小林在城西开了家“晨光咖啡馆”，每天打烊后都要盘算：明天该进多少牛奶、多少咖啡豆？进少了，遇到周末人流高峰只能对客人说“抱歉，卖完了”；进多了，隔夜的可颂只能扔掉。他手上有三本小账本：一本记“基础销量”，工作日大约 300 杯；一本记“增长趋势”，开业半年来每月都在缓慢上涨；还有一本记“季节节奏”，周末比平日多三成，暑假冰美式销量翻倍。可惜这三本账各记各的，真正预测时常常打架。ETS 指数平滑状态空间模型，正是帮小林把三本账装进同一个“总账本系统”：水平、趋势、季节三个组件在同一套状态方程里协作，并根据每天的预测误差自动修正自己。这套从 1950 年代指数平滑进化而来的方法论，如今是时间序列预测最经典的基石。

岗位关联

掌握 ETS，你就提前拿到了业务预测中最常用、最可解释的模型钥匙：无论零售备货、云资源容量还是客服排班，都能快速给出带置信区间的预测，是时序分析岗位的必备基本功。

目录
  1. 可视化演示
  2. 模型总览：三本账合成总账本
  3. 误差组件：固定 30 杯，还是 10%
  4. 趋势组件：给趋势装个阻尼器
  5. 季节组件：记住十二个月前的同一天
  6. 组合命名：三字母配方代码
  7. 模型选择：AIC 评分卡
  8. 参数优化：调配方比例
  9. 预测应用：打烊后的外推
  10. AI 应用场景
  11. Python 演示
  12. 常见误区
  13. 面试题

可视化演示

展示ETS模型将时序分解为误差-趋势-季节三组件的过程，不同平滑参数对预测的影响，以及基于AIC准则的模型变体选择。

本节配有交互动效（进入视口后自动加载，约 3KB）。

ETS时序分解 OBS原始序列分解为LVL水平+TRD趋势+SEA季节 三组件独立可视化 y_t=l_t+b_t+s_t+e_t 状态空间框架下组件叠加

模型总览：三本账合成总账本

小林在城西经营“晨光咖啡馆”，打烊后总要做一件事：翻开三本沾着咖啡渍的账本。第一本记“今天的基础销量”，他称它为“水平”；第二本记“开业以来每月涨了多少”，是“趋势”；第三本记“周末和暑假的规律波动”，是“季节”。过去他用三套公式各自算数，结果周末＋暑假＋新店红利叠加时，三本账谁也说不清明天该备多少货。

ETS 指数平滑状态空间模型的全部智慧，就在于把这“三本账”合并成一个可以互相咬合的“总账本系统”。在这个系统里，每个组件都是一个“状态”：水平 ℓ_t、趋势 b_t、季节 s_t。每个时刻，观测值 y_t 由当前状态加上随机扰动生成，而状态又根据上一轮的预测偏差（也就是“误差”）自我修正。三个组件共享同一条误差信息，像三个合伙人因为同一个客人的反馈同时调整自己的记录。

以最简单的带趋势模型 ETS(A,A,N) 为例（A 表示加法误差，A 表示加法趋势，N 表示没有季节），它的总账本由三条方程构成：一条“观测方程”负责把状态变成明天的预测值，两条“状态方程”负责在打烊后根据误差更新水平和趋势。

周一小林发现实际卖出 350 杯，而账本预测是 320 杯，多出的 30 杯就是“误差”。他不会把整个账本推翻，而是按 α=0.3 的比例把水平调高 9 杯，再按 β=0.1 的比例调一调趋势。这就是“指数平滑”：用一个 0 到 1 的小数，把新信息柔柔地揉进旧账本，而不是推倒重来。账本就这样一天天变得更加贴合这家店的真实脾性。

