📈 11-02 · 指数平滑:轻量递推预测¶
目标:把「轻模型」用到能打。学完本篇你能—— ① 手写 SES / Holt(趋势)/ Holt-Winters(加法+乘法季节)/ 阻尼趋势 全套递推,并说清每个平滑参数控制什么; ② 从 SES 递归式推出加权和 $\alpha(1-\alpha)^k$,并证明 SES ≡ ARIMA(0,1,1)(θ=α−1,含参数化差异); ③ 用网格与
scipy.optimize.minimize两种方式自动选参,并与statsmodels的 ExponentialSmoothing 对照(残差 SSE 同数量级); ④ 用近似公式与蒙特卡洛两种方法给出预测区间,并做 100 次重复覆盖率检验(>0.85)。
📍 主线位置:前一篇《01 ARMA 与 ARIMA》(回归/频率域视角的模型族)→ 本篇《指数平滑》(状态递推视角,轻量、可解释、工业落地多)→ 后一篇《03 时间序列分解》(把信号拆回趋势/季节/残差)。 两条大路在本篇第一次汇合:ARIMA(0,1,1) 与 SES 是同一个模型的两副面孔。
🧩 生活化类比:指数平滑 = 带记忆的加权平均——最近的数据权重最大,老数据指数级衰减(SES 管"水平");Holt 加"惯性"(趋势);Holt-Winters 再加"日历"(季节);阻尼趋势加"刹车"(趋势会放缓)。就像开车:主要参考最近几秒的路况决定方向盘,而不会把十年前的路况和今天同等当真。
核心概念¶
(a) 🗂️ 一张图看懂指数平滑家族¶
flowchart TB
Node1["🧠 指数平滑:带记忆的加权平均"]
Node2["📈 SES:ŷ = αy + (1-α)ŷ"]
Node3["🚀 Holt:+ 趋势 b_t"]
Node4["🧭 阻尼趋势:+ 刹车 φ"]
Node5["🌦️ Holt-Winters:+ 季节 s_t"]
Node6["🎛️ 网格 / scipy 选参"]
Node7["📏 预测区间 + 覆盖率检验"]
Node8["🔁 statsmodels 对照"]
Node1 --> Node2
Node2 --> Node3
Node3 --> Node4
Node4 --> Node5
Node5 --> Node6
Node6 --> Node7
Node7 --> Node8
- 指数平滑思想:带记忆的加权平均——最近的数据权重最大、老数据按指数衰减。展开看就是 $\hat y_{t+1} = \alpha y_t + \alpha(1-\alpha)y_{t-1} + \alpha(1-\alpha)^2 y_{t-2} + \cdots$,权重越老越小但永不归零(无限记忆)。
- SES 简单指数平滑:$\hat y_{t+1} = \alpha y_t + (1-\alpha)\hat y_t$,一个参数 α 管「水平」。α 大跟手(反应快但抖)、α 小平滑(稳但迟钝);SES 等价于 ARIMA(0,1,1)(θ=α−1)。
- SES 展开与半衰期:权重 $\alpha(1-\alpha)^k$ 和为 1;权重降到一半需要 $k=\ln 0.5/\ln(1-\alpha)$ 期——α=0.3 只需约 1.9 期,α=0.1 要约 6.6 期。
- Holt:加趋势:在 SES 上多一条趋势项 $b_t$,水平 $\ell_t$ 与趋势 $b_t$ 各带平滑参数 α、β,预测 $\hat y_{t+h}=\ell_t+h\,b_t$。
- 阻尼趋势(damped trend):给趋势加「刹车系数」φ,预测 $\ell_t+(\varphi+\varphi^2+\cdots+\varphi^h)b_t$,远端趋势被压住——趋势不可持续时比 Holt 更稳。
- Holt-Winters:加季节:再加季节项 $s_t$ 与参数 γ。季节可以是加法(幅度固定)也可以是乘法(幅度随水平缩放),乘法要求 $y_t>0$。
- 参数优化:α/β/γ/φ 不靠拍脑袋——手写网格扫描 +
scipy.optimize.minimize(同一目标:一步预测 SSE),并讨论初始化方法(首值/前 m 均值/回归估计)。 - 预测区间:SES 近似 $\sigma\sqrt{1+\alpha^2(h-1)}$,Holt/HW 用经验式 $\hat y \pm 1.96\sigma\sqrt h$,另用 100 次蒙特卡洛重复做覆盖率检验(>0.85),并与 statsmodels 的输出对照。
0. 主线地图¶
数据 → ①SES(水平) → ②Holt(水平+趋势) → ③阻尼(趋势+刹车) → ④HW(水平+趋势+季节)
→ ⑤参数优化(网格/scipy) → ⑥预测区间(公式/MC) → ⑦statsmodels 对照 → ⑧下一篇:分解
| 阶段 | 状态变量 | 平滑参数 | 预测式(h 步) | 对应 ETS |
|---|---|---|---|---|
| ① SES | $\ell_t$ | α | $\ell_t$(常数) | ETS(A,N,N) |
| ② Holt | $\ell_t, b_t$ | α, β | $\ell_t + h b_t$ | ETS(A,A,N) |
| ③ 阻尼趋势 | $\ell_t, b_t$ + φ | α, β, φ | $\ell_t + (\varphi+\cdots+\varphi^h)b_t$ | ETS(A,Ad,N) |
| ④ HW 加法 | $\ell_t, b_t, s_t$ | α, β, γ | $\ell_t + h b_t + s_{\text{phase}}$ | ETS(A,A,A) |
| ④' HW 乘法 | 同上(比例季节) | α, β, γ | $(\ell_t+h b_t)\times s_{\text{phase}}$ | ETS(A,A,M) |
本篇路线:先造出"水平"(SES)→ 加"趋势"(Holt)→ 加"刹车"(阻尼)→ 加"季节"(HW)→ 自动选参 → 给区间 → 与库对照 → 反思(不足与演进)。 每一步都在上一步的状态空间里多塞一个成分,这是理解指数平滑家族的最佳心智模型。
0.1 历史背景:从"库存预测"长出来的轻模型¶
