指数平滑法.ppt
《指数平滑法.ppt》由会员分享,可在线阅读,更多相关《指数平滑法.ppt(29页珍藏版)》请在冰点文库上搜索。
指数平滑法,目录,1.指数平滑定义及公式2.一次指数平滑3二次指数平滑4.三次指数平滑5指数平滑系数的确定,指数平滑,指数平滑法产生背景:
指数平滑由布朗提出、他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的未来,所以将较大的权数放在最近的资料。
指数平滑法是移动平均法中的一种,其特点在于给过去的观测值不一样的权重,即较近期观测值的权数比较远期观测值的权数要大。
根据平滑次数不同,指数平滑法分为一次指数平滑法、二次指数平滑法和三次指数平滑法等。
但它们的基本思想都是:
预测值是以前观测值的加权和,且对不同的数据给予不同的权数,新数据给予较大的权数,旧数据给予较小的权数。
指数平滑应用,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,指数平滑法的基本公式:
St=ayt+(1-a)St-1式中,St-时间t的平滑值;yt-时间t的实际值;St-1-时间t-1的平滑值;a-平滑常数,其取值范围为0,1,指数平滑的分类,据平滑次数不同,指数平滑法分为:
一次指数平滑法、二次指数平滑和三次指数平滑法等,
(一)一次指数平滑预测,当时间数列无明显的趋势变化,可用一次指数平滑预测。
其预测公式为:
yt+1=ayt+(1-a)yt式中,yt+1-t+1期的预测值,即本期(t期)的平滑值St;yt-t期的实际值;yt-t期的预测值,即上期的平滑值St-1。
例题:
已知某种产品最近15个月的销售量如下表所示,用一次指数平滑值预测下个月的销售量y16,为了分析加权系数的不同取值的特点,分别取0.1,0.3,0.5计算一次指数平滑值,并设初始值为最早的三个数据的平均值,:
以0.5的一次指数平滑值计算为例,有,0.5100.511.010.50.5150.510.512.8计算得下表,按上表可得时间15月对应的19.926.228.1可以预测第16个月的销售量,由上述例题可得结论1)指数平滑法对实际序列具有平滑作用,权系数(平滑系数)越小,平滑作用越强,但对实际数据的变动反应较迟缓。
2)在实际序列的线性变动部分,指数平滑值序列出现一定的滞后偏差的程度随着权系数(平滑系数)的增大而减少,但当时间序列的变动出现直线趋势时,用一次指数平滑法来进行预测仍将存在着明显的滞后偏差。
因此,也需要进行修正。
修正的方法也是在一次指数平滑的基础上再进行二次指数平滑,利用滞后偏差的规律找出曲线的发展方向和发展趋势,然后建立直线趋势预测模型,故称为二次指数平滑法,二次指数平滑,在一次指数平滑的基础上得二次指数平滑的计算公式为式中:
St
(2)第t周期的二次指数平滑值;St
(1)第t周期的一次指数平滑值;St-1
(2)第t1周期的二次指数平滑值;加权系数(也称为平滑系数)。
二次指数平滑的思想,二次指数平滑法是对一次指数平滑值作再一次指数平滑的方法。
它不能单独地进行预测,必须与一次指数平滑法配合,建立预测的数学模型,然后运用数学模型确定预测值。
二次指数平滑数学模型,例题2某地1983年至1993年财政入的资料如下,试用指数平滑法求解趋势直线方程并预测1996年的财政收入,若时间序列的变动呈现出二次曲线趋势,则需要采用三次指数平滑法进行预测。
三次指数平滑是在二次指数平滑的基础上再进行一次平滑,其计算公式为(1-17),三次指数平滑法的预测模型为式中:
解:
通过实际数据序列呈非线性递增趋势,采用三次指数平滑预测方法。
解题步骤如下。
确定指数平滑的初始值和权系数(平滑系数)。
设一次、二次指数平滑的初始值为最早三个数据的平均值,即,取。
实际数据序列的倾向性变动较明显,权系数(平滑系数)不宜取太小,故取0.3。
2)根据指数平滑值计算公式依次计算一次、二次、三次指数平滑值。
(3)计算非线性预测模型的系数at,bt,ct。
目前周期数t11,将表1.6中的有关数据代入式(1-19)、式(1-20)、式(1-21)后分别得,(4)建立非线性预测模型。
将各系数代入式(1-18)得,(5)预测2007年和2008年的产品销售量。
2007年,其预测超前周期为T1;2005年,其预测超前周期为T2。
代入模型,得706.298.44.412809(万台)706.298.424.422920(万台)于是得到2007年的产品销售量的预测值为809万台,2008年的产品销售量的预测值为920万台。
预测人员可以根据市场需求因素的变动情况,对上述预测结果进行评价和修正。
在指数平滑法中,预测成功的关键是的选择。
的大小规定了在新预测值中新数据和原预测值所占的比例。
值愈大,新数据所占的比重就愈大,原预测值所占比重就愈小,反之亦然。
一是对数据的转折点缺乏鉴别能力,但这一点可通过调查预测法或专家预测法加以弥补。
二是长期预测的效果较差,故多用于短期预测。
(1)对不同时间的数据的非等权处理较符合实际情况。
(2)实用中仅需选择一个模型参数即可进行预测,简便易行。
(3)具有适应性,也就是说预测模型能自动识别数据模式的变化而加以调整。