yt=ℓt−1+bt−1+εt\displaystyle y_t = \ell_{t-1} + b_{t-1} + \varepsilon_t
ℓt=ℓt−1+bt−1+αεt\displaystyle \ell_t = \ell_{t-1} + b_{t-1} + \alpha \varepsilon_t
bt=bt−1+βεt\displaystyle b_t = b_{t-1} + \beta \varepsilon_t
这三条方程就是 ETS 的“心跳”：一条负责对外输出预测，两条负责对内修正状态。
  1. 观测方程明天的预测值等于上一期的水平加上趋势，再叠加一个随机误差。
    yt=ℓt−1+bt−1+εt\displaystyle y_t = \ell_{t-1} + b_{t-1} + \varepsilon_t
  2. 水平更新把误差 ε_t 的 α 比例揉进水平状态，α 越大对新信息越敏感。
    ℓt=ℓt−1+bt−1+αεt\displaystyle \ell_t = \ell_{t-1} + b_{t-1} + \alpha \varepsilon_t
  3. 趋势更新把误差的 β 比例揉进趋势状态，让斜率也跟着现实慢慢调整。
    bt=bt−1+βεt\displaystyle b_t = b_{t-1} + \beta \varepsilon_t

误差组件：固定 30 杯，还是 10%

同样是差了 30 杯，社区小店和商场旗舰店的反应完全不同。对日销 100 杯的小店，这是个不小的风波；对日销 10000 杯的旗舰店，连零头都算不上。误差组件要回答的，正是“这个偏差是固定大小，还是按销量比例放大”。

加法误差（A）假设序列的随机波动幅度是绝对固定的，无论水平是高是低，噪声都像“±5 杯”这样恒定；乘法误差（M）则假设波动与当前水平成正比，水平越高，噪声的绝对幅度越大，像“±5%“那样按比例浮动。选错误差类型，等于把”小店的 30 杯偏差“和”旗舰店的 30 杯偏差”当成同一件事，预测自然失真。

数学上，加法误差写作“观测值 = 状态和 + 误差”，乘法误差写作“观测值 = 状态和 × (1 + 误差)”。后者相当于把误差放大或缩小到与当前水平匹配的尺度。

回到咖啡店：社区店销量稳定在 100 杯上下，波动就是“±5 杯”这个固定数值，用加法误差；连锁品牌在扩张期日销从 500 涨到 5000，波动随规模放大，用乘法误差。小林如果只经营一家小店，加法模型就足够诚实；只有当他开了十家分店、销量量级不断跃迁时，乘法模型才真正派上用场。

yt=ℓt−1+bt−1+εt(加法 A)\displaystyle y_t = \ell_{t-1} + b_{t-1} + \varepsilon_t \quad (\text{加法 A})
yt=(ℓt−1+bt−1)(1+εt)(乘法 M)\displaystyle y_t = (\ell_{t-1} + b_{t-1})(1 + \varepsilon_t) \quad (\text{乘法 M})
加法误差像“固定金额的小费”，乘法误差像“按比例抽取的提成”。
  1. 加法误差误差项 ε_t 以绝对量的形式直接加到状态和上，波动幅度不随水平变化。
    yt=ℓt−1+bt−1+εt\displaystyle y_t = \ell_{t-1} + b_{t-1} + \varepsilon_t
  2. 乘法误差误差项先与状态和相加成 1+ε_t，再整体相乘，水平越高误差的绝对幅度越大。
    yt=(ℓt−1+bt−1)(1+εt)\displaystyle y_t = (\ell_{t-1} + b_{t-1})(1 + \varepsilon_t)

趋势组件：给趋势装个阻尼器

小林刚开业那阵子，销量几乎每月涨 5%，他一度以为会永远涨下去。直到半年后增长慢了下来——新店的影响力总会饱和。如果硬按“每月 5%”直线外推十年，账本会算出“每天卖出百万杯咖啡”的笑话。趋势组件里的“阻尼”就是为这个而生的刹车片。

ETS 的趋势有三种状态：N 表示“没有趋势”，适合平稳序列；A 表示“加法趋势”，适合稳定线性增长；Ad 表示“阻尼加法趋势”，在加法趋势基础上加一个阻尼系数 φ。φ 越接近 1，刹车越轻，趋势几乎按原样延续；φ 越接近 0，趋势消失得越快，预测很快回归一条水平线。