指数平滑是工业界最老也最耐用的预测方法之一,它的诞生与"二战后的库存管理"直接相关:
- 1956–1959,Brown(罗伯特·布朗,R.G. Brown):在美国海军与兰德公司做库存/需求预测时提出简单指数平滑(SES)。动机非常工程化:移动平均需要保存 n 个历史值、对最新点等权重,太笨重;SES 只需存一个数(当前水平),每来一个新观测只做一次加权更新——"轻、快、可增量计算"。
- 1957,Holt(查尔斯·霍尔特):在给五角大楼做的报告中提出双参数线性趋势法(Holt's method),把"水平"与"斜率"分开平滑,解决了 SES 在趋势序列上系统性滞后的问题。
- 1960,Winters(彼得·温特斯):把 Holt 推广到带季节性的数据,提出Holt-Winters(加法/乘法季节两个版本)。
- 1985,Gardner & McKenzie:系统研究阻尼趋势(damped trend),发现"趋势+阻尼"在真实商业数据上往往比"纯线性趋势"更稳——因为现实里的趋势(销量、需求)几乎不会无限线性外推。
- 2008,Hyndman 等:把整个家族统一进 ETS 状态空间框架(Error/Trend/Seasonal 三选一),给出概率解释与似然估计,让指数平滑从"启发式"升级为"可检验的统计模型"。
一句话记忆:Brown 发明"水平",Holt 加"趋势",Winters 加"季节",Gardner 加"刹车",Hyndman 统一成"ETS"——五个人名就是指数平滑的全部演化史。
0.2 ETS 框架:误差 × 趋势 × 季节 三选一¶
ETS 用三个字母描述一个模型:Error(误差:A 加法 / M 乘法)、Trend(趋势:N 无 / A 加法 / Ad 阻尼加法)、Season(季节:N 无 / A 加法 / M 乘法)。
| 模型 | 误差 E | 趋势 T | 季节 S | 状态个数 | 典型场景 |
|---|---|---|---|---|---|
| SES | A | N | N | 1(ℓ) | 平稳、无趋势无季节 |
| Holt | A | A | N | 2(ℓ,b) | 有线性趋势 |
| 阻尼趋势 | A | Ad | N | 2(ℓ,b)+φ | 趋势会放缓 |
| HW 加法 | A | A | A | 3(ℓ,b,s) | 趋势+固定振幅季节 |
| HW 乘法 | A | A | M | 3(ℓ,b,s) | 趋势+振幅随水平增长 |
本篇手写的正是这张表里最常见的四种:SES = ETS(A,N,N)、Holt = ETS(A,A,N)、阻尼 = ETS(A,Ad,N)、HW = ETS(A,A,A) 与 ETS(A,A,M)。 ETS 的价值在于:它给"递推公式"配上了似然与预测分布(区间),并解释了为什么"一步预测 SSE"是合理的拟合目标(高斯加法误差下的极大似然等价于最小化一步 SSE)。
0.3 记号与"一步预测"约定(先对齐再学公式)¶
全篇统一记号:$\ell_t$=水平,$b_t$=趋势(斜率),$s_t$=季节项,$m$=季节周期,$h$=预测步长,$e_t = y_t - \hat y_t$=一步预测误差。
代码里的一步预测对齐:我们手写的 ses()/holt()/hw_add() 约定 $f[t]$ 存的是 $\hat y_t$——用 $t-1$ 时刻及之前的数据对 $y_t$ 做的一步预测,因此:
- $f[0]=y[0]$ 作为初始化(等价于 $\hat y_1 = y_0$);
- 残差直接是
e = y - f(逐位对齐,不需要移位); - 多步预测
fc[k]才是 $h=k+1$ 步外推。
💡 很多教程里 $f[t]$ 存的是 $\hat y_{t+1}$,两种约定只差一个下标。本篇统一用"对齐 y_t 的一步预测",这样推导 SES≡ARIMA 的恒等式时不会因为下标错位而出错(这是最容易翻车的手写细节)。
1. SES:简单指数平滑¶
$$\hat y_{t+1} = \alpha y_t + (1-\alpha)\hat y_t,\qquad \alpha\in(0,1)$$
直觉:新预测 = α ×(最新观测)+ (1−α) ×(旧预测)。α 越大越"相信最新数据",α 越小越"相信历史平滑值"。它只有一个状态(当前水平),每次更新 O(1),存一个数即可——这就是 Brown 当年做库存预测要的"轻"。
把递归式展开(见 1.1)会看到它等价于对历史数据做几何衰减加权平均:
$$\hat y_{t+1} = \alpha y_t + \alpha(1{-}\alpha)y_{t-1} + \alpha(1{-}\alpha)^2 y_{t-2} + \cdots$$
对比滑动平均(MA):MA 对窗口内等权重、窗口外权重为 0;SES 权重处处非零但指数衰减——老数据不会突然"被遗忘",只会越来越不重要。
1.1 SES 展开推导:α(1-α)^k 加权和从哪来¶
第 1 步:递归一次。$\hat y_t = \alpha y_{t-1} + (1-\alpha)\hat y_{t-1}$,代入 $\hat y_{t+1}$:
$$\hat y_{t+1} = \alpha y_t + (1-\alpha)\big[\alpha y_{t-1} + (1-\alpha)\hat y_{t-1}\big] = \alpha y_t + \alpha(1-\alpha)y_{t-1} + (1-\alpha)^2 \hat y_{t-1}$$
第 2 步:递归 k 次,直到 $\hat y_1 = y_0$(初始化):
$$\hat y_{t+1} = \underbrace{\alpha y_t + \alpha(1{-}\alpha)y_{t-1} + \cdots + \alpha(1{-}\alpha)^{t-1} y_1}_{\text{共 }t\text{ 项,权重 }\alpha(1-\alpha)^k} \;+\; (1-\alpha)^{t}\,\hat y_1$$
第 3 步:验证权重和为 1(等比级数):
