传统时间序列方法：指数平滑法(ETS)

可视化演示

展示指数平滑法的加权衰减机制Holt趋势分解和Holt-Winters季节分解交互切换三种模式探索ETS模型。

指数加权原理：越近越鲜活

老周心里那杆秤之所以好用，是因为它天然懂得“远近有别”：昨天卖爆的场面最清晰，上周的印象淡一些，上个月的几乎只剩轮廓。他不会把三个月前的冷清日和今天的火爆日等量齐观。这种“新消息优先、旧记忆渐次淡出”的直觉，正是指数平滑的基石。

把这个直觉翻译成数学，就是一条递推式：设第 t 期真实观测为 $y_t$，模型在第 t 期结束时对下一期的预测为 $F_{t+1}$，那么

所以指数平滑不是账本式的逐条登记，而是像老周脑中的秤：新消息分量最重，往事随风飘散却留有余韵。它用最简单的算术，模拟了人脑对“最近发生过什么”的朴素判断。

简单指数平滑：只盯一锅水平

如果面馆生意平稳，没有明显的上升趋势，也没有淡旺季，老周只需记住一个数就够了：当下需求大概在什么水平。今天卖多了，水平往上抬一点；卖少了，往下压一点。这套只跟“水平”打交道的做法，就是简单指数平滑（Simple Exponential Smoothing，SES）。

SES 假设序列围绕一个缓变的水平波动。设第 t 期的水平估计为 $\ell_t$，更新方式与前面的递推完全一致：

对未来 h 期的预测，则统统取当前水平不再变化：

SES 就像老周手里最朴素的掌勺功夫：一锅水平，一把盐，不追趋势不看日历。对于稳定业务，它往往比花哨的模型更可靠。

Holt趋势模型：看见上行斜率

后来老周发现生意一年比一年好，光是记住“水平”已经不够了。他不得不在脑子里多添一枝笔：除了当前热度，还要记“每天往上爬多少”的斜率。这就是 Holt 线性趋势模型的思路——在 SES 的水平之外，再增加一个趋势分量 $b_t$。

未来的 h 步预测，则把斜率按时间放大：

老周现在每天记两个数：当下的热度水平，和上行的势头。下个月备多少料，不再是拍脑袋，而是“水平 + 天数 × 斜率”，心里有本明白账。

Holt-Winters：水平、趋势加季节

冬天卖热汤、夏天卖凉面，周末总比工作日多两成客人。老周发现仅靠水平和斜率还不够，还得有一本“季节配方表”。Holt-Winters 模型正是把水平 $\ell_t$、趋势 $b_t$、季节分量 $s_t$ 三本账一起维护。设季节周期为 L（月数据取 12，周数据取 7），加法季节形式如下：

预测时把三块拼起来：

如果季节波动幅度随整体水平一起增大，比如冬天旺季越来越爆，可改用乘法季节形式 $s_t=\gamma(y_t/\ell_t)+(1-\gamma)s_{t-L}$。老周的三本配方表各配一个火候旋钮，比单打独斗精细得多，但也要求数据规律足够稳定。

参数调优策略：三个火候旋钮

$\alpha$、$\beta$、$\gamma$ 就像灶台上的三个旋钮。$\alpha$ 管“信多少新销量”，$\beta$ 管“趋势的冲动有多大”，$\gamma$ 管“季节配方多久修正一次”。旋钮拧太大，模型追着每一个偶然波动跑，手忙脚乱；拧太小，汤温吞吞，反应迟钝。调参的目标，就是找到既不冒烟也不温吞的火候。

最常用的做法是让模型在历史数据上的一步预测误差尽量小：

调参不是玄学。实践中要注意给参数设合理边界（如 0.05 到 0.9），并用滚动验证代替单次划分，防止参数在训练集上“背题”。

模型诊断与选择：尝一口残差

模型出锅前，老周一定要自己先尝一口汤底。残差就是那口汤底——如果残差乱得像白噪声，说明模型已经把能学的模式都学完了；如果残差里还藏着明显的形状或周期，说明火候没到位，还有信息没被吸收。

残差定义为实际值与拟合值之差：

衡量整体预测精度常用 RMSE：

模型比较则常用 AIC 准则，在拟合优度与复杂度之间找平衡：

好的汤，汤底干净；好的模型，残差随机。若残差的自相关图还有明显峰值，就该考虑换趋势形式、加季节分量，或干脆换更强的模型。

应用边界落地：老手艺的边界

老周的手艺适合“老街、老客、老规矩”：需求平滑，趋势温和，季节稳定。指数平滑的优势恰恰在这里——数据要求极低，几十个点就能跑；模型可解释性强，每个系数都有直白的业务含义；训练几乎瞬时完成，几千行代码的模型都比不上它“一勺准”。

但它也有明确的边界：遇到突变点（隔壁开商场、突发疫情），遇到长期非线性依赖，或者数据形态剧烈变化，指数平滑往往反应不及。此时应转向 ARIMA、Prophet 或深度学习模型。选择方法没有高低之分，只有匹配不匹配。工程落地时，Python 的 statsmodels 几行即可完成建模：

老手艺明白自己的边界：在稳定场景里是最趁手的勺；在剧变场景里，请交给更复杂的模型团队。

from statsmodels.tsa.holtwinters import ExponentialSmoothingmodel = ExponentialSmoothing(series, trend="add", seasonal="add", seasonal_periods=12).fit()

AI 应用场景

Python 演示

import numpy as npfrom statsmodels.tsa.holtwinters import ExponentialSmoothing # 一、生成带趋势与季节性的模拟数据（例如每周销量）np.random.seed(42)t = np.arange(72)sales = 100 + 0.8 * t + 15 * np.sin(2 * np.pi * t / 8) + np.random.normal(0, 3, 72) # 二、划分训练与验证集train, test = sales[:56], sales[56:] # 三、拟合 Holt-Winters 加法季节模型model = ExponentialSmoothing(    train,    trend="add",    seasonal="add",    seasonal_periods=8,)fit = model.fit() # 四、在验证集上评估forecast = fit.forecast(len(test))rmse = np.sqrt(np.mean((forecast - test) ** 2)) print("训练集最后3期拟合:", np.round(fit.fittedvalues[-3:], 2))print("验证集前6期真实值:", np.round(test[:6], 2))print("验证集前6期预测值:", np.round(forecast[:6], 2))print("RMSE:", round(rmse, 3))

1. train, test = sales[:56], sales[56:]把数据切成训练集和验证集，避免“用答案考自己”。
2. trend="add", seasonal="add"声明采用加法趋势和加法季节，告诉模型要学的东西长什么样。
3. seasonal_periods=8指定季节周期为 8 期，相当于告诉模型“配方表”的翻页节奏。
4. fit = model.fit()拟合过程内部自动优化 α、β、γ 三个参数，等价于前面说的“调火候”。
5. forecast = fit.forecast(len(test))对验证集长度做多步预测，一步到位。
6. rmse = np.sqrt(np.mean((forecast - test) ** 2))计算均方根误差，量化“这锅汤到底咸了多少”。

常见误区

面试题