阻尼趋势把原来的趋势更新方程 b_t = b_{t-1} + βε_t 改成了下面这个带“衰减因子”的形式：

小林把阻尼系数调到 φ=0.92，三个月后的预测不再是笔直的斜线，而是一条渐渐趋缓的曲线——像洒水车的水柱，初速再猛，也会在重力的牵引下慢慢弯向地面。他意识到，承认“增长有尽头”并不是悲观，而是让账本更接近真实世界的常识。

bt=ϕbt−1+βεt,0<ϕ<1\displaystyle b_t = \phi b_{t-1} + \beta \varepsilon_t, \quad 0 < \phi < 1
φ 像水龙头上的限流阀：每次开闸都乘以一个小于 1 的系数，趋势这股水流就会越流越缓。
  1. 阻尼系数每一步趋势都被 φ 压缩一次，φ∈(0,1) 使趋势无法无限上涨。
    bt=ϕbt−1\displaystyle b_t = \phi b_{t-1}
  2. 长期收敛外推 h 步后趋势贡献约为 φ^h b_T，随 h 增大逐渐趋于 0。
    bT+h≈ϕhbT\displaystyle b_{T+h} \approx \phi^h b_T
  3. 误差修正β ε_t 项保留了实时纠偏能力，让阻尼趋势不会变成僵硬的直线。
    bt=ϕbt−1+βεt\displaystyle b_t = \phi b_{t-1} + \beta \varepsilon_t

季节组件：记住十二个月前的同一天

咖啡店最明显的规律不是趋势，而是“节奏”：工作日傍晚卖得飞快，周末上午排队到门口，暑假冰饮销量直接翻番。这些以固定周期重复的起伏，就是季节组件要记的账。小林把过去的日历翻出来，发现每年的七月初和十二月底，总有一些日子特别“能打”。

ETS 的季节同样分 N/A/M。加法季节认为每个周期的“加成量”固定，比如暑假每天多卖 50 杯；乘法季节认为“加成比例”固定，比如暑假每天多卖 20%。当水平本身在涨时，乘法季节的绝对波幅也会跟着放大，而加法季节始终保持同一个绝对数值。

以加法季节为例，观测方程需要把“上一年同期的季节账本”搬过来用：

小林把周期设为 m=12，模型会自动记住“去年七月的加成”。他发现加法季节就够用——毕竟店里的销量波动不是“翻倍级”的变化，还没上升到需要乘法季节的程度。季节组件让账本第一次拥有了“日历感”：它知道下个月是暑假，而不是把每天都当成平凡的工作日。

yt=ℓt−1+bt−1+st−m+εt\displaystyle y_t = \ell_{t-1} + b_{t-1} + s_{t-m} + \varepsilon_t
st=st−m+γεt\displaystyle s_t = s_{t-m} + \gamma \varepsilon_t
这里的 m 是周期长度：月度数据 m=12，相当于“翻出去年同月的账本”。
  1. 含季节的观测方程预测值要叠加 12 个月前的季节状态 s_{t-m}，才能重现“去年七月的加成”。
    yt=ℓt−1+bt−1+st−m+εt\displaystyle y_t = \ell_{t-1} + b_{t-1} + s_{t-m} + \varepsilon_t
  2. 季节更新用误差的 γ 比例刷新季节状态，让模型记住最新的周期规律。
    st=st−m+γεt\displaystyle s_t = s_{t-m} + \gamma \varepsilon_t

组合命名：三字母配方代码

三个组件各有选项，就像咖啡店有“糖浆、奶泡、温度”三个可调旋钮：误差 2 种（A/M）× 趋势 3 种（N/A/Ad）× 季节 3 种（N/A/M），排列组合出 30 种模型。ETS 的命名就是给每种配方编一个三字母代码：ETS（误差，趋势，季节）。

读码规则是“对号入座”：第一个字母管误差，第二个管趋势，第三个管季节。Ad 是两个字符，代表“阻尼加法趋势”。比如 ETS(A,A,d,N) 表示加法误差＋阻尼趋势＋无季节；ETS(A,A,N) 则表示普通加法趋势、无季节。看懂代码，就能立刻说出这个模型脑子里装着哪些组件。

