Exponential Smoothing (指数平滑)算法简单讲解

Exponential Smoothing (指数平滑)算法简单讲解

前言

笔者在读研期间，跟着导师做时序这一块，因为是半吊子入门，就还是想着记录一下这些基本的算法。因为我自己数学其实是不太好的，想着多写写多记记或许有改观？希望能帮到刚入门的朋友，也希望自己能通过梳理加深印象。

1. 什么是 Exponential Smoothing？

Exponential Smoothing（指数平滑） 是一种常用的时间序列预测方法，通过让最新数据权重更高、历史数据权重递减，实现数据平滑和未来预测。

在现实世界中，数据往往存在随机波动。如果直接用原始数据预测，容易受到噪声影响。
因此，我们需要“平滑”数据，提取主要趋势，而指数平滑就是一种简单而有效的方法。

相比传统的简单移动平均（Simple Moving Average），指数平滑不需要固定窗口，且可以实时更新，对新数据更加敏感。

---

2. Exponential Smoothing 的基本原理

指数平滑（Exponential Smoothing）的基本公式如下：

$$F_t=\alpha A_{t-1}+(1$$