「指数平滑」是一种在时间序列中平滑实际值, 以便预测可能的未来值的方法。

「指数三重平滑」(ETS) 是一组处理趋势和周期性 (季节性) 影响的算法。「指数双重平滑」(EDS) 是一种类似 ETS 的算法, 但没有周期性的影响。EDS 生成线性预测。

提示图标

目标 (必填)」: 日期、时间或单个数字值或范围。要为其计算预测的数据点/范围。

值 (必填)」:数字数组或范围。「」是要预测下一个点的历史值。

时间线 (必填)」:数字数组或范围。历史值的时间线 (x 值) 范围。

批注图标

时间线不需要排序, 函数将对其进行排序以进行计算。
时间线值之间必须有一致的步长。
如果在排序的时间线中无法识别恒定的步长, 函数将返回 #NUM! 错误。
如果时间线和历史值的范围大小不同, 函数将返回 #N/A 错误。
如果时间线包含少于 2 个周期的数据, 函数将返回#VALUE! 错误。


数据补齐 (可选)」:逻辑值 TRUE 或 FALSE, 数字 1 或 0, 默认值为 1 (TRUE)。值为 0 (FALSE) 将零作为其历史值添加缺少的数据点。如果值为 1 (TRUE), 则会通过在相邻数据点之间插值来添加缺少的数据点。

批注图标

尽管时间线需要在数据点之间保持恒定的步进, 但该函数支持最多 30% 的数据点缺失, 并将添加这些数据点。


聚合 (可选)」: 从 1 到 7 的数值, 默认值为 1。聚合参数决定将使用哪种方法聚合相同的时间值:

汇总

函数

1

AVERAGE

2

COUNT

3

COUNTA

4

MAX

5

MEDIAN

6

MIN

7

SUM


批注图标

尽管时间线需要在数据点之间保持恒定的步进, 但函数将聚合具有相同时间戳的多个点。


统计类型 (必填)」: 从 1 到 9 的数值。表示将为给定的值和 x 范围返回哪种统计信息。

可返回以下统计信息:

统计类型

统计信息

1

ETS 算法的 α 平滑参数 (基本)

2

ETS 算法的 γ 平滑参数 (趋势)

3

ETS 算法的 β 平滑参数 (周期偏差)

4

平均绝对缩放误差 (MASE) - 预测准确性的度量方式。

5

对称平均绝对百分比误差 (SMAPE) - 基于百分比误差的精度度量。

6

平均绝对误差 (MAE) – 预测准确性的度量方式。

7

根平均值平方误差 (RMSE) - 预测值和观察值之间差异的度量方式。

8

检测到的步长时间线 (x 范围)。当检测到按月/季度/年的步进大小时, 步进大小以月为单位, 否则步长以日期 (时间) 时间线以及其他情况下,步进大小以天为单位。

9

周期中的样本数 – 这与「周期长度」的参数相同, 或者在参数「周期长度」为 1 的情况下计算出的数字。


置信度级别 (必填)」: 介于 0 和 1 (不含) 之间的数值, 默认值为0.95。指定计算预测间隔的置信度。

批注图标

值 <= 0 或 >= 1 时, 函数将返回 #NUM! 错误。


周期长度 (可选)」: 数值,> = 0, 默认值为 1。一个正整数, 指定周期中的样本数。

批注图标

值为 1 表示 Calc 将自动确定周期内的采样数。
值为 0 表示没有周期性影响, 使用 EDS 算法计算预测。
对于所有其他正值, 使用 ETS 算法计算预测。
对于不是正整数的值, 函数将返回 #NUM! 错误。


forecast = basevalue + trend * ∆x + periodical_aberration。

forecast = ( basevalue + trend * ∆x ) * periodical_aberration。

示例

下表包含时间线及其关联的值:

A

B

1

时间线

数值

2

01/2013

112

3

02/2013

118

4

03/2013

132

5

04/2013

100

6

05/2013

121

7

06/2013

135

8

07/2013

148

9

08/2013

148

10

09/2013

136

11

10/2013

119

12

11/2013

104

13

12/2013

118


请支持我们!