以 ETS(A,Ad,M) 为例，观测值 = （水平 + 阻尼趋势） × 季节指数 + 加性噪声，把三个组件的写法合并在一起：

30 种配方里并没有“哪个一定最好”，就像没有“哪种拉花一定最好喝”。ETS 要做的是让数据说话——用评分卡从 30 个候选里挑出最适合小林咖啡馆的那一个。命名这件事看似只是记代码，实际上是在强迫你思考：这家店的生意到底有没有趋势、有没有季节、波动是固定还是成比例。

yt=(ℓt−1+ϕbt−1)st−m+εt\displaystyle y_t = (\ell_{t-1} + \phi b_{t-1}) s_{t-m} + \varepsilon_t
这个式子像一杯“分层拿铁”：括号里是咖啡基底，s_{t-m} 是奶泡的厚度倍率，ε_t 是最后撒上的肉桂粉。
  1. 括号内求和水平与阻尼趋势相加，构成非季节部分的基础值。
    ℓt−1+ϕbt−1\displaystyle \ell_{t-1} + \phi b_{t-1}
  2. 季节倍率s_{t-m} 是乘法季节指数，直接乘在基础值外面放大或缩小。
    (ℓt−1+ϕbt−1)st−m\displaystyle (\ell_{t-1} + \phi b_{t-1}) s_{t-m}
  3. 外层误差ε_t 以加法形式落在最外层，表示随机波动。
    yt=(ℓt−1+ϕbt−1)st−m+εt\displaystyle y_t = (\ell_{t-1} + \phi b_{t-1}) s_{t-m} + \varepsilon_t

模型选择：AIC 评分卡

30 种模型，到底选哪个？小林的做法是请“顾客”投票打分：既要预测得准，又不能为了准而把食谱改得无比复杂。统计学家给出的评分卡叫 AIC（赤池信息准则），它给每个候选模型打一个综合分，分越低越值得录用。

AIC 由两项构成：第一项是拟合优度，用对数似然衡量模型解释数据的程度——模型越能解释历史销量，这一项越漂亮；第二项是复杂度惩罚，每多一个参数就扣一分——参数越多，越要拿出额外的解释力来“报销”这笔开销。两者相加，防止模型为了讨好数据而疯狂堆参数。

选择流程并不复杂：对 30 种组合逐一估计参数、算出各自的 AIC，然后在同一份数据上比较，取 AIC 最小的那个。它不关心哪个模型听起来高级，只关心“性价比”。

小林把 30 份“配方”全部跑一遍，每份算出 AIC，最后 AIC 最小的 ETS(A,Ad,A) 胜出。评分卡不会因为某个模型听起来高级就偏袒它——就像顾客不会因为拉花好看就原谅咖啡发酸。AIC 让他从“拍脑袋选模型”变成了“让数据投票”。

AIC=−2ln⁡(L^)+2k\displaystyle \text{AIC} = -2\ln(\hat{L}) + 2k
AIC 像餐厅评分：味道（似然）打底，但菜式越花哨、工序越复杂，扣分也越多。
  1. 对数似然项L̂ 是最大似然值，越大拟合越好；取负号后整体变成“越小越好”。
    −2ln⁡(L^)\displaystyle -2\ln(\hat{L})
  2. 复杂度惩罚k 是待估参数个数，每个参数额外贡献 2 分惩罚。
    2k\displaystyle 2k
  3. 择优决策在同一数据集上比较所有候选模型的 AIC，取最小值对应的组合。
    AIC=−2ln⁡(L^)+2k\displaystyle \text{AIC} = -2\ln(\hat{L}) + 2k

参数优化：调配方比例

选定配方后，还要定“用量”：平滑参数 α/β/γ 决定“新误差按多大比例揉进旧账本”，初始状态 ℓ₀、b₀ 以及季节初始值则决定账本从哪天开始记。这些参数就像是配方里的“糖浆几泵、肉桂几克”，直接决定成品风味。

估计参数的标准做法是极大似然：找到一组参数，使得“按这套参数生成我们看到的销量”的概率最大。对加法误差模型来说，这等价于最小化误差平方和（SSE）——误差越小，说明这套账本越贴近现实。由于目标函数通常不是凸函数，业界常用启发式初始化（如取 b₀ = y₂ − y₁）再交给数值优化器搜索。

