@
目录一、Holt-Winters算法原理
什么是Holt-Winters预测算法？
Holt-Winters算法是一种时间序列预测方法。时间序列预测方法用于提取和分析数据和统计数据并表征结果，以便根据历史数据更准确地预测未来。Holt-Winters 预测算法允许用户平滑时间序列并使用该数据预测感兴趣的领域。指数平滑法会根据历史数据分配指数递减的权重和值，以降低较旧数据的权重值。换句话说，在预测中，较新的历史数据比较旧的结果具有更大的权重。
Holt-Winters中使用的指数平滑方法有三种：
单指数平滑——适用于预测没有趋势或季节性模式的数据，其中数据水平可能随时间而变化。
双重指数平滑法——用于预测存在趋势的数据。
三重指数平滑法——用于预测具有趋势和/或季节性的数据。
Holt-Winters包括预测方程和三个平滑方程，分别用于处理水平 $\ell_{t},$ 趋势 $b_{t}$ 和季节性成分 $s t$ ，对应的平滑参数分别是 $\alpha, \ \beta^{*}$ 和 $\gamma$ 。通常用 $m$ 表示季节性的周期，比如季度数据 $m=4$ ,月度数据 $m=1 2$ ,
Holt-Winters方法有两种变体，主要区别在于季节性成分的处理方式:
1. 加法模型：当季节性变化较为稳定时使用加法模型。
2. .乘法模型：当季节性变化与数据水平成比例变化时，适用乘法模型。
(一) 加法模型
在加法模型中，季节性成分用绝对值来表示，并在水平方程中通过减去季节性成分来对数据进行季节性调整。每年内，季节性成分的和大约为零。加法模型的分量形式为：
$$\hat{y}{t+h | t}=\ell+h b_{t}+s_{t+h-m ( k+1 )} $$
包含三个平滑方程，其中，水平方程是一个加权平均，包含季节性调整后的观察值 $( y_{t}-s_{t-m} )$ 和非季节性预测值$( \ell_{t-1}+b_{t-1} )$
$$\ell_{t}=\alpha( y_{t}-s_{t-m} )+( 1-\alpha) ( \ell_{t-1}+b_{t-1} ) $$
趋势方程与Holt的线性方法相同。
$$b_{t}=\beta^{} ( \ell_{t}-\ell_{t-1} )+( 1-\beta^{} ) b_{t-1} $$
季节性方程通过当前的季节性指数 $( y_{t}-\ell_{t-1}-b_{t-1} )$ 和上一年同一季节的季节性指数 $s_{t-m}$ 来平滑季节性成分。
$$s_{t}=\gamma( y_{t}-\ell_{t-1}-b_{t-1} )+( 1-\gamma) s_{t-m} $$
(一) 乘法模型
在乘法模型中，季节性成分以相对值（百分比）表示，并通过将时间序列除以季节性成分来进行季节性调整。每年内，季节性成分的和约为 $m_{\circ}$ ，乘法模型的分量形式为：
$$\hat{y}{t+h | t}=( \ell+h b_{t} ) s_{t+h-m ( k+1 )} $$
$$\ell_{t}=\alpha{\frac{y_{t}} {s_{t-m}}}+( 1-\alpha) ( \ell_{t-1}+b_{t-1} ) $$
$$b_{t}=\beta^{} ( \ell_{t}-\ell_{t-1} )+( 1-\beta^{} ) b_{t-1} $$
$$s_{t}=\gamma{\frac{y_{t}} {( \ell_{t-1}+b_{t-1} )}}+( 1-\gamma) s_{t-m} $$
(三) 阻尼趋势
Holt-Winters 可以在加法和乘法季节性模型中引入阻尼（Damping）趋势。阻尼趋势能够使模型在预测未来趋势时更加稳健，避免趋势无限延伸，适用于那些趋势可能逐渐趋于稳定的时间序列数据，该方法结合了季节性和趋势的平滑，并通过阻尼因子
标签：01,df,Holt,1971,plt,Sentosa,DSML,数据,col From： https://www.cnblogs.com/KennethYuen/p/18466894