$$\sum_{k=0}^{t-1}\alpha(1-\alpha)^k + (1-\alpha)^t = \alpha\cdot\frac{1-(1-\alpha)^t}{1-(1-\alpha)} + (1-\alpha)^t = 1-(1-\alpha)^t + (1-\alpha)^t = 1$$
第 4 步:半衰期(记忆长度)。权重降到一半需要 $\;(1-\alpha)^k = 0.5 \Rightarrow k = \dfrac{\ln 0.5}{\ln(1-\alpha)}$:
| α | 权重序列 α(1-α)^k(k=0,1,2,…) | 半衰期 k |
|---|---|---|
| 0.1 | 0.100, 0.090, 0.081, 0.073, 0.066, … | ≈ 6.6 期 |
| 0.3 | 0.300, 0.210, 0.147, 0.103, 0.072, … | ≈ 1.9 期 |
| 0.8 | 0.800, 0.160, 0.032, 0.006, … | ≈ 0.3 期(几乎只信最近 1-2 期) |
口算手算题(面试高频):α=0.3,最近 3 个观测的权重 = 0.3 + 0.21 + 0.147 = 0.657,即一半以上的预测权重落在最近 3 期;α=0.1 时同样 3 期只占 0.271。α 就是"记忆开关"。
1.2 SES ≡ ARIMA(0,1,1):同一个模型的两副面孔(重点推导)¶
令 $e_t = y_t - \hat y_t$ 为 SES 的一步预测误差。
第 1 步:把递归式改写成"误差修正"形式。
$$\hat y_{t+1} = \alpha y_t + (1-\alpha)\hat y_t = \hat y_t + \alpha(y_t - \hat y_t) = \hat y_t + \alpha e_t$$
即新预测 = 旧预测 + α × 上一步的预测误差——这正是"误差修正"(error correction)直觉:预测错了多少,就用它的 α 倍去修正下一次预测。
第 2 步:对差分序列展开。$y_t = \hat y_t + e_t$,代入:
$$\nabla y_t = y_t - y_{t-1} = (\hat y_t + e_t) - (\hat y_{t-1} + e_{t-1}) = (\hat y_t - \hat y_{t-1}) + e_t - e_{t-1} = \alpha e_{t-1} + e_t - e_{t-1}$$
$$\boxed{\;\nabla y_t = e_t + (\alpha-1)\,e_{t-1}\;}$$
第 3 步:读出 ARIMA(0,1,1)。上式就是
$$\nabla y_t = \varepsilon_t + \theta\,\varepsilon_{t-1},\qquad \theta = \alpha - 1$$
其中 $\varepsilon_t\equiv e_t$。这就是 ARIMA(0,1,1)(一阶差分 + 一个 MA 项),MA 系数 θ = α−1 ∈ (−1, 0)(因为 α∈(0,1))。
第 4 步:说清参数化差异(面试追问点)。
- statsmodels 的写法 $\nabla y_t = \varepsilon_t + \theta\varepsilon_{t-1}$,拟合参数就是 θ=α−1(负数);
- 有些教材写 $\nabla y_t = \varepsilon_t - \theta'\varepsilon_{t-1}$,则 θ′=1−α(正数);
- 两种写法差一个负号,背公式前先确认库的约定;
- 另一个坑:MA(1) 的高斯似然对 θ 与 1/θ 对称(两个根同似然),无约束优化可能收敛到不可逆根(|θ|>1)。所以实验 2 用
SARIMAX(enforce_invertibility=True)而不是裸ARIMA——这是真实的工程坑。
1.3 SES 小结与不足¶
优点:只存一个数、O(1) 更新、可解释(α=记忆)、是 ETS(A,N,N)。适合平稳无趋势的监控/库存基线。
不足(三个字:跟不上):
- 有趋势时系统性滞后——平滑值永远落后于上升/下降的真实水平(实验 1 可见 α 越大滞后越小但抖得越厉害);
- 预测是常数——$\hat y_{t+h}=\ell_t$ 对所有 h 相同,无法外推趋势;
- 没有季节概念——周期数据会被当成噪声。
解决:加趋势 → Holt(第 2 节);趋势不可持续 → 阻尼(2.3);再加季节 → Holt-Winters(第 3 节)。
2. Holt:加趋势¶
$$\ell_t = \alpha y_t + (1-\alpha)(\ell_{t-1} + b_{t-1})$$ $$b_t = \beta\,(\ell_t - \ell_{t-1}) + (1-\beta)\,b_{t-1}$$ $$\hat y_{t+h} = \ell_t + h \cdot b_t$$
直觉:两个状态、两个参数,分工明确——
- $\ell_t$:水平(去趋势后的"现在值"),由 α 平滑;
- $b_t$:趋势/斜率,由 β 平滑("相邻水平差" $\ell_t-\ell_{t-1}$ 是趋势的现测值,β 决定多信它);
- 预测 = 当前水平 + 趋势 × 步数:线性外推。
水平更新里用的是 $\ell_{t-1}+b_{t-1}$(带趋势外推的水平)而非裸 $\ell_{t-1}$——这是 Holt 与 SES 的本质区别:SES 认为"下一时刻还是 ℓ",Holt 认为"下一时刻是 ℓ 再加一个 b"。
面试一句话:Holt = 两个 SES 叠起来——一个平滑水平、一个平滑斜率;斜率 = 水平的一阶差分。
2.1 手算 Holt 两步(α=0.3,β=0.2)¶
数据 $y=[10,\ 12,\ 11.5,\ \cdots]$,初始化 $\ell_0=10,\ b_0=y_1-y_0=2$。
t=1(用 y₁=12): $$\ell_1 = 0.3\times 12 + 0.7\times(10+2) = 3.6 + 8.4 = 12.0$$ $$b_1 = 0.2\times(12.0-10) + 0.8\times 2 = 0.4 + 1.6 = 2.0$$ $$\hat y_3 = \ell_1 + b_1 = 14.0$$
