估流程。
基础环境准备
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from statsmodels.tsa.holtwinters import (
SimpleExpSmoothing,
ExponentialSmoothing
)
from sklearn.metrics import mean_squared_error, mean_absolute_error
import warnings
warnings.filterwarnings('ignore')
plt.rcParams['font.sans-serif'] = ['SimHei'] # 中文显示
plt.rcParams['axes.unicode_minus'] = False
一次指数平滑实现
# 生成示例数据：平稳序列
np.random.seed(42)
n = 50
y_level = 100 + np.random.normal(0, 5, n)
data_ses = pd.Series(y_level, index=pd.date_range('2020-01', periods=n, freq='M'))
# 划分训练集和测试集
train = data_ses[:40]
test = data_ses[40:]
# 一次指数平滑
model_ses = SimpleExpSmoothing(train, initialization_method='estimated')
fit_ses = model_ses.fit(optimized=True)
print(f"最优平滑系数 alpha = {fit_ses.params['smoothing_level']:.4f}")
print(f"初始水平值 l0 = {fit_ses.params['initial_level']:.4f}")
# 预测
forecast_ses = fit_ses.forecast(len(test))
# 评估
rmse = np.sqrt(mean_squared_error(test, forecast_ses))
mae = mean_absolute_error(test, forecast_ses)
print(f"RMSE = {rmse:.4f}")
print(f"MAE = {mae:.4f}")
二次指数平滑（Holt线性趋势）实现
# 生成带趋势的数据
np.random.seed(42)
trend = np.linspace(0, 30, n)
y_trend = 100 + trend + np.random.normal(0, 3, n)
data_holt = pd.Series(y_trend, index=pd.date_range('2020-01', periods=n, freq='M'))
train_h = data_holt[:40]
test_h = data_holt[40:]
# Holt线性趋势法
model_holt = ExponentialSmoothing(
train_h,
trend='add',
seasonal=None,
initialization_method='estimated'
)
fit_holt = model_holt.fit(optimized=True)
print(f"alpha = {fit_holt.params['smoothing_level']:.4f}")
print(f"beta = {fit_holt.params['smoothing_trend']:.4f}")
# 阻尼趋势法
model_damped = ExponentialSmoothing(
train_h,
trend='add',
damped_trend=True,
seasonal=None,
initialization_method='estimated'
)
fit_damped = model_damped.fit(optimized=True)
print(f"阻尼系数 phi = {fit_damped.params['damping_trend']:.4f}")
# 对比预测
forecast_holt = fit_holt.forecast(len(test_h))
forecast_damped = fit_damped.forecast(len(test_h))
# 可视化
plt.figure(figsize=(12, 6))
plt.plot(train_h, label='训练数据', color='black')
plt.plot(test_h, label='测试数据', color='gray', linestyle='--')
plt.plot(forecast_holt, label='Holt线性趋势', color='blue')
plt.plot(forecast_damped, label='阻尼趋势', color='red')
plt.legend()
plt.title('Holt线性趋势法与阻尼趋势法对比')
plt.xlabel('日期')
plt.ylabel('数值')
plt.tight_layout()
plt.savefig('holt_comparison.png', dpi=150)
plt.show()
三次指数平滑（Holt-Winters）完整实现
# 构造带有趋势和季节性的模拟数据
np.random.seed(42)
n_hw = 72 # 6年月度数据
t = np.arange(n_hw)
trend_hw = 0.5 * t
seasonal_pattern = 10 * np.sin(2 * np.pi * t / 12) # 年度季节性
noise = np.random.normal(0, 2, n_hw)
y_hw = 100 + trend_hw + seasonal_pattern + noise
data_hw = pd.Series(y_hw, index=pd.date_range('2018-01', periods=n_hw, freq='M'))
train_hw = data_hw[:60] # 前5年训练
test_hw = data_hw[60:] # 最后1年测试
# 加法Holt-Winters模型
model_hw_add = ExponentialSmoothing(
train_hw,
trend='add',
seasonal='add',
seasonal_periods=12,