似然函数在“高斯噪声”假设下的对数形式如下，优化器做的就是让这个值尽可能大（或让它的相反数尽可能小）：

小林发现 α=0.3、β=0.05 时，模型对“昨天突然卖爆”的反应最适中——太快会跟着噪声起舞，太慢则跟不上真实变化。这就像调咖啡配方，多一份糖浆少一份肉桂，最终由“试喝分数”说了算。参数优化不是玄学，而是一次有目标、有边界、有数学依据的“调料巡航”。

ln⁡L=−T2[ln⁡(2π)+ln⁡σ2]−12σ2∑t=1Tεt2\displaystyle \ln L = -\frac{T}{2}\left[\ln(2\pi) + \ln \sigma^2\right] - \frac{1}{2\sigma^2}\sum_{t=1}^{T}\varepsilon_t^2
这个式子像是“厨师试吃打分表”：误差平方和越大，得分越低；方差越小，说明手艺越稳定。
  1. 误差平方和项残差平方和 Σ ε_t² 越小，对数似然越大，对应“拟合越好”。
    ∑t=1Tεt2\displaystyle \sum_{t=1}^{T}\varepsilon_t^2
  2. 方差估计σ² 由残差估计而来，处在分母位置，决定打分的宽严尺度。
    σ2=1T∑t=1Tεt2\displaystyle \sigma^2 = \frac{1}{T}\sum_{t=1}^{T}\varepsilon_t^2
  3. 数值搜索用 L-BFGS 等优化器在 (0,1) 区间内搜索 α/β/γ，并配多个初始点避免局部最优。
    min⁡α,β,γ∈(0,1)  −2ln⁡L\displaystyle \min_{\alpha,\beta,\gamma \in (0,1)} \; -2\ln L

预测应用：打烊后的外推

账本系统最值钱的时刻，是打烊之后、明天开店之前。给定最新状态 ℓ_T 和 b_T，模型可以向未来任意步长外推。小林发现，ETS 的预测天然分成两件事：给出一个最可能的数字（点预测），以及给出这个数字“大概晃荡在什么范围”（预测区间）。

对 ETS(A,A,N)，h 步后的点预测是当前水平加 h 倍的当前趋势；预测区间则随 h 放宽，因为误差会一步步累积——越远的未来，越像隔着晨雾看人，轮廓越来越模糊。以更简单的 ETS(A,N,N) 为例，预测方差随步长的增长公式清晰展示了这一规律：

第二天早上，小林的手机收到推送：“预计今日 342 杯，95% 区间 [310, 376]”。他按上界多备了货，晚上打烊一看，实际卖出 355 杯——账本没有完全猜中，但它猜中了自己的不确定性，而这份“诚实的区间”正是做生意最需要的东西。ETS 的预测应用，让小林从“凭感觉进货”升级为“带概率的理性决策”。

y^T+h=ℓT+h⋅bT\displaystyle \hat{y}_{T+h} = \ell_T + h \cdot b_T
Var(y^T+h)=σ2[1+(h−1)α2]\displaystyle \mathrm{Var}(\hat{y}_{T+h}) = \sigma^2\left[1 + (h-1)\alpha^2\right]
点预测像导航给出的“预计到达时间”，预测区间则像是“前后可能堵车 10 分钟”的余量。
  1. 点预测直接复用最新的水平 ℓ_T 与趋势 b_T，h 越大走得越远。
    y^T+h=ℓT+h⋅bT\displaystyle \hat{y}_{T+h} = \ell_T + h \cdot b_T
  2. 方差累积1+(h−1)α² 随 h 增大而增大，说明预测步长越长，不确定性越高。
    Var(y^T+h)=σ2[1+(h−1)α2]\displaystyle \mathrm{Var}(\hat{y}_{T+h}) = \sigma^2\left[1 + (h-1)\alpha^2\right]
  3. 工程实践用滚动窗口回测多个组合，每周重估参数，把表现稳定且 AIC 小的模型上线。
    h-step ahead: y^T+h±z⋅σh\displaystyle \text{h-step ahead: } \hat{y}_{T+h} \pm z \cdot \sigma_h

