关于混合方法

Theta、Log Theta 和 Vanguard Dampened Trend 方法使用回归、数据平滑和其他数据分析技术的组合。每种方法按以下方式处理季节性：

对历史数据进行去季节性处理。
创建预测数据。
对预测数据进行重新季节性处理以生成最终预测。

参见关于预测方法。

Theta

Theta 方法是简单指数平滑的特殊版本，增加了趋势和季节性分量。以下方程不包括季节性调整。

参数可以自动确定，也可以手动输入：

a：水平平滑因子

水平平滑常数必须在零到一之间（含端点）。最多可以包含两种不同的循环模式。这些被称为季节（season）和周期（cycle）。季节和周期具有不同的持续时间，周期包含多个季节。 - p1.p2：期间

期间由两个参数组成：季节期间（p1）和周期期间（p2）。季节期间定义两个连续季节开始之间发生的期间数。周期期间是季节期间的倍数。

例如，具有月度数据点的季度季节的季节期间为三。如果还存在年度周期，则每个周期有 4 个季节；因此，周期期间为四。周期期间是可选的，如果省略，则仅预测季节。季节期间必须大于零。

Log Theta

Log Theta 方法类似于 Theta 方法，不同之处在于历史数据和预测值分别进行对数和指数数据变换。Theta 方法假设历史数据中的随机性（或噪声）呈正态（高斯）分布。然而，大多数业务数据的随机性往往呈对数正态分布。Log Theta 方法的数据变换会相应地调整数据。

参数可以自动确定，也可以手动输入：

a：水平平滑因子

水平平滑常数必须在零到一之间（含端点）。最多可以包含两种不同的循环模式。这些被称为季节（season）和周期（cycle）。季节和周期具有不同的持续时间，周期包含多个季节。 - p1.p2：期间

期间由两个参数组成：季节期间（p1）和周期期间（p2）。季节期间定义两个连续季节开始之间发生的期间数。周期期间是季节期间的倍数。

过程如下：

对历史数据进行对数变换，即取每个数据点的自然对数。
对变换后的数据应用 Theta 方法。
对 Theta 方法计算的预测值进行指数变换，即取每个数据点的指数以生成最终预测。

由于 Log Theta 方法使用对数变换，所有历史数据点必须为正数。

Vanguard Dampened Trend

这种专有方法结合了回归、数据平滑、季节性、衰减/增长和其他数据分析技术。根据其参数值，Vanguard Dampened Trend 方法实际上可能简化为许多其他预测方法，如简单指数平滑、Holt 线性方法、Winter 方法等。然而，由于其稳健的参数优化过程，Vanguard Dampened Trend 方法往往能找到更好的参数值，因此比这些方法本身产生更好的预测。

大多数预测方法依赖于历史数据中的随机性（或噪声）呈正态（高斯）分布的假设。Vanguard Dampened Trend 方法假设这种随机性呈对数正态分布，这往往能更好地对业务数据建模。这提高了预测的准确性。

参数可以自动确定，也可以手动输入：

a：水平平滑因子
b：趋势平滑因子

水平和趋势平滑因子必须在零到一之间（含端点）。 - c：趋势比例因子

趋势比例因子必须大于或等于零。 - p1.p2：期间

季节期间必须大于零。有关期间的说明，请参见 Theta 方法。