t=2(用 y₂=11.5): $$\ell_2 = 0.3\times 11.5 + 0.7\times(12.0+2.0) = 3.45 + 9.8 = 13.25$$ $$b_2 = 0.2\times(13.25-12.0) + 0.8\times 2.0 = 0.25 + 1.6 = 1.85$$ $$\hat y_4 = \ell_2 + b_2 = 15.10$$
观察:y₂ 从 12 掉到 11.5,但 $\ell_2=13.25$ 仍在上升——水平没有完全跟着观测走,趋势还在延续,这正是 Holt 比 SES 强的地方:它分开平滑"现在值"和"走向"。
2.2 网格选参思路(不靠拍脑袋)¶
α、β ∈ (0,1) 需要定。标准做法:留出集(hold-out)网格搜索——
- 把数据切成 训练段 / 留出段(例如各 120/24);
- 在网格 α,β ∈ {0.05,0.15,…,0.95} 上逐组跑 Holt,用训练段拟合、预测留出段;
- 选留出 MAE(或一步 SSE)最小的一组参数。
两个注意点:
- 留出误差含噪声累积(多步预测误差随 √h 增长),阈值要放宽;
- 网格越密越接近全局最优,但代价是组合爆炸(2 维还好,3-4 维建议换优化器,见第 4 节)。
实验 3 会跑这个流程;实验 7 再用 scipy.optimize.minimize 对"一步 SSE"直接优化,两者结果应高度一致。
2.3 阻尼趋势(damped trend):给趋势装刹车¶
Holt 的线性外推 $\ell_t+h\,b_t$ 在 h 大时会无限涨——现实中的趋势(销量、活跃用户、库存)几乎不可能永远线性。Gardner-McKenzie(1985)加一个"刹车系数" φ∈(0,1]:
$$\ell_t = \alpha y_t + (1-\alpha)(\ell_{t-1} + \varphi\, b_{t-1})$$ $$b_t = \beta(\ell_t - \ell_{t-1}) + (1-\beta)\,\varphi\, b_{t-1}$$ $$\hat y_{t+h} = \ell_t + (\varphi + \varphi^2 + \cdots + \varphi^h)\, b_t$$
直觉:趋势每外推一步都被乘一次 φ,越远越被压扁。h 步累积系数是等比级数:
- φ=1:退化为普通 Holt($1+1+\cdots+1=h$);
- φ<1:$\varphi+\cdots+\varphi^h = \varphi\dfrac{1-\varphi^h}{1-\varphi}$,且 $h\to\infty$ 时有上界 $\dfrac{\varphi}{1-\varphi}\,b_t$——远端预测被"焊死"在水平线附近。
手算:b=1.0、h=3、φ=0.8:累积 = 0.8+0.64+0.512 = 1.952 < 3(无阻尼)。φ=0.8 时远期上界 = 0.8/0.2 = 4.0 倍 b——比无阻尼的无限外推保守得多。
面试一句话:阻尼趋势 = Holt + 一个"趋势衰减率"φ;趋势越不可持续,φ 越应远离 1。
2.4 阻尼趋势小结:什么时候用¶
| 场景 | 无阻尼 Holt | 阻尼趋势(φ<1) |
|---|---|---|
| 趋势真的会持续很久 | 更准 | 系统性欠外推 |
| 趋势只是近期惯性、会放缓 | 远期爆炸式高估 | 更准(留出 MAE 明显更低) |
| 需要"渐进到平台"的预测 | 不适用 | 天然带平台上限 φ/(1-φ)·b |
实验 4 构造一个训练段陡趋势、留出段趋势塌掉的序列:阻尼趋势的留出 MAE 应明显优于无阻尼 Holt。判定标准:预测越远、业务越不确定,越该开阻尼。
3. Holt-Winters:加季节(加法版)¶
$$\ell_t = \alpha\,(y_t - s_{t-m}) + (1-\alpha)(\ell_{t-1} + b_{t-1})$$ $$b_t = \beta\,(\ell_t - \ell_{t-1}) + (1-\beta)\,b_{t-1}$$ $$s_t = \gamma\,(y_t - \ell_t) + (1-\gamma)\,s_{t-m}$$ $$\hat y_{t+h} = \ell_t + h\,b_t + s_{t-m+((h-1)\bmod m)+1}$$
直觉:三个状态 $\ell_t$(水平)、$b_t$(趋势)、$s_t$(季节),三个参数 α/β/γ,分工与 Holt 相同,只是多了季节项:
- 水平更新先去季节:$y_t - s_{t-m}$(用上一周期同相位的季节值);
- 季节更新存偏差:$y_t - \ell_t$(当前观测相对水平的偏离),再用 γ 与上一周期的 $s_{t-m}$ 混合;
- 预测 = 趋势外推 + 对应相位的季节项($h$ 步后的相位 = $((h-1)\bmod m)+1$)。
m = 季节周期(如 24 表示日度数据按 24 小时、月度数据按 12);初始化:水平=前 m 个均值,趋势=前 m 个一阶差分均值,季节=前 m 个去趋势偏差(见 3.3)。
3.1 乘法 Holt-Winters:季节项用"比例"而非"偏差"¶
当季节振幅随水平增长(夏天销量 100、冬天 50;水平涨到 200,冬天就变 100)时,加法"±固定值"会跟不上——这时用乘法版:季节项 $s_t$ 是比例(围绕 1 波动),递推里的加减全换成乘除:
$$\ell_t = \alpha\,\dfrac{y_t}{s_{t-m}} + (1-\alpha)(\ell_{t-1}+b_{t-1})$$ $$b_t = \beta\,(\ell_t - \ell_{t-1}) + (1-\beta)\,b_{t-1}$$ $$s_t = \gamma\,\dfrac{y_t}{\ell_t} + (1-\gamma)\,s_{t-m}$$ $$\hat y_{t+h} = (\ell_t + h\,b_t)\times s_{t-m+((h-1)\bmod m)+1}$$