AI 应用场景

连锁咖啡品牌备货与排班

阶段：时间序列建模与业务预测

解决的问题：传统手工按“上周同期 × 系数”备货，既漏掉缓慢趋势又漏掉周季节；几百家门店各自为政，损耗与缺货并存。ETS 能在门店粒度自动拟合水平、趋势与周/月季节，输出分位数预测，让采购单变成“数据说了算”。

具体案例：某连锁咖啡品牌对 300 家门店的每日牛奶用量拟合 ETS(A,Ad,A)，按 75% 分位生成次日采购量，损耗率下降 18%，缺货投诉减少三成。

云资源容量规划

阶段：容量规划与成本优化

解决的问题：高峰期扩容靠人工盯监控，要么过度采购浪费预算，要么扩容太慢导致故障。ETS 能捕捉访问量的日/周季节与缓慢增长趋势，提前 7 天给出带区间的容量预测，让扩缩容从“被动救火”变成“主动预判”。

具体案例：某 SaaS 平台用 ETS 预测夜间批处理任务的资源用量，按预测上界自动扩容、按预测下界缩容，月度云成本下降 12%。

客服中心话务量排班

阶段：运营调度与人力优化

解决的问题：话务量有强烈的半小时级与星期级季节，人工排班要么人手不够、要么大量闲置。ETS 用乘法季节模型 ETS(M,A,M) 分时段预测话务曲线，与排班系统联动，让每个班次的人数贴合预测区间。

具体案例：某银行客服中心用 ETS 预测各时段话务量，按 85% 分位排班，接通率提升 9%，人力成本下降 6%。

Python 演示

python54 行
import numpy as npfrom scipy.optimize import minimize  def ets_aan_fit(y, max_iter=200):    """ETS(A,A,N) 状态空间拟合, 返回最优平滑参数与初始状态."""    y = np.asarray(y, dtype=float)    T = len(y)    l0 = y[0]    b0 = y[1] - y[0] if T > 1 else 0.0     def nll(params):        alpha, beta = params        if not (0.0 < alpha < 1.0 and 0.0 < beta < 1.0):            return 1e9        l, b = l0, b0        sse = 0.0        for t in range(T):            err = y[t] - (l + b)            l += b + alpha * err            b += beta * err            sse += err * err        sigma2 = sse / T        if sigma2 <= 0.0:            return 1e9        return T * np.log(sigma2)     res = minimize(nll, [0.3, 0.1], method="L-BFGS-B",                   bounds=[(0, 1), (0, 1)], options={"maxiter": max_iter})    return res.x[0], res.x[1], l0, b0, res.fun  def ets_aan_forecast(y, h=10):    alpha, beta, l0, b0, _ = ets_aan_fit(y)    l, b = l0, b0    T = len(y)    fitted = np.empty(T)    for t in range(T):        fitted[t] = l + b        err = y[t] - fitted[t]        l += b + alpha * err        b += beta * err    fcst = np.array([l + (i + 1) * b for i in range(h)])    return fitted, fcst, alpha, beta  if __name__ == "__main__":    rng = np.random.default_rng(42)    t = np.arange(60)    y = 100 + 2.0 * t + rng.normal(0, 5, 60)    fitted, fcst, alpha, beta = ets_aan_forecast(y, h=12)    print("alpha=%.3f beta=%.3f" % (alpha, beta))    print("前5个拟合值:", np.round(fitted[:5], 2))    print("未来12步预测:", np.round(fcst, 2))
目的：完整实现 ETS(A,A,N) 状态空间模型的拟合与预测，用负对数似然作为目标函数、L-BFGS-B 在 (0,1) 区间搜索最优平滑参数，输出拟合值与未来 12 步点预测。
  1. def nll(params):定义负对数似然目标函数，参数越不合理返回值越大，引导优化器远离非法区域。
  2. err = y[t] - (l + b)观测方程计算当前误差 ε_t，即“实际销量减预测销量”。
  3. l += b + alpha * err水平状态更新：把误差的 α 比例揉进水平，对应公式 ℓ_t = ℓ_{t-1} + b_{t-1} + αε_t。
  4. b += beta * err趋势状态更新：把误差的 β 比例揉进斜率，对应公式 b_t = b_{t-1} + βε_t。
  5. res = minimize(nll, [0.3, 0.1], method="L-BFGS-B",用 L-BFGS-B 在 (0,1) 区间内搜索最优 α 与 β，边界保证了平滑参数始终合法。
  6. fcst = np.array([l + (i + 1) * b for i in range(h)])点预测公式 ŷ_{T+h} = ℓ_T + h·b_T 的向量化实现。

