我現(xiàn)在深深的發(fā)現(xiàn)我老公就是個(gè)杠精，我說啥他都要杠，不杠就活不了了。
生氣。
這里不多說指數(shù)平滑的原理，直接給一個(gè)結(jié)論。

指數(shù)平滑預(yù)測模型的使用場合

上述結(jié)論出自王燕的《應(yīng)用時(shí)間序列分析》，第四版，196頁。

請王越不要在跟我抬杠，千恩萬謝。
一次指數(shù)平滑預(yù)測值恒為常數(shù)，所以最好只做1期預(yù)測。
最近我司又讓我做時(shí)間序列了，就目前我的水平而言，做出來的效果最好的是xgboost算法。
出于興趣，自己研究了holt-winter的使用方法。

首先，這里使用的是統(tǒng)計(jì)學(xué)模型的python庫。

from statsmodels.tsa.holtwinters import ExponentialSmoothing

其次，下面貼出代碼實(shí)現(xiàn)方法。

# -*- encoding:utf-8 -*-

import pandas as pd
import matplotlib.pyplot as plt

from statsmodels.tsa.holtwinters import ExponentialSmoothing

# 1、對數(shù)據(jù)的預(yù)處理
input_data = open("ftproot.txt", mode='r').read().split("\n")
time_data = []
for i in range(len(input_data)):
    time_data.append(input_data[i].split(","))
# 全部數(shù)據(jù)
all_data = []
for i in range(len(time_data)):
    all_data.append(float(time_data[i][1]))
# 分一部分出來作為train數(shù)據(jù)
train_data = []
test_data = []
train_data.extend([all_data[i] for i in range(0, 1334)])
test_data.extend([all_data[i] for i in range(1334, len(all_data))])

# 2、模型參數(shù)
ets3 = ExponentialSmoothing(train_data, trend='add', seasonal='add', seasonal_periods=24)
# 3、擬合模型
r3 = ets3.fit()
# 4、預(yù)測
pred3 = r3.predict(start=len(train_data), end=len(all_data)-1)
# 5、畫圖，可以忽略
pd.DataFrame({
    'origin': test_data,
    'pred': pred3
}).plot(legend=True)
plt.show()
print(pred3)

image.png

數(shù)據(jù)樣式如下，一小時(shí)一個(gè)點(diǎn)，逗號(hào)前面是時(shí)間，后面是數(shù)值。

第三，下面給出代碼的具體含義。

1、先拿到數(shù)據(jù)，一小時(shí)一個(gè)點(diǎn)，去除時(shí)間標(biāo)記，拿到數(shù)值，按照時(shí)間順序，存入數(shù)組y3中。
2、設(shè)置模型的參數(shù)
看一下源碼里怎么說的

    Holt Winter's Exponential Smoothing

    Parameters
    ----------
    endog : array-like
        Time series
    trend : {"add", "mul", "additive", "multiplicative", None}, optional
        Type of trend component.
    damped : bool, optional
        Should the trend component be damped.
    seasonal : {"add", "mul", "additive", "multiplicative", None}, optional
        Type of seasonal component.
    seasonal_periods : int, optional
        The number of seasons to consider for the holt winters.

    Returns
    -------
    results : ExponentialSmoothing class        

    Notes
    -----
    This is a full implementation of the holt winters exponential smoothing as
    per [1]. This includes all the unstable methods as well as the stable methods.
    The implementation of the library covers the functionality of the R 
    library as much as possible whilst still being pythonic.

參數(shù)：
第一個(gè)endog，當(dāng)然是時(shí)間序列的數(shù)據(jù)了，array-like的形式。
第二個(gè)trend是趨勢，有三種可選項(xiàng)，就是加法趨勢和乘法趨勢還有None。
第三個(gè)damped是衰減，Boolean，是否對趨勢進(jìn)行衰減。
第四個(gè)seasonal是季節(jié)性（周期），也是三種選項(xiàng)，加法、乘法還有None。
第五個(gè)seasonal_periods，季節(jié)性周期，int型，holt-winter要考慮的季節(jié)的數(shù)量。簡單來說，多少點(diǎn)是一個(gè)周期？你可以設(shè)定為一天，一星期，一個(gè)月，一年等等
參數(shù)比較簡單，一目了然。
我這邊設(shè)置的趨勢和季節(jié)都是加性的。因?yàn)閿?shù)據(jù)是一小時(shí)一個(gè)點(diǎn)的，所以周期我給的是24，即一天為一個(gè)周期。
3、擬合模型
4、預(yù)測

image.png

看這個(gè)效果還不錯(cuò)是吧，那是因?yàn)榍懊娑荚谟?xùn)練集里面，真正展現(xiàn)實(shí)力的是后面分叉的部分。效果很差。
如果只是把后面的部分截出來看，是不是對比更明顯一點(diǎn)。

image.png

下圖是我用同樣的數(shù)據(jù)，holt-winter和xgboost預(yù)測效果以及真實(shí)值的對比效果

image.png