时间序列挖掘-预测算法-三次指数平滑法(holt-winters)

《时间序列挖掘-预测算法-三次指数平滑法(holt-winters)》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、摘要:所有移动平均法都存在很多问题。它们都太难计算了。每个点的计算都让你绞尽脑汁。而且也不能通过之前的计算结果推算出加权移动平均值。移动平均值永远不可能应用于现有的数据集边缘的数据，因为它们的窗口宽度是有限...所有移动平均法都存在很多问题。它们都太难计算了。每个点的计算都让你绞尽脑汁。而且也不能通过之前的计算结果推算出加权移动平均值。移动平均值永远不可能应用于现有的数据集边缘的数据，因为它们的窗口宽度是有限的。这是一个大问题，因为数据集边缘的变动形态一般都是我们最感兴趣的部分。类似地，移动平均法也不能应用于现有数据集的范围之外。其结果

2、是，它们对预测毫无用处。幸运的是，有一种很简单的计算方案能够避免所有这些问题。它叫指数平滑法(exponentialsmoothing)或Holt-Winters法。指数平滑法有几种不同形式：一次指数平滑法针对没有趋势和季节性的序列，二次指数平滑法针对有趋势但没有季节性的序列。术语“Holt-Winters法”有时特指三次指数平滑法。所有的指数平滑法都要更新上一时间步长的计算结果，并使用当前时间步长的数据中包含的新信息。它们通过“混合”新信息和旧信息来实现，而相关的新旧信息的权重由一个可调整的拌和参数来控制。各种方法的不同之处在于它们跟

3、踪的量的个数和对应的拌和参数的个数。一次指数平滑法的递推关系特别简单： 其中，是时间步长i上经过平滑后的值，是这个时间步长上的实际(未平滑的)数据。你可以看到是怎么由原始数据和上一时间步长的平滑值混合而成的。拌和参数可以是0和1之间的任意值，它控制着新旧信息之间的平衡：当接近1时，我们就只保留当前数据点(即完全没有对序列进行平滑)；当接近0时，我们就只保留前面的平滑值(也就是说整个曲线都是平的)。为何这个方法被称为“指数”平滑法？要找出答案，展开它的递推关系式即可知道： 从这里可以看出，在指数平滑法中，所有先前的观测值都对当前平滑值产生

4、了影响，但它们所起的作用随着参数的幂的增大而逐渐减小。那些相对较早的观测值所起的作用相对较小，这也就是指数变动形态所表现出来的特性。从某种程度上来说，指数平滑法就像是拥有无限记忆且权值呈指数级递减的移动平均法。(同时也要注意到所有权值的和，等于1，因为当q<1时，几何序列 。参见附录B的几何序列方面的信息。)一次指数平滑所得的计算结果可以在数据集范围之外进行扩展，因此也就可以用来进行预测。预测也非常简单： 其中，是最后一个已经算出来的值。也就是说，一次指数平滑法得出的预测在任何时候都是一条直线。刚刚描述的一次指数平滑法适用于没有总体趋势

5、的时间序列。如果用来处理有总体趋势的序列，平滑值将往往滞后于原始数据，除非的值接近1，但这样一来就会造成不够平滑。二次指数平滑法保留了趋势的详细信息，从而改正了这个缺点。换句话说，我们保留并更新两个量的状态：平滑后的信号和平滑后的趋势。它有两个等式和两个拌合参数： 我们先看看第二个等式。这个等式描述了平滑后的趋势。当前趋势的未平滑“值”是当前平滑值和上一个平滑值的差；也就是说，当前趋势告诉我们在上一个时间步长里平滑信号改变了多少。要想使趋势平滑，我们用一次指数平滑法对趋势进行处理，并使用拌合参数。为获得平滑信号，我们像上次那样进行一次混

6、合，但要同时考虑到上一个平滑信号及趋势。第一个等式的最后那个项可以对当前平滑信号进行估计——假设在单个时间步长里我们保持着上一个趋势。若要利用该计算结果进行预测，我们就取最后那个平滑值，然后每增加一个时间步长，就在该平滑值上增加一次最后那个平滑趋势： 最后，我们给三次指数平滑法添加第三个量，用来描述季节性。我们有必要区分一下累加式和累乘式季节性，累加式对应的等式： 累乘式的等式： 其中，pi是指“周期性”部分，是这个周期的长度。前面的等式中也包含预测的等式。所有的指数平滑方法都是基于递推关系的，这表明我们要先设定初始值才能使用它们。选择

7、什么样的初始值并不特别重要：指数式衰减规律说明所有的指数平滑方法的“记忆”能力都是很短的，只需经过几个时间步长，初始值的影响就会变得微乎其微。一些合理的初始值： 且 对三次指数平滑法而言，我们必须初始化一个完整的“季节”的值，不过我们可以简单地设置为全1(针对累乘式)或全0(针对累加式)。只有当序列的长度较短时，我们才需要慎重考虑初始值的选取。最后一个问题是如何选择拌合参数。我的建议是反复试验。先试试0.2和0.4之间的几个值(非常粗略地)，然后看看会得到什么结果。或者也可以为(实际数据和平滑算法的结果之间的)误差定义一个标准，再使用一

8、个数值优化过程来将误差最小化。就我的经验而言，一般没有必要弄得这么麻烦，原因至少有两个：数值优化是一个不能保证收敛的迭代过程，最终你可能还需要花非常多时间将算法设计成收敛的。此外，任何这样的数值优化都受限于