initialization_method='estimated'
)
fit_hw_add = model_hw_add.fit(optimized=True)
# 乘法Holt-Winters模型
model_hw_mul = ExponentialSmoothing(
train_hw,
trend='add',
seasonal='mul',
seasonal_periods=12,
initialization_method='estimated'
)
fit_hw_mul = model_hw_mul.fit(optimized=True)
# 打印模型参数
print("=== 加法Holt-Winters模型参数 ===")
print(f"alpha (水平) = {fit_hw_add.params['smoothing_level']:.4f}")
print(f"beta (趋势) = {fit_hw_add.params['smoothing_trend']:.4f}")
print(f"gamma (季节) = {fit_hw_add.params['smoothing_seasonal']:.4f}")
print(f"AIC = {fit_hw_add.aic:.2f}")
print(f"BIC = {fit_hw_add.bic:.2f}")
print("\n=== 乘法Holt-Winters模型参数 ===")
print(f"alpha (水平) = {fit_hw_mul.params['smoothing_level']:.4f}")
print(f"beta (趋势) = {fit_hw_mul.params['smoothing_trend']:.4f}")
print(f"gamma (季节) = {fit_hw_mul.params['smoothing_seasonal']:.4f}")
print(f"AIC = {fit_hw_mul.aic:.2f}")
print(f"BIC = {fit_hw_mul.bic:.2f}")
# 预测
forecast_add = fit_hw_add.forecast(12)
forecast_mul = fit_hw_mul.forecast(12)
# 模型评估
rmse_add = np.sqrt(mean_squared_error(test_hw, forecast_add))
rmse_mul = np.sqrt(mean_squared_error(test_hw, forecast_mul))
print(f"\n加法模型 RMSE = {rmse_add:.4f}")
print(f"乘法模型 RMSE = {rmse_mul:.4f}")
模型诊断与可视化
def plot_hw_decomposition(fit_result, data, title="Holt-Winters分解"):
"""可视化Holt-Winters模型的分解结果"""
fig, axes = plt.subplots(4, 1, figsize=(12, 10), sharex=True)
# 原始数据与拟合值
axes[0].plot(data, 'k-', label='观测值')
axes[0].plot(fit_result.fittedvalues, 'r-', label='拟合值')
axes[0].set_title(title)
axes[0].legend()
# 水平分量
axes[1].plot(fit_result.level, 'b-')
axes[1].set_ylabel('水平 (Level)')
# 趋势分量
axes[2].plot(fit_result.trend, 'g-')
axes[2].set_ylabel('趋势 (Trend)')
# 季节分量
axes[3].plot(fit_result.season, 'm-')
axes[3].set_ylabel('季节 (Season)')
axes[3].set_xlabel('日期')
plt.tight_layout()
plt.savefig('hw_decomposition.png', dpi=150)
plt.show()
plot_hw_decomposition(fit_hw_add, train_hw, "Holt-Winters加法模型分解")
残差诊断
def residual_diagnostics(fit_result, title="残差诊断"):
"""模型残差诊断"""
residuals = fit_result.resid
fig, axes = plt.subplots(2, 2, figsize=(12, 8))
# 残差时序图
axes[0, 0].plot(residuals)
axes[0, 0].axhline(y=0, color='r', linestyle='--')
axes[0, 0].set_title('残差时序图')
# 残差直方图
axes[0, 1].hist(residuals, bins=20, edgecolor='black', density=True)
axes[0, 1].set_title('残差分布')
# Q-Q图
from scipy import stats
stats.probplot(residuals, plot=axes[1, 0])
axes[1, 0].set_title('Q-Q图')
# 自相关图
from statsmodels.graphics.tsaplots import plot_acf
plot_acf(residuals, ax=axes[1, 1], lags=24)
axes[1, 1].set_title('残差自相关图')
plt.suptitle(title, fontsize=14)
plt.tight_layout()
plt.savefig('residual_diagnostics.png', dpi=150)
plt.show()
# Ljung-Box检验
from statsmodels.stats.diagnostic import acorr_ljungbox
lb_test = acorr_ljungbox(residuals, lags=[12, 24], return_df=True)
print("Ljung-Box检验结果：")
print(lb_test)
residual_diagnostics(fit_hw_add, "加法Holt-Winters残差诊断")
交叉验证与滚动预测
