感谢各位读者厚爱，笔者的新书《供应链库存与计划管理》已经上架，并于本号设置内购。通过本公众号购买的读者，可以加入读者群交流，笔者将就书中内容知识，进行分享，讲解，不定期直播或录播。对疑问尽可能详细解答。
购书可点击以下（如书籍链接有问题可搜笔者闲鱼号 【林梦龙2024】 直接拍下即可或者私信联系笔者）
书籍目录可参考：
我的新书《供应链库存与计划管理：技术、方法与 Excel 应用》出版了
另外，由于一部分读者在笔者公布内购渠道前已经购买了，根据相应规则也可安排加入分享。
第一轮的分享课程开始陆续展开，参看：《供应链库存与计划管理》读者群分享课程内容
系列第一篇：时间序列预测法的循环渐进（一）
系列第二篇：时间序列预测法的循环渐进（二）
预测而言，越接近现在或者是现在的数据，反映在未来，相对来说越可靠。而距离现在更遥远的过去，或许某些规律会在未来继续呈现，不过相对来说，这种可靠性略显不足。一个简单的例子，就是一小时前的天气情况，或者是现在的天气状况，带来的数据更能准确地预测一小时后的天气情况，而一个月的天气数据相对来说，就不那么可靠。
这么说来，即期数据的重要性不言而喻。普通的平均法只是把各种数据的比重取一致，而移动平均和加权移动平均，则对更“新“的数据赋予更多的比重，从而把最新数据的敏感性反映出来。
那么指数平滑法又是基于这个预测特点更进一步的发展。本质上它也算是移动平均法，其原理是任一期的指数平滑值是本期实际观察值与前一期指数平滑值的加权平均，这种方法融合了新旧价值信息，赋予较新信息更大的权重。
指数平滑法是相信最近的数据，蕴含和代表的规律，会很大程度上反映在未来并持续发生，所以被赋予的权重就更大。计算中所需要的平滑常数，调节分配新旧数据的权重比例，并让权重按照指数级递减，“陈旧”的数据权重就衰减变得越小。
简单指数平滑法，就是过去的数据只呈现水平特征，通过采用一个平滑常数α，对上一期历史数据的实际值和预测值的各自权重比例调整，其公式是：
Ft+1 是t+1期的预测值
α是平滑常数，取值在0和1之间，读作Alpha
St是t期的实际需求
Ft是t期的预测值
α值取值不同，带来的平滑效果也不尽相同。从公式中可以得知，α值是最近一期实际需求所占的比重分配，而1-α则是最近一期预测所在占的比重。α值越大，实际值被赋予的权重就越大，那么模型表现出来的水平变化就越大，当然其中包含随机因素也会更多，波动很大。而α值越小则相反，最近一期的预测值的权重越大，实际值的权重就越小，那么模型表现出来则平稳，消除更多的噪音，也即随机因素没有那么多，因此模型相对地没有那么灵敏。
根据历史数据的特点，α值取值各有不同。当历史数据呈现稳定的水平趋势时候，α值取较小的值，一般在0.05到0.2之间；当历史数据呈现一定的波动，但是长期趋势变化不大，可取较大的α值，常在0.1到0.4之间；而历史数据波动很大，且长期趋势变化幅度也较大，具备明显且迅速的上升或者下降趋势时，宜选取较大的α值，取值0.6到0.8之间；在历史数据是上升或者下降的发展趋势的时候，α值可取值在0.6到1之间。
下图是一个典型的比较，当历史实际值呈一个上升的发展趋势，α取较大的值时，预测值对现实变得更敏感，因此预测也更加贴近现实的变化。
不同α值下的预测值比较
不同α值下的预测值比较图示
从图看出，α值越大，预测模型表现出更多的波动，反之模型就平稳得多。由于α值取值大，那么采用上一期的实际值就越多，当α取值0.9的时候，意味着上一期实际值比重高达90%，而上一期的预测值则只有10%，这样的话，当期的预测值就会更多地跟随上一期的实际而调整变化。
单指数平滑公式是可以这样演化
字体加粗部分是代入下一期的单指数平滑公式，即
那么随着时间的推移，公式可以不断推演下去，在赋予预测值权重的部分，不断呈现衰减，在t+1期，赋予预测值权重为1-α，到了t期，则是〖(1-α)〗^2，不断延续，直到n期的时候，则为〖(1-α)〗^(t+2-n)。
这种权重的分配的情况根据α值而有所不同，如下图
权重的分配不同呈现的图示
当α值为0.9的时候，随着时间的推移，越接近现在，预测值被赋予的权重就越发变小，也就是说，越相信过往的实际值作为预测的依据，反之，当α值选择为0.1的时候，过往的预测值依然起着一部分的作用，应用在未来的预测上。
点个在看你最好看
