指数平滑法是什么？一文讲清

指数平滑法（Exponential Smoothing） 是一种涉及未来时间点的预测技术，它拥有可用的时间序列和可预测值的对应关系，用经过训练的模型来预测未来时刻的观测值，其主要特点是，用历史的一个或多个近似最小值准则来评估和选择满足时间的数据，根据该准则，搜索自变量空间找到最优的参数，建立拟合观测值和未来时间点的变量关系；然后，通过给出未来时间点的观测数据，求取参数，从而预测下一个时间点。这种方法可以适用于一般情况下时间序列的预测。
指数平滑法是一种预估技术，主要用于对一些有时序的观测数据进行预测，通常用于处理趋势和周期性的数据，以获取预测值。它可以仅需要简单的历史数据，即可准确预测未来数据，具有准确度高、计算简便、容易实现等特点。
指数平滑法主要由模型和拟合参数组成，模型是从历史观测值中抽取特征，抽取的特征一般是时间序列的趋势、周期性等；拟合参数则是对模型参数的估计，即估计时间序列的趋势和周期性，以得到最拟合的参数值，构造出相应的模型，以此来对未来时刻的变量进行预测。
指数平滑法有几种，如单变量指数平滑法、多变量指数平滑法、Holt's趋势指数平滑法、Holt-Winters’ 季节性指数平滑法等，都有7个参数组成：α、y0、a0、b0、F0、S0、C0。
1. 单变量指数平滑法：
单变量指数平滑法，也叫单参数指数平滑法，是最基本的指数平滑法，是从序列中筛选特定的观测数据，以及合成趋势、周期等特征，通过最小均方差原则，采用只有一个参数的模型，对时间序列进行拟合，使历史观测数据与预测值尽可能拟合，并构造出相应的模型，以此来对未来时刻的变量进行预测。它主要两个参数：α和y0。
α 是平滑系数，它决定了历史观测数据和预测值之间的关联时，模型对历史观测数据的反应的快慢程度，一般取值为0~1之间。当α的取值越大，模型越依赖于最近的参考观测数据，此时模型更短时间就能响应突变；当α的取值越小，模型越依赖历史观测数据，此时模型更长时间才能响应突变。
y0 是预测值，即在无参考数据的情况下，需要预测的值。
2. 多变量指数平滑法：
多变量指数平滑法，也叫多参数指数平滑法，是指数平滑法的另一类，也是时间序列分析的重要工具之一，用它可以对未来的变量观测值进行预测。它分为三种：分别是Holt's趋势指数平滑法、Holt-Winters’ 季节性指数平滑法和三参数指数平滑法三种。Holt’s趋势