硬性要求:$y_t>0$ 对所有 t(除法不能过零/负)。如果数据含 0 或负数:先加常数平移,或取 log 把乘法变加法再跑加法版,或直接换加法版。
手算乘法版一步:设 $\ell_{t-1}=9.5, b_{t-1}=0.1, s_{t-m}=0.95, y_t=10, \alpha=0.3, \gamma=0.2$:
- 去季节化水平:$y_t/s_{t-m}=10/0.95\approx 10.526$,$\ell_t = 0.3\times 10.526 + 0.7\times(9.5+0.1)=3.158+6.72=9.878$;
- 季节更新:$y_t/\ell_t=10/9.878\approx 1.012$,$s_t = 0.2\times 1.012 + 0.8\times 0.95 = 0.9625$。
对比加法版同一步:$s_t=0.2\times(10-9.878)+0.8\times 0.95=0.7844$——乘法版季节项是比值、加法版是偏差,数值含义完全不同。
3.2 加法 vs 乘法:什么时候乘法更优¶
| 判据 | 加法(s 是偏差) | 乘法(s 是比例) |
|---|---|---|
| 季节振幅 | 固定(±常数) | 随水平缩放(×常数) |
| 数据要求 | 无 | 必须恒正 |
| 水平翻倍时季节项 | 不变(振幅跟不上) | 自动翻倍(振幅跟着走) |
| 适用 | 温度、电费(振幅稳定) | 销量、GMV(振幅随规模涨) |
实验 6 构造振幅随水平增长的合成数据($y_t=(30+0.05t)\times(1+0.3\sin(\cdot))$),在同一网格上分别拟合加法/乘法版并比较留出 MAE——乘法版应明显胜出。
工程技巧:拿不准时先看"季节幅度是否与水平成正比":把每周期峰谷差对水平回归,斜率≈0 用加法、明显>0 用乘法。
3.3 季节项初始化与周期 m 的坑¶
初始化方法(三种常见):
- 首值法:$\ell_0=y_0$,$b_0=y_1-y_0$——最简单,但前几步状态偏差大;
- 前 m 均值法(本篇默认):$\ell_0=\text{mean}(y_{0:m})$,$b_0=\text{mean}(\text{diff}(y_{0:m}))$,$s_j=y_j-\ell_0$(加法)或 $y_j/\ell_0$(乘法)——用完整个首个周期,季节初值合理;
- 回归法 / 'estimated':对 $t$ 与季节哑变量做线性回归取系数作初值(statsmodels 默认),初值质量最高,配合很小的平滑参数也能拟合得很好(实验 10 会看到这个现象)。
两个必须记住的坑:
- 周期 m 定错 = 全错:m 必须与真实周期一致(24 小时、12 月、7 天);m 定错,季节项互相打架,预测直接崩;
- NumPy 负索引陷阱:手写递推时 $s_{t-m}$ 在 $t<m$ 时下标为负——NumPy 会把负索引环绕到数组尾部,取到 0 值甚至越界数据。基础版实现里第一周期其实是"错误的 0 季节值"在参与递推。增强版用偏移数组($s[i]$ 存"时刻 $i-m$"的季节值)彻底规避(实验 5 的代码即如此)。
面试追问:为什么 statsmodels 的 ExponentialSmoothing 不传 α/β/γ 也能跑?——因为它有
initialization_method='estimated',把初值也当参数优化了。
4. 参数优化:网格 vs scipy.minimize(同一目标 SSE)¶
拟合目标:高斯加法误差下,最大化似然等价于最小化一步预测 SSE:
$$\mathrm{SSE}(\alpha,\beta,\dots) = \sum_{t=1}^{n}\big(y_t - \hat y_t\big)^2$$
方法一:手写网格。把参数空间离散化扫描(二维 50×50=2500 次 O(n) 递推,秒级完成):
- 优点:直观、不怕局部极值、可画出损失面;
- 缺点:维度一高组合爆炸(3 维 × 50 每维 = 12.5 万次)。
方法二:scipy.optimize.minimize。L-BFGS-B 带边界 (0.01, 0.99),多次随机起点(multi-start)防局部极值:
- 优点:高维高效、精确定到亚网格精度;
- 缺点:可能陷局部极值 → 多起点 + 网格初值是标准组合。
实验 7 在同一目标 SSE 上跑两种方法,断言参数与 SSE 高度一致(|Δα|<0.05、SSE 相对差 <2%)。
4.1 初始化方法讨论(为什么"初值"和"参数"一样重要)¶
指数平滑的递推是链式依赖:初值($\ell_0,b_0,s_{0:m}$)错了,会顺着整条链污染所有状态,参数优化也会被带偏。初始化方法按质量排序:
- 首值法:$\ell_0=y_0,\ b_0=y_1-y_0$,$s_j=0$(或 1)——最省事,前几步偏差最大;
- 前 m 均值法:$\ell_0=\mathrm{mean}(y_{0:m})$,$b_0=\mathrm{mean}(\Delta y_{0:m})$,$s_j=y_j-\ell_0$(比例则 $y_j/\ell_0$)——用满第一个周期,本篇默认;
- 回归法 / 'estimated':把 $y_t$ 对 $t$ 与季节哑变量回归,回归系数直接做初值(statsmodels 默认)——初值质量最高,有时初值足够好到平滑参数接近 0 也能拟合得很好(实验 10 会看到优化器把 α/β/γ 压到接近 0 的极端现象)。
面试表述:"初值只影响前几步、对长序列影响衰减;但若参数优化与初值一起做(如 statsmodels),初值质量会直接影响收敛与最终 SSE。"
5. 预测区间:SES 的 σ√(1+α²(h-1)) 从哪来¶
第 1 步:写出 SES 的 ARIMA 形式(1.2 节):$\nabla y_t = \varepsilon_t + \theta\varepsilon_{t-1}$,$\theta=\alpha-1$,Var(ε)=σ²。
