|
时间 |
2012.1 |
2012.2 |
2012.3 |
2012.4 |
2012.5 |
2012.6 |
2012.7 |
2012.8 |
|
销售额/万元 |
4.52 |
2.91 |
4.43 |
3.92 |
3.52 |
4.23 |
3.98 |
4.33 |
|
时间 |
实际销售额/万元 |
3个月移动平均预测 |
|
2012.1 |
4.52 |
|
|
2012.2 |
2.91 |
|
|
2012.3 |
4.43 |
|
|
2012.4 |
3.92 |
3.95 |
|
2012.5 |
3.52 |
3.75 |
|
2012.6 |
4.23 |
3.96 |
|
2012.7 |
3.98 |
3.89 |
|
2012.8 |
4.33 |
3.91 |
|
月份 |
t |
xt(销售额/万元) |
Ft(一次平滑值) |
预测值 |
|
0 |
3.95 |
|||
|
2012.1 |
1 |
4.52 |
4.12 |
3.95 |
|
2012.2 |
2 |
2.91 |
3.76 |
4.12 |
|
2012.3 |
3 |
4.43 |
3.96 |
3.76 |
|
2012.4 |
4 |
3.92 |
3.95 |
3.96 |
|
2012.5 |
5 |
3.52 |
3.82 |
3.95 |
|
2012.6 |
6 |
4.23 |
3.94 |
3.82 |
|
2012.7 |
7 |
3.98 |
3.95 |
3.94 |
|
2012.8 |
8 |
4.33 |
4.07 |
3.95 |
|
2012.9 |
9 |
4.07 |
| 1.指数平滑法又称指数加权平均法,实际是加权的移动平均法,它是选取各时期权重数值为递减指数数列的均值方法。一次指数平滑法又称简单指数平滑,是一种较为灵活的时间序列预测方法。 | |
|
2.指数平滑法解决了移动平均法需要n个观测值和不考虑t-n前时期数据的缺点,通过某种平均方式,消除历史统计序列中的随机波动,找出其中主要的发展趋势。 3.一次指数平滑法适用于市场观测呈水平波动,无明显上升或下降趋势情况下近期或短期的预测。 | |
|
一次平滑指数公式 |
对时间序列x1、x2……、xt,一次平滑指数公式为: Ft=αxt+(1-α)Ft-1 式中:α是平滑系数,0<a<1; xt是历史数据序列x在t时的观测值; Ft和Ft-1是t时和t-1时的平滑值。 |
|
预测模型 |
以本期指数平滑值作为下期的预测值。 x't-1=Ft,亦即:x't+1=αxt+(1-α)x't |
|
平滑系数α |
平滑系数。实际上是前一观测值和当前观测值之间的权重。 |
| 当α接近于1时,新的预测值对前一个预测值的误差进行了较大的修正。 | |
| 当α=1时,Ft+1=xt,即t期平滑值就等于t期观测值。 | |
| 而当α接近于0时,新预测值只包含较小的误差修正因素;当α=0时,Ft+1=Ft,即本期预测值就等于上期预测值。 | |
| 大的α值导致较小的平滑效果,而较小的α值会产生客观的平滑效果。 | |
| 一般情况下,观测值呈较稳定的水平发展,α值取0.1~0.3之间;观测值波动较大时,α值取0.3~0.5之间;观测值呈波动很大时,α值取0.5~0.8之间。 | |
|
初始值F0的确定 |
1.指数平滑法是一个迭代计算过程,用该法进行预测,首先必须确定初始值F0值,实质上它应该是序列起点t=0以前所有历史数据的加权平均值。 2.当时间序列期数在20个以上时,初始值F。对预测结果的影响很小,可用第一期的观测值代替,即F0=x1; 3.当时间序列期数在20个以下时,初始值F。对预测结果有一定影响,可取前3~5个观测值的平均值代替,如:F0=(x1+x2+x3)/3 |