Skip to content

Statistics › 時間序列 › 平滑法

平滑法與指數平滑 (Smoothing & Exponential Smoothing) ​

平滑法用加權平均過去的觀測值來描述水準、趨勢與季節性。不需要定態,也不必先辨識階數,簡單、快、容易解釋,常是預測的第一個基準模型,和 ARIMA 並列為兩大古典預測家族。

方法之間的差別只有兩個:考慮幾期,以及權重怎麼分配(相等、指數遞減,還是再加上趨勢與季節成分)。

方法一覽 ​

方法趨勢季節性權重用途
簡單移動平均 (SMA)✗✗最近 k 期相等視覺化、降噪,不拿來預測
簡單指數平滑 (SES)✗✗指數遞減無趨勢無季節的水準序列
Holt 線性✓✗指數遞減有趨勢、無季節
阻尼 Holt (damped)✓(趨勢逐漸趨平)✗指數遞減趨勢不宜無限延伸時
Holt-Winters 加法✓✓(振幅固定)指數遞減趨勢 + 固定的季節波動
Holt-Winters 乘法✓✓(振幅隨水準成長)指數遞減多數商業序列

移動平均 (SMA) ​

SMAt=1k∑i=0k−1yt−i。窗口 k 越大越平滑、落後越多;k 越小越貼近資料、雜訊越多。所有期權重相同,因此會落後真實變化。

python
y.rolling(12).mean()                  # 落後式:只用過去 12 期
y.rolling(12, center=True).mean()     # 置中式:用於看趨勢(不能用於預測,因為用到未來值)

月資料取 k = 12(整個季節週期)可以平均掉季節性,剩下趨勢,這是 Classical 分解 估計趨勢的作法。

指數平滑 (SES) ​

y^t+1=αyt+(1−α)y^t,越近的觀測權重越大,過去的權重以 (1−α)k 衰減。

α效果
接近 1幾乎只看最新值,反應快、雜訊大
接近 0重視過去的估計,平滑、穩定、反應慢

α 的效果與各方法預測比較

SES 的預測是一條水平線:沒有趨勢,所以預測不會隨時間改變。若 statsmodels 自動估出 α ≈ 1(如下方的 airline 資料),表示序列有強烈趨勢或季節性,SES 不是合適的模型。

Holt 與 Holt-Winters ​

Holt 在 SES 加上趨勢(水準 ℓt 與斜率 bt 各有一條更新式,參數 α、β);Holt-Winters 再加上季節成分(參數 γ)。

參數控制範圍與意義
α水準0–1
β趨勢0–1;接近 0 代表斜率幾乎固定
γ季節0–1;接近 0 代表季節型態幾乎固定
φ阻尼0–1;越小趨勢越快趨平,預測 h 步 ℓt+(ϕ+ϕ2+⋯+ϕh)bt
加法 vs 乘法季節性判斷
加法 (seasonal="add")季節波動幅度大致固定
乘法 (seasonal="mul")季節波動隨趨勢水準放大(與 加法 vs 乘法 同一判斷);也可先取 log 再用加法
python
import numpy as np
import pandas as pd
from statsmodels.tsa.holtwinters import SimpleExpSmoothing, Holt, ExponentialSmoothing

url = "https://raw.githubusercontent.com/jbrownlee/Datasets/master/airline-passengers.csv"
y = pd.read_csv(url, parse_dates=["Month"], index_col="Month").asfreq("MS")["Passengers"]
train, test = y.iloc[:-24], y.iloc[-24:]

ses = SimpleExpSmoothing(train, initialization_method="estimated").fit()
holt = Holt(train, damped_trend=True, initialization_method="estimated").fit()
hw_add = ExponentialSmoothing(train, trend="add", seasonal="add", seasonal_periods=12,
                              initialization_method="estimated").fit()
hw_mul = ExponentialSmoothing(train, trend="add", seasonal="mul", seasonal_periods=12,
                              initialization_method="estimated").fit()   # fit() 預設用最佳化估計 α、β、γ

ses.params["smoothing_level"]                    # ≈ 1.0(碰到邊界,代表 SES 不適用)
hw_mul.params                                    # smoothing_level 0.36、smoothing_trend 0.00、smoothing_seasonal 0.64
hw_add.aic, hw_mul.aic                           # 619.4 vs 571.6 → 乘法較佳(AIC 越小越好)

fc = hw_mul.forecast(24)                         # 預測 24 期
for name, m in [("SES", ses), ("Damped Holt", holt), ("HW add", hw_add), ("HW mul", hw_mul)]:
    mae = np.mean(np.abs(m.forecast(24) - test))
    print(name, round(mae, 1))                   # 115.3、99.7、31.1、29.0
模型測試集 MAE(最後 24 個月)
SES115.3
阻尼 Holt99.7
Holt-Winters 加法31.1
Holt-Winters 乘法29.0
季節性 naive(重複去年同月,見 預測評估)71.3
  • 沒有處理季節性的模型(SES、Holt)連簡單的季節性 naive 基準都打不過。Holt-Winters 同時處理趨勢與季節性,才明顯勝出。
  • Holt 的線性趨勢會無限延伸,長期預測容易過度樂觀;damped_trend=True 讓趨勢逐漸趨平,通常是更安全的預設。
  • 乘法需要序列全為正值;含 0 或負值時改用加法。
  • 用不同種類的模型比較時,用測試集誤差(MAE / RMSE / MASE);只有同一資料與同一尺度下的模型才能比較 AIC。

與 ARIMA 的關係 ​

指數平滑與 ARIMA 是不同的模型家族,但許多模型等價:SES 等於 ARIMA(0, 1, 1),阻尼 Holt 對應 ARIMA(1, 1, 2)。Holt-Winters 也有狀態空間形式 statsmodels.tsa.exponential_smoothing.ets.ETSModel,可提供預測區間與模型選擇。

選擇建議
序列短、需要快速可解釋的基準指數平滑
需要納入外生變數、自相關結構複雜ARIMA / SARIMA
多重季節性、假日效應Prophet(見 季節性與 SARIMA)

不確定時兩者都做,用 時間序列交叉驗證 比較。