def rolling_forecast_evaluation(data, seasonal_periods, horizon=1):
"""时间序列滚动窗口交叉验证"""
min_train_size = 2 * seasonal_periods # 至少两个完整周期
n = len(data)
errors = []
for i in range(min_train_size, n - horizon + 1):
train_cv = data[:i]
actual = data[i:i + horizon]
try:
model = ExponentialSmoothing(
train_cv,
trend='add',
seasonal='add',
seasonal_periods=seasonal_periods,
initialization_method='estimated'
)
fit = model.fit(optimized=True, disp=False)
pred = fit.forecast(horizon)
error = actual.values - pred.values
errors.append(error)
except Exception:
continue
errors = np.array(errors)
rmse_cv = np.sqrt(np.mean(errors**2))
mae_cv = np.mean(np.abs(errors))
print(f"滚动预测交叉验证结果 (horizon={horizon}):")
print(f" RMSE = {rmse_cv:.4f}")
print(f" MAE = {mae_cv:.4f}")
return errors
cv_errors = rolling_forecast_evaluation(data_hw, seasonal_periods=12, horizon=1)
完整预测流程封装
def exponential_smoothing_pipeline(data, seasonal_periods, test_size=12,
trend='add', seasonal='add',
damped=False):
"""
指数平滑完整建模流程
Parameters
----------
data : pd.Series
时间序列数据
seasonal_periods : int
季节周期长度
test_size : int
测试集大小
trend : str
趋势类型 ('add', 'mul', None)
seasonal : str
季节类型 ('add', 'mul', None)
damped : bool
是否使用阻尼趋势
Returns
-------
dict : 包含模型、预测值、评估指标的字典
"""
# 数据划分
train = data[:-test_size]
test = data[-test_size:]
# 模型拟合
model = ExponentialSmoothing(
train,
trend=trend,
seasonal=seasonal,
seasonal_periods=seasonal_periods,
damped_trend=damped,
initialization_method='estimated'
)
fit = model.fit(optimized=True)
# 预测
forecast = fit.forecast(test_size)
# 评估指标
rmse = np.sqrt(mean_squared_error(test, forecast))
mae = mean_absolute_error(test, forecast)
mape = np.mean(np.abs((test - forecast) / test)) * 100
results = {
'model': model,
'fit': fit,
'forecast': forecast,
'train': train,
'test': test,
'rmse': rmse,
'mae': mae,
'mape': mape,
'aic': fit.aic,
'bic': fit.bic
}
# 输出摘要
print("=" * 50)
print("指数平滑模型摘要")
print("=" * 50)
print(f"趋势类型: {trend}, 季节类型: {seasonal}, 阻尼: {damped}")
print(f"训练集大小: {len(train)}, 测试集大小: {len(test)}")
print(f"\n模型参数:")
print(f" alpha = {fit.params['smoothing_level']:.4f}")
if trend:
print(f" beta = {fit.params['smoothing_trend']:.4f}")
if seasonal:
print(f" gamma = {fit.params['smoothing_seasonal']:.4f}")
if damped:
print(f" phi = {fit.params['damping_trend']:.4f}")
print(f"\n预测精度:")
print(f" RMSE = {rmse:.4f}")
print(f" MAE = {mae:.4f}")
print(f" MAPE = {mape:.2f}%")
print(f"\n信息准则:")
print(f" AIC = {fit.aic:.2f}")
print(f" BIC = {fit.bic:.2f}")
return results
# 使用示例
results = exponential_smoothing_pipeline(
data_hw,
seasonal_periods=12,
test_size=12,
trend='add',
seasonal='add',
damped=False
)
多模型自动比较
def auto_select_ets(data, seasonal_periods, test_size=12):
"""自动比较多种ETS模型并选择最优"""
configurations = [
{'trend': None, 'seasonal': None, 'damped': False, 'name': 'SES'},
{'trend': 'add', 'seasonal': None, 'damped': False, 'name': 'Holt线性'},