第 2 步:求 h 步预测误差的 ψ-权重。由 $\nabla = 1-B$,模型可写成 $y_{t+h}-\hat y_{t+h}=\sum_{j=0}^{h-1}\psi_j\,\varepsilon_{t+h-j}$,其中 $$(1-B)^{-1}(1+\theta B) = (1+B+B^2+\cdots)(1+\theta B) = 1 + (1+\theta)B + (1+\theta)B^2+\cdots$$ 所以 $\psi_0=1$,$\psi_j = 1+\theta = \alpha$(j≥1)。
第 3 步:误差方差 = σ² × ψ 权重平方和: $$\mathrm{Var}(\hat y_{t+h}-y_{t+h}) = \sigma^2\sum_{j=0}^{h-1}\psi_j^2 = \sigma^2\big[1 + \alpha^2(h-1)\big]$$
第 4 步:95% 区间: $$\hat y_{t+h} \;\pm\; 1.96\,\sigma\sqrt{1+\alpha^2(h-1)}$$
直觉:h=1 时区间宽度 σ(只含当前期噪声);之后每多一步只多 $\alpha^2\sigma^2$(因为远期误差只经过 α 的"记忆"传播)。α 越小(越平滑),区间随 h 增长越慢——平滑模型的区间比裸随机游走(√h)涨得慢。
与裸 ±1.96σ√h 的对比:SES 区间把"记忆系数 α"算进去了;α→1 时 $\sqrt{1+(h-1)}$ 恰退化为 √h(随机游走情形)。实验 8 用 100 次蒙特卡洛重复检验覆盖率。
5.1 蒙特卡洛区间与覆盖率检验协议¶
近似公式依赖于模型假设(高斯误差、模型正确)。蒙特卡洛(MC)是通用替代:从拟合残差里抽样(bootstrap)或直接假设 N(0,σ²),模拟很多条未来路径,取 2.5%/97.5% 分位数做经验区间。
覆盖率检验协议(本篇采用):
- 固定种子,重复 100 次:每次重新生成数据 → 训练段拟合(网格选 α、估 σ)→ 用区间公式包住留出段 h=1..40 的真实值;
- 统计"真实值落入区间"的比例,平均覆盖率应 >0.85(高斯近似下理论值约 0.95;样本小、近似公式偏保守时会略高于或低于 0.95,但应远高于 0.85 红线);
- 单次 40 点覆盖率波动很大,必须重复多次取平均才稳定——这就是为什么要"100 次重复"。
面试表述:"覆盖率 = 频率学意义上的校准检验:区间宣称 95%,实测落入比例要接近 95%。"
5.2 Holt/HW 的经验式 ±1.96·σ·√h(基础版保留)¶
对 Holt/HW(状态更多、公式更复杂),教材常用经验近似:用拟合残差估 σ,认为 h 步预测误差标准差 ≈ σ√h(不确定性按 √h 累积):
$$\hat y_{t+h} \pm z\,\sigma\sqrt h,\qquad z=1.96\text{ 对应 95\%}$$
- σ 从拟合残差估计;
- 宽度随 √h 增长:越远越没底;
- 实验 9 保留原基础版做法,并扩展:与"固定宽度区间"(±1.96σ)对比,证明 √h 扩张确实提升了覆盖率。
对比:SES 的严格式 σ√(1+α²(h-1)) 增长率 < σ√h(α<1);Holt/HW 的 √h 是"不确定性累积"的通用、偏保守近似。
5.3 预测区间对比小结¶
| 方法 | 公式 | 增长率 | 适用 | 覆盖率 |
|---|---|---|---|---|
| SES 近似(严格推导) | $\sigma\sqrt{1+\alpha^2(h-1)}$ | 缓(α<1) | 平稳数据 | ≈95%(实验 8 >0.85 通过) |
| Holt/HW 经验式 | $\pm1.96\sigma\sqrt h$ | √h | 趋势/季节 | 偏保守,实验 9 验证 |
| 蒙特卡洛 | 模拟路径的 2.5%/97.5% 分位 | 自适应 | 任何模型 | 校准最好 |
工程建议:报告预测必须带区间;优先用 MC 或库内建区间,手写实验用近似式并做覆盖率检验兜底。
6. 与 statsmodels ExponentialSmoothing 对照¶
手写实现的正确性需要一个"权威裁判":statsmodels.tsa.holtwinters.ExponentialSmoothing。对照策略:
- 同参数对照:把手写版用的 (α, β, γ) 原封不动塞给 statsmodels(
optimized=False),比一步残差 SSE——同参数下两边应同数量级(比值 <2),差异只来自初始化; - 预测对照:同参数下 h 步预测逐点比对(最大差 <2,48 步的量级);
- 优化对照:statsmodels
optimized=True(默认initialization_method='estimated')优化一步 SSE,其 SSE 应 ≤ 手写网格的结果(网格更粗、优化更细)。
注意:statsmodels 默认把初值也当参数估计(回归法初始化),所以它的"优化后 SSE"往往比手写网格低——这正是 4.1 节说的"初始化质量影响最终 SSE"的实证。
6.1 对照结果解读¶
实验 10 会看到三类典型现象(在合成数据上稳定复现):
- 同参数 SSE 比值 ≈ 1.0~1.2:手写实现与 statsmodels 基本一致,验证递推正确;
- 优化后 SSE 更低:statsmodels 的 'estimated' 初值 + 连续优化比 0.1 粒度网格更精细;
- 极端参数:有时优化器把平滑参数压到接近 0——因为回归法初值已经把水平/趋势/季节"预拟合"得很好,平滑参数只需很小——这是初始化方法影响的可视证据,不是 bug。
结论:手写版与库版在同一量级,说明递推、初始化、预测逻辑都正确;库版进一步提供似然、AIC/BIC 与原生预测区间,生产环境直接用库即可。
7. 数字敏感度与易错点(面试官爱问的坑)¶
- 权重和恒为 1、半衰期要会算:$(1-\alpha)^k=0.5 \Rightarrow k=\ln0.5/\ln(1-\alpha)$;α=0.3 → 约 1.9 期,α=0.1 → 约 6.6 期。α 就是"记忆长度"开关。
- θ=α−1 是负数:SES≡ARIMA(0,1,1) 的 MA 系数 θ=α−1∈(−1,0);教材若写 $\varepsilon_t-\theta'\varepsilon_{t-1}$,则 θ′=1−α。先确认库的参数化再背公式。
