关于数据平滑方法

数据平滑技术消除噪声并提取真实趋势和模式。以下方程用于计算历史期间的预测值。

数据平滑方法

方法	描述
随机	当每个期间的数据与之前数据的模式没有关系时，此方法最为适用。在这种情况下，序列中下一个值的最佳预测是所有先前数据点的平均值。
随机游走（朴素）	如果下一个数据点等于最后一个数据点加上某个随机偏差，则存在随机游走。许多金融证券以这种方式变动。在这种情况下，序列中下一个值的最佳预测是最后一个值。
移动平均	如果数据不包含趋势，此方法效果良好。 用户提供的参数： - n：要平均的连续点数 要平均的连续点数必须大于零。较高的值会导致更大的平滑效果。
简单指数平滑	如果数据不包含趋势或周期模式，且最近的数据点比早期数据点更重要，此方法效果良好。 用户提供的参数： - a：平滑因子 平滑因子必须在零到一之间（含端点）。
Holt 线性方法	如果数据包含趋势但没有周期模式，此方法效果良好。它也称为线性指数平滑或双指数平滑。 用户提供的参数： - a：水平平滑因子 - b：趋势平滑因子 水平和平滑因子都必须在零到一之间（含端点）。
Winter 乘法季节	如果数据包含趋势和周期模式，此方法效果良好。它也称为带乘法季节性的 Holt-Winter 方法、季节指数平滑或三指数平滑。 用户提供的参数： - a：水平平滑因子 - b：趋势平滑因子 - c：季节平滑因子 - p：季节周期 所有平滑因子必须在零到一之间（含端点）。季节周期定义两个连续季节开始之间发生的期间数。季节周期必须大于零。
Winter 加法季节	如果数据包含趋势和周期模式，此方法效果良好。它也称为带加法季节性的 Holt-Winter 方法、季节指数平滑或三指数平滑。 用户提供的参数： - a：水平平滑因子 - b：趋势平滑因子 - c：季节平滑因子 - p：季节周期 所有平滑因子必须在零到一之间（含端点）。季节周期定义两个连续季节开始之间发生的期间数。季节周期必须大于零。
Croston 间歇性需求	有些产品是间歇性销售的，这使得预测其需求变得困难。当客户需要这些产品时，可能没有库存，或者可能持续备货这些产品而遭受库存过剩。当历史数据随机且零星分布，或与需求间隔无关时，Croston 间歇性需求方法很有用。该方法对需求之间的平均间隔和每次需求的平均规模创建指数平滑估计。本质上，该方法计算某个期间内正需求的概率以及需求的可能值。
ARIMA（Box-Jenkins）	此方法有手动和自动两种模式。在手动模式下，可以配置多项设置： - 自回归项（0+） - 差分阶数（0,1,2） - 移动平均项（0,1,2） - 周期（season.cycle）