{'trend': 'add', 'seasonal': None, 'damped': True, 'name': 'Holt阻尼'},
{'trend': 'add', 'seasonal': 'add', 'damped': False, 'name': 'HW加法'},
{'trend': 'add', 'seasonal': 'mul', 'damped': False, 'name': 'HW乘法'},
{'trend': 'add', 'seasonal': 'add', 'damped': True, 'name': 'HW加法阻尼'},
{'trend': 'add', 'seasonal': 'mul', 'damped': True, 'name': 'HW乘法阻尼'},
]
results_list = []
train = data[:-test_size]
test = data[-test_size:]
for config in configurations:
try:
sp = seasonal_periods if config['seasonal'] else None
model = ExponentialSmoothing(
train,
trend=config['trend'],
seasonal=config['seasonal'],
seasonal_periods=sp,
damped_trend=config['damped'],
initialization_method='estimated'
)
fit = model.fit(optimized=True, disp=False)
forecast = fit.forecast(test_size)
rmse = np.sqrt(mean_squared_error(test, forecast))
results_list.append({
'name': config['name'],
'aic': fit.aic,
'bic': fit.bic,
'rmse': rmse
})
except Exception as e:
results_list.append({
'name': config['name'],
'aic': np.inf,
'bic': np.inf,
'rmse': np.inf
})
results_df = pd.DataFrame(results_list)
results_df = results_df.sort_values('aic').reset_index(drop=True)
print("模型比较结果（按AIC排序）：")
print(results_df.to_string(index=False))
print(f"\n最优模型: {results_df.iloc[0]['name']}")
return results_df
comparison = auto_select_ets(data_hw, seasonal_periods=12, test_size=12)
应用注意事项与局限性
指数平滑法虽然简便高效，但在实际应用中需要注意多方面的约束条件和潜在问题。
适用条件
- 数据规律性：序列应具有相对稳定的模式（水平、趋势、季节），突变型序列不适用
- 数据长度要求：
- SES：至少10个观测值
- Holt：至少15-20个观测值
- Holt-Winters：至少2-3个完整季节周期（如月度数据需24-36个月）
- 等间隔观测：要求时间间隔均匀，缺失值需预先插补
- 正值约束：乘法模型要求所有观测值为正数
常见问题与解决方案
| 问题 | 原因 | 解决方案 |
|---|---|---|
| 预测严重滞后 | \( \alpha \) 过小 | 增大平滑系数或重新估计 |
| 预测过度波动 | \( \alpha \) 过大 | 减小平滑系数 |
| 长期预测发散 | 线性趋势外推 | 使用阻尼趋势 |
| 季节幅度不稳定 | 加法/乘法选择错误 | 尝试另一种季节模式 |
| 异常值影响大 | 指数平滑对异常值敏感 | 预处理去除异常值 |
| 参数估计不收敛 | 数据量不足或模式不稳定 | 简化模型或增加数据 |
与其他方法的比较
| 方法 | 优势 | 劣势 |
|---|---|---|
| 指数平滑 | 计算简单、参数少、自动化程度高 | 难以引入外部变量 |
| ARIMA | 理论完整、灵活性强 | 需要平稳性检验和定阶 |
| Prophet | 处理节假日和缺失值方便 | 大型模型，计算较慢 |
| 机器学习 | 可融合多源信息 | 需要大量数据和特征工程 |
局限性总结
- 仅适用于单变量：标准指数平滑无法直接纳入外部解释变量（如促销、天气等因素）
- 短期预测为主：预测步长增加时精度迅速下降，长期预测应谨慎
- 线性假设：模型本质上假设趋势是线性的（即使有阻尼），无法捕捉非线性动态
- 对结构性断点敏感：政策变化、市场突变等导致的结构断裂会严重影响预测
- 不确定性量化有限：虽然ETS框架提供预测区间，但依赖正态性假设
- 参数不稳定性：当数据生成过程随时间变化时，固定参数模型可能失效
最佳实践建议
- 数据预处理：检查异常值、缺失值，必要时进行对数变换或Box-Cox变换
- 模型选择：通过信息准则（AIC/BIC）和样本外预测误差综合判断
- 参数估计：优先使用最大似然估计或最小化SSE，避免主观设定
- 预测验证：采用滚动窗口交叉验证评估预测性能
- 结合判断：在纯统计预测基础上结合领域知识进行调整
- 定期更新：随着新数据到来，定期重新估计模型参数
- 模型组合：将指数平滑与其他方法的预测结果进行加权组合，通常可以提升精度
ETS状态空间框架
现代指数平滑理论将其纳入ETS（Error-Trend-Seasonal）状态空间框架，为模型比较和预测区间提供了统一的理论基础。
ETS分类法用三个字母标记：
- E（Error）：加法(A)或乘法(M)
- T（Trend）：无(N)、加法(A)、阻尼加法(Ad)、乘法(M)、阻尼乘法(Md)
- S（Seasonal）：无(N)、加法(A)、乘法(M)
例如 ETS(A,A,A) 表示加法误差、加法趋势、加法季节的模型，即对应加法Holt-Winters。ETS框架共包含30种可能的模型组合，通过信息准则可以自动选择最优模型。
在该框架下，预测区间可以通过解析公式或模拟方法获得：
\[ \hat{y}{t+h|t} \pm z{\alpha/2} \cdot \sigma_h \]
其中 \( \sigma_h \) 为 \( h \) 步预测误差的标准差，其表达式取决于具体的ETS模型类型。