- MA(1) 似然对称性:θ 与 1/θ 同似然,裸
ARIMA可能收敛到不可逆根(|θ|>1);用SARIMAX(enforce_invertibility=True)才稳妥。 - 乘法 HW 要求 $y_t>0$(除法分母不能为 0/负);数据含 0 或负 → log 化转加法,或加常数平移。
- 季节周期 m 定错 = 全错:m 必须与真实周期一致;网格/优化器救不了错误的 m。
- NumPy 负索引陷阱:手写递推 $s_{t-m}$ 在 t<m 时下标为负会环绕到数组尾部取错值——用偏移数组($s[i]$ 存时刻 $i-m$ 的值)。
- 初始化质量影响优化:首值法/前 m 均值法/回归法差异明显;statsmodels 默认 'estimated',有时初值好到平滑参数被优化到接近 0。
- 覆盖率是频率学校准:100 次重复平均覆盖率 >0.85 才可信;单次 40 点覆盖率的波动很大,别拿单次结果下结论。
8. 面试速答(30 秒背诵版)¶
- SES:$\hat y_{t+1}=\alpha y_t+(1-\alpha)\hat y_t$;等价 ARIMA(0,1,1),θ=α−1;展开权重 $\alpha(1-\alpha)^k$,和=1。
- Holt:加趋势 $b_t$;预测 $\ell_t+h b_t$;参数 α(水平)、β(斜率)。
- 阻尼趋势:$\ell_t=\alpha y_t+(1-\alpha)(\ell_{t-1}+\varphi b_{t-1})$;预测 $\ell_t+(\varphi+\cdots+\varphi^h)b_t$;φ=1 退化 Holt,远端有上界 φ/(1-φ)·b。
- Holt-Winters:加季节 $s_t$(加法=偏差 / 乘法=比例);乘法要求 $y>0$;振幅随水平增长用乘法。
- α 的直觉:越大越跟手、越小越平滑;网格/最小化一步 SSE 自动选。
- 参数优化:手写网格 vs
scipy.optimize.minimize(L-BFGS-B + 多起点)同一目标 SSE;初值方法:首值/前 m 均值/回归估计。 - 区间:SES $\pm1.96\sigma\sqrt{1+\alpha^2(h-1)}$;Holt/HW 经验式 $\pm1.96\sigma\sqrt h$;MC 模拟分位数;覆盖率检验 >0.85。
- 与 statsmodels:同参数残差 SSE 同数量级(比值 <2);库默认 'estimated' 初值 + 连续优化更精细。
- 适用:单变量、低延迟、可解释性要求高的场景(销售/库存/监控基线);ETS 框架统一了误差×趋势×季节三选一。
易错点:季节周期 m 定错 → 全错;乘法季节要求序列恒正;θ=α−1 是负号别记反;初始化方式影响前几步与优化收敛。
9. 自测清单¶
- 默写 SES/Holt/HW(加法+乘法)/阻尼趋势四套递推公式,说清每个参数控制什么
- 手推 SES 展开 $\alpha(1-\alpha)^k$ 并验证权重和为 1;口算 α=0.3 的半衰期
- 手推 SES≡ARIMA(0,1,1):∇y_t = e_t + (α−1)e_{t-1},说清 θ=α−1 与 θ=1−α 两种参数化差异
- 手写 Holt 并网格选 α/β(留出集 MAE);与 scipy 优化器对照(同一 SSE 目标)
- 手写阻尼趋势,网格/优化选 φ;构造"趋势塌掉"数据证明阻尼优于无阻尼(留出 MAE)
- 手写 Holt-Winters 加法季节预测 2 个周期;用偏移数组规避负索引 bug
- 手写乘法 HW 一步递推(除法季节),说明 y>0 的原因;在振幅增长数据上证明乘法更优
- 手写 95% 区间:SES 用 σ√(1+α²(h-1)),Holt/HW 用 ±1.96σ√h;做 100 次重复覆盖率检验(>0.85)
- 用 statsmodels ExponentialSmoothing 对照手写版(同参数 SSE 比值 <2,h 步预测最大差 <2)
- 说清三种初始化方法(首值/前 m 均值/回归估计)对前几步与优化的影响
- 说出至少 4 个易错点(m 定错、乘法要求恒正、θ 符号、负索引、覆盖率的频率学含义)
💡 下一篇
03-时间序列分解从"预测"回到"拆解":趋势/季节/残差各归其位,并解释本篇"为什么要 m 个季节值、为什么要去季节"。
10. 延伸阅读与知识图谱¶
知识图谱(相关概念串联):
移动平均(等权,忘得快) ──► 指数平滑(几何衰减,永远记得) ──► ETS 状态空间(Hyndman 2008)
│ │
│ ├─► SES ──► ARIMA(0,1,1)(θ=α−1)
│ ├─► Holt ──► 阻尼趋势(Gardner 1985, φ)
│ └─► Holt-Winters(加法/乘法, m 周期)
└─► Box-Jenkins(01篇) ──► SARIMA(季节差分)──► 与 HW 都是"季节建模"的两条路线
延伸阅读建议:
- Holt (1957) 与 Winters (1960) 原始报告(可读综述:Hyndman 等《Forecasting with Exponential Smoothing》2008);
- Brown (1959)《Statistical Forecasting for Inventory Control》——SES 的出处(库存场景);
- Gardner & McKenzie (1985) 阻尼趋势的实证研究;
- 教材《Forecasting: Principles and Practice》第 7-8 章(ETS 框架与预测区间)——免费在线;
- statsmodels
ExponentialSmoothing文档:initialization_method、optimized、use_boxcox参数含义。
面试进阶三问:
- 为什么 SES 的预测是常数、而 ARIMA(0,1,1) 也是"均值回归到最近水平"?——同一个模型:水平 h 步预测 = ℓ_t;
- 阻尼趋势的远端预测为什么有上界?——等比级数 $\varphi+\cdots+\varphi^h\to\varphi/(1-\varphi)$;