常见误区

误区ETS 不就是把过去几天的销量求个加权平均嘛，跟移动平均没什么本质区别，换了个唬人的名字而已。

正解移动平均是静态权重，权重分配完就不再变化；ETS 是状态空间模型，水平、趋势、季节都是随每个新误差动态更新的状态变量，并配有显式的观测方程与状态方程。比喻：移动平均像一张印死的固定配方，ETS 像会根据顾客反馈不断微调火候的厨子。

为何常见：因为两者都涉及“加权历史数据”，小白只看表面权重，没看到状态更新的闭环机制才是 ETS 的灵魂。

误区乘法误差、乘法季节听起来更复杂，肯定比加法模型高级，直接选乘法准没错。

正解加乘之分不是精度高低，而是对“波动形态”的假设不同：加法适合波幅固定，乘法适合波幅随水平成比例。给销量稳定的店硬套乘法模型，会在高销量期放大噪声、压低销量期收缩波动，预测区间反而离谱。

为何常见：“复杂=更高级”的直觉，加上许多教材用乘法处理波动大的数据，容易让人误以为乘法是加法的升级版。

误区销量一直在涨，把趋势原样外推到三年后，预测数字越大老板越开心，何必加什么阻尼。

正解未阻尼的加法趋势长期外推会无限增长，与大多数业务的饱和规律相悖；阻尼趋势用 φ∈(0,1) 把长期增长率逐步压向 0，中远期预测明显更稳健。比喻：赛车直线加速很爽，但弯道不踩刹车就会冲出赛道。

为何常见：人们习惯用近期直线斜率外推远期，忽略了增长总有上限这一基本商业常识。

误区反正有优化器，初始参数随便设一设都会收敛到同一个最优解，没必要讲究。

正解对数似然函数通常非凸，L-BFGS 等局部优化器对初值敏感；业界常用前几期观测做启发式初始化（如 b₀ = y₂ − y₁），再配合多起点搜索降低陷入局部最优的风险。

为何常见：看到“自动优化”就以为有全局最优保证，忽略了数值优化本身的局部性与参数空间的结构。

面试题

Q1. ETS 中的三个字母 E/T/S 分别代表什么组件？

单选题 · easy

  • A.误差、趋势、季节← 正确答案
  • B.误差、时间、尺度
  • C.指数、趋势、季节
  • D.误差、趋势、标准

答案：A。ETS 命名源自 Error、Trend、Seasonal 三组件。B 把 T 误读成“时间”、D 把 S 误读成“标准”，C 把 E 误当成 Exponential，只有 A 与三组件定义完全对上。

Q2. ETS(A,A,N) 中的 N 表示哪一个组件被省略？

单选题 · easy

  • A.误差组件被省略不参与建模
  • B.季节组件被省略不参与建模← 正确答案
  • C.趋势组件被省略不参与建模
  • D.参数组件被省略不参与建模

答案：B。ETS 三个字母按顺序对应误差、趋势、季节，N 是 None 的缩写，表示该位置组件不参与建模。第三个位置是季节，因此 B 正确；A、C 把字母位置搞混，D 中“参数组件”根本不存在。

Q3. 乘法误差 (M) 更适用于什么形态的序列？

单选题 · mid

  • A.波动幅度恒定的那类序列
  • B.波动随水平成比例变化的序列← 正确答案
  • C.完全没有任何随机波动的序列
  • D.只有长期单调趋势的序列

答案：B。乘法误差假设波动幅度与当前水平成比例，像“±5% 的小费”；A 描述的是加法误差的适用场景，C 是理想无噪声场景，D 只提到趋势未涉及波动形态，均不符合乘法误差的核心假设。

