Exponential Smoothing (Экспоненциальное сглаживание)

Крупномасштабное статистическое прогнозирование. Объяснение Exponential Smoothing (Экспоненциальное сглаживание). - Русский

Никто может реально посмотреть в будущее. Однако современные статистические методы, эконометрические модели и программное обеспечение Business Intelligence (Корпоративный интеллект) способны в определенной степени помочь компаниям спрогнозировать и высчитать будущие результаты.

Модель Exponential Smoothing (Экспоненциальное сглаживание)

Модель Exponential Smoothing (Экспоненциальное сглаживание) (ESM) использует среднее взвешенное прошлых и текущих значений для учета влияний колебаний данных, таких как сезонность. Используя переменную альфа (значения между 0-1), можно установить соответствующую чувствительность сглаживающих эффектов. ESM часто используется на проблемах крупномасштабного статистического прогнозирования, потому что она надежна и проста в применении.

ESM - популярный метод для создания сглаженного временного ряда. Тогда как в методе скользящей средней прошлые наблюдения снабжены равными весами, Exponential Smoothing (Экспоненциальное сглаживание) приписывает экспоненциально убывающие веса более старым наблюдениям. Иначе говоря: недавним наблюдениям в прогнозировании приписываются большие веса, чем более старым наблюдениям.

В случае скользящих средних, приписанные к наблюдениям веса одинаковы и равны 1/N. Однако в Exponential Smoothing (Экспоненциальное сглаживание) включены один или более сглаживающих параметров, которые необходимо определить или вычислить. Эти выборы определяют веса, приписанные к наблюдениям.