需求预测算法 – 一次指数平滑法

一次指数平滑是对加权移动平均法的再一次升级，可以看做加权移动平均法的智能升级版。

一、核心思想

对所有历史数据赋予不同的权重，且权重随着时间向后程指数级递减，越近期的数据权重越高，越远期的数据权重越低。

二、算法公式

2.1、基本公式

一次指数平滑法只有一个核心公式

Fn+1 = α * An + (1 – α) * Fn

符号说明：

Fn+1 : 第n+1期的预测值An：第n期的实际值Fn：第t期的预测值α：平滑系数，取值范围为：0 < α < 1

2.2、公式的理解

这个公式可以理解为：

新预测 = α * 最新实际值 + （1 – α）* 旧预测值

用最新的实际值（信息）来修正之前的预测

权重分布特性：

最近一期权重：α前一期权重：α（1 – α）前两期权重：α（1 – α）2…这是一个几何级数，针对实际数据加上权重，权重按指数规律递减，故称为指数平滑

三、计算步骤

3.1、预测计算逻辑示例

以一个简单例子来示例，假设某产品过去6个月的销量如下，假设平滑系数α = 0.3：

任务：预测202510月份的销量，以及每期的mape值

数据初始化

第1期预测值F1没有历史数据，通常设置第一个实际值为预测值：

F1 = A1 = 6

逐期计算

第2期预测：F2 = 0.3 * 6 + 0.7 * 0.6 = 6

第3期预测：F3 = 0.3 * 8 + 0.7 * 0.6 = 6.6

第4期预测：F4 = 0.3 * 12 + 0.7 * 6.6 = 8.22

第5期预测：F5 = 0.3 * 10 + 0.7 * 8.22 = 8.75

第6期预测：F6 = 0.3 * 14 + 0.7 * 8.75 = 10.33

第7期预测（202510） ： F7 = 0.3 * 10 + 0.7 * 10.33 = 10.23

3.2、计算MAPE

MAPE值的计算公式参考上一篇移动平均法中公式。

MAPE = (25.00% + 45.00% + 17.80% + 37.50% + 3.30%) / 5 = 25.7%

四、算法分析

4.1、结果分析

从上面的示例来看，一次指数平滑法的效果好像还没有加权移动平均法的预测结果准，MAPE值比加权移动平均法好。

原因在于：

数据的波动性很强：6 -> 8 -> 12 -> 10 -> 14 -> 10无明显的规律： 既有增长又有下降数据量小：只有6个数据

加权移动平均 (权重 [0.5, 0.33, 0.17])

窗口固定：只考虑最近3期数据权重明确：近期数据权重明确分配对波动反应快：在数据波动大时，固定窗口能快速调整

一次指数平滑 (α=0.3)

考虑所有历史：权重指数递减，但所有历史数据都有影响平滑效果强：α=0.3 意味着近期数据权重只有30%，历史影响占70%反应滞后：在波动数据中反应较慢

问题指向：α的值设置不合理，太小

4.2、关键参数：平滑系数α

上述结论证明α的选择对预测结果影响巨大

α 的影响：

α 较大（如 0.5-0.9）：对近期变化反应敏感，预测能快速跟上趋势变化，但可能过度反应随机波动α 较小（如 0.1-0.3）：预测更加平滑稳定，对随机波动不敏感，但对趋势变化的反应滞后

可以通过上述例子，对α的取值进行不同值的验证，取到相对比较合理的平滑系数。

4.3、与移动平均法对比

4.4、优缺点分析

优点：

计算高效：只需要保存上一期的预测值内存友好：不需要保存所有历史数据适用性比较强：通过调整 α 可以适应不同的数据特性

缺点：

无法处理趋势：对于有明显上升或下降趋势的数据预测会滞后无法处理季节性：不能捕捉季节性模式α 选择敏感：预测精度对 α 的选择很敏感初始值影响：初期预测受初始值选择的影响

五、适用场景

相对平稳的时间序列无明显趋势和季节性的数据需要快速计算的实时预测场景内存有限的嵌入式系统

在实际应用中，可以通过历史数据测试确定最优的α值，并定期重新评估和调整α的取值。以上述例子为例：我们可以使用0.1-0.9的范围以0.1的步长去做不同的预测验证，从MAPE结果来看，0.1时最差，MAPE值到了25.85%，0.7时预测结果最好14.92%，通过不同的平滑系数进行多次验证，可以取到一个相对最好的的α值。