|
指数平滑法是布朗(Robert G..Brown)所提出，布朗认为时间序列的态势具有稳定性或规则性，所以时间序列可被合理地顺势推延；他认为最近的过去态势，在某种程度上会持续到最近的未来，所以将较大的权数放在最近的资料。 指数平滑法是生产预测中常用的一种方法。也用于中短期经济发展趋势预测，所有预测方法中，指数平滑是用得最多的一种。简单的全期平均法是对时间数列的过去数据一个不漏地全部加以同等利用；移动平均法则不考虑较远期的数据，并在加权移动平均法中给予近期资料更大的权重；而指数平滑法则兼容了全期平均和移动平均所长，不舍弃过去的数据，但是仅给予逐渐减弱的影响程度，即随着数据的远离，赋予逐渐收敛为零的权数。也就是说指数平滑法是在移动平均法基础上发展起来的一种时间序列分析预测法，它是通过计算指数平滑值，配合一定的时间序列预测模型对现象的未来进行预测。其原理是任一期的指数平滑值都是本期实际观察值与前一期指数平滑值的加权平均。 【预测函数】FORECAST.ETS函数 根据已有的值预测未来值。使用指数平滑算法预测未来值。 FORECAST.ETS(目标值日期,历史值,历史日期,[季节性],[遗漏数据补充方式],[相同数据计算方式])参数说明 Target_date目标值日期（必须）：一个需要预测与之对应的值的目标日期（或时间）。Values历史值（必须）：一组根据其预测未来值的历史值。Timeline（必须）：与历史值相对应的一组日期（或时间）系列。 历史日期（或时间）系列的长度必须与历史值一致； 系列中，每一个历史日期（或时间）之间的间隔必须相同； 系列中，历史日期（或时间）顺序可以是随机的。Seasonality季节性（可选）：指示数据的季节性质的一个参数。 0：数据无季节性质，使用线性算法预测； 1或省略：自动计算数据的季节性，并使用正整数步长作为季节长度； ≥2并≤8760的正整数：使用该数字作为季节长度。Data completion遗漏数据补充方式（可选）：指示日期（或时间）系列中遗漏数据的补充方式的参数。 0：遗漏的数据计算为零； 1或省略：遗漏数据两侧数据的平均值作为该遗漏数据的值。Aggregation相同数据计算方式（可选）：指示具有相同日期（或时间）的数据的计算方式。 1或省略：平均值； 2：计数； 3：计算（非空值）； 4：最大值； 5：中位数； 6：最小值； 7：求和 【Excel实现】 1.先模拟了过去几周的数据，每周末数据值较大，周一到周五值较小。大概就是下面这样↓ 2.通过预测函数求出预测值 =FORECAST.ETS(A36,$B$2:$B$35,$A$2:$A$35,1,0,1)3.通过置信区间函数求出预测值范围，这里取91%的置信值。 置信区间值=FORECAST.ETS.CONFINT(A36,$B$2:$B$35,$A$2:$A$35,0.91,1,0,1)预测下界=FORECAST.ETS(A36,$B$2:$B$35,$A$2:$A$35,1,0,1)-置信区间值预测上界=FORECAST.ETS(A36,$B$2:$B$35,$A$2:$A$35,1,0,1)+置信区间值 4.作图-折线图 稍微美化一下 5.作图-柱状图 【预测的值的置信区间】FORECAST.ETS.CONFINT 函数计算使用FORECAST.ETS函数预测的值的置信区间 =FORECAST.ETS.CONFINT(目标值日期,历史值,历史日期,[置信度],[季节性],[遗漏数据补充方式],[相同数据计算方式])参数说明 Target_date（必须）：一个需要预测与之对应的值的目标日期（或时间）。Values（必须）：一组根据其预测未来值的历史值。Timeline（必须）：与历史值相对应的一组日期（或时间）系列。 历史日期（或时间）系列的长度必须与历史值一致； 系列中，每一个历史日期（或时间）之间的间隔必须相同； 系列中，历史日期（或时间）顺序可以是随机的。Confidence_level（必须）：置信区间的置信度，其值在0-1之间的一个数字。 如果省略，默认值为95%。Seasonality（可选）：指示数据的季节性质的一个参数。 0：数据无季节性质，使用线性算法预测； 1或省略：自动计算数据的季节性，并使用正整数步长作为季节长度； ≥2并≤8760的正整数：使用该数字作为季节长度。Data completion（可选）：指示日期（或时间）系列中遗漏数据的补充方式的参数。 0：遗漏的数据计算为零； 1或省略：遗漏数据两侧数据的平均值作为该遗漏数据的值。Aggregation（可选）：指示具有相同日期（或时间）的数据的计算方式。 1或省略：平均值； 2：计数； 3：计算（非空值）； 4：最大值； 5：中位数； 6：最小值； 7：求和。 在一定的置信水平（此函数默认为95%）下，未来指定时间的值根据以下公式确定： 预测值 = FORECAST.ETS 函数结果 ± FORECAST.ETS.CONFINT 函数结果。 |
|
|