Q4. 阻尼趋势中阻尼参数 φ 的取值范围及其效果？

单选题 · mid

  • A.φ=1 趋势永远不衰减
  • B.φ>1 会让趋势爆炸放大
  • C.0<φ<1 趋势逐步收敛← 正确答案
  • D.φ=0 趋势完全消失

答案：C。阻尼趋势方程 b_t = φb_{t-1} + βε_t 要求 0<φ<1，趋势每步乘 φ 后逐步衰减、长期预测趋于平缓。A 中 φ=1 是普通加法趋势，B 中 φ>1 会发散，D 中 φ=0 是瞬间无趋势而非逐步收敛。

Q5. 选择 ETS 组合模型时，AIC 的使用原则是？

单选题 · mid

  • A.AIC 越大代表拟合越好
  • B.AIC 越小且兼顾复杂度← 正确答案
  • C.只比较拟合优度 R²
  • D.随便挑个常用组合

答案：B。AIC = −2ln(L̂) + 2k，既奖励拟合似然又用 2k 惩罚参数数量，在同一数据集上取 AIC 最小者。A 方向反了，C 只看 R² 会忽略过拟合，D 属于拍脑袋，均不符合模型选择原则。

Q6. 模型 ETS(A,Ad,M) 表示的是哪种组合？

单选题 · hard

  • A.加法误差加法趋势乘法季节
  • B.加法误差阻尼趋势乘法季节← 正确答案
  • C.乘法误差加法趋势阻尼季节
  • D.加法误差阻尼趋势加法季节

答案：B。三字母按误差、趋势、季节排列：首字母 A 为加法误差，中间 Ad 为阻尼加法趋势，末字母 M 为乘法季节。A 漏掉阻尼，C 字母顺序错乱，D 把季节误写成加法，均不正确。

Q7. 与普通加权移动平均相比，ETS 的核心优势是什么？

单选题 · hard

  • A.能显式建模趋势与季节← 正确答案
  • B.计算复杂度一定更低
  • C.不需要估计任何参数
  • D.只能处理平稳数据

答案：A。ETS 用状态空间方程显式刻画水平、趋势、季节，并通过误差修正持续更新状态；移动平均只是静态权重，无法外推趋势与季节。B 不一定成立，C 与事实相反，D 描述的是移动平均的常见局限而非 ETS 优势。

Q8. ETS 的三组件包含以下哪些？

多选题 · mid

  • A.误差组件← 正确答案
  • B.趋势组件← 正确答案
  • C.季节组件← 正确答案
  • D.回归组件

答案：ABC。E-T-S 三个字母分别对应误差、趋势、季节三组件，缺一不可。回归是引入外部变量的机制，不属于 ETS 组件体系，因此 D 不选。

Q9. 关于加法与乘法组件的选择，下列说法正确的是？

多选题 · mid

  • A.加法误差适合固定波动← 正确答案
  • B.乘法误差适合比例波动← 正确答案
  • C.加法季节适合波幅恒定← 正确答案
  • D.乘法季节适合波动成比例← 正确答案

答案：ABCD。加法的前提是波动绝对幅度稳定，乘法假设波幅随水平成比例变化。四条描述分别对应误差与季节两种组件在加乘假设下的正确选择，全部成立。

Q10. 关于 AIC 与模型参数的关系，下列说法正确的是？

多选题 · hard

  • A.AIC 用 2k 惩罚参数数量← 正确答案
  • B.参数越多 AIC 必然越小
  • C.复杂模型需要更大似然补偿← 正确答案
  • D.只在同一数据上做比较← 正确答案

答案：ACD。AIC = −2ln(L̂) + 2k，k 是参数个数，参数越多惩罚越大，因此 B 错误。复杂模型必须用更高的拟合似然来“报销”惩罚才可能胜出；比较 AIC 的前提是同一数据集，跨数据集比较没有意义。