- 什么情况加法 HW 比乘法好?——季节振幅稳定、数据含非正值;反之乘法(或 log 化后加法)更好。
11. 下一篇预告¶
本篇用"状态递推"做预测(轻模型、可解释、参数少);下一篇 03-时间序列分解 换一个视角:把序列拆成 趋势 + 季节 + 残差 三部分,用 STL/经典分解回答"每个成分多强、长什么样",并在分解后的成分上建模——预测与分解是同一块数据的两面,下一篇把它们串起来。
# ---------- 实验 1:手写 SES + α 效果对比 + 展开式逐项验证 ----------
import numpy as np
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['Microsoft YaHei', 'SimHei', 'DejaVu Sans']
plt.rcParams['axes.unicode_minus'] = False
rng = np.random.default_rng(0)
n = 120
t = np.arange(n)
y = 10 + 0.02 * t + rng.normal(0, 1.0, n) # 轻微趋势 + 噪声
def ses(y, alpha):
'''一步预测对齐:f[t] = ŷ_t(用 t-1 时刻及以前的数据预测 y_t),f[0]=y[0] 初始化。'''
f = np.zeros(len(y))
f[0] = y[0]
for t in range(1, len(y)):
f[t] = alpha * y[t - 1] + (1 - alpha) * f[t - 1]
return f
fig, ax = plt.subplots(figsize=(10, 3.6))
ax.plot(y, lw=0.8, label='观测')
for a in [0.1, 0.3, 0.8]:
ax.plot(ses(y, a), lw=1.5, label='α=%.1f' % a)
ax.legend(); ax.set_title('SES:α 越大越贴数据,越小越平滑(但趋势场景有滞后)'); ax.grid(alpha=0.3)
plt.tight_layout(); plt.savefig('images/ts02_ses.png', dpi=110, bbox_inches='tight'); plt.show()
# --- 展开式验证:ŷ_t = Σ_{k=0}^{t-1} α(1-α)^k y_{t-1-k} + (1-α)^t y_0 ---
alpha = 0.3
f_rec = ses(y, alpha)
f_exp = np.zeros_like(f_rec)
f_exp[0] = y[0]
for t in range(1, len(y)):
s = 0.0
w = 1.0 # w 记录当前权重 α(1-α)^k 的 (1-α)^k 部分
for k in range(t):
s += alpha * w * y[t - 1 - k]
w *= (1 - alpha)
f_exp[t] = s + w * y[0] # 远端余量 (1-α)^t·ŷ_1,ŷ_1 = y_0
print('递归式 vs 展开式最大误差: %.2e' % np.abs(f_rec - f_exp).max())
assert np.abs(f_rec - f_exp).max() < 1e-9
# --- 权重表:α(1-α)^k 与权重和 ---
for a in [0.1, 0.3, 0.8]:
ws = [a * (1 - a) ** k for k in range(5)]
print('α=%.1f 权重(k=0..4):' % a, ['%.4f' % w for w in ws], ' 和=%.4f' % sum(ws))
half_life = np.log(0.5) / np.log(1 - 0.3)
print('α=0.3 半衰期 k = %.2f 期' % half_life)
assert 1.5 < half_life < 2.5
# 权重和为 1 的数值验证(截断 + 余量)
a = 0.3; tot = sum(a * (1 - a) ** k for k in range(20)) + (1 - a) ** 20
assert abs(tot - 1.0) < 1e-9
print('要点:SES 的预测是"常数外推"(多步都是 ℓ_t),有趋势时一阶滞后——这正是 Holt 要解决的问题')
递归式 vs 展开式最大误差: 1.42e-14 α=0.1 权重(k=0..4): ['0.1000', '0.0900', '0.0810', '0.0729', '0.0656'] 和=0.4095 α=0.3 权重(k=0..4): ['0.3000', '0.2100', '0.1470', '0.1029', '0.0720'] 和=0.8319 α=0.8 权重(k=0..4): ['0.8000', '0.1600', '0.0320', '0.0064', '0.0013'] 和=0.9997 α=0.3 半衰期 k = 1.94 期 要点:SES 的预测是"常数外推"(多步都是 ℓ_t),有趋势时一阶滞后——这正是 Holt 要解决的问题
# ---------- 实验 2:SES ≡ ARIMA(0,1,1)——恒等式验证 + 参数恢复 ----------
from statsmodels.tsa.statespace.sarimax import SARIMAX
rng = np.random.default_rng(0)
# 从 SES 模型本身模拟数据:∇y_t = ε_t + (α0-1)ε_{t-1},即 ARIMA(0,1,1) 且 θ0 = α0-1
alpha0, n = 0.3, 500
eps = rng.normal(0, 1.0, n)
y = np.zeros(n); y[0] = 20
for t in range(1, n):
y[t] = y[t - 1] + eps[t] + (alpha0 - 1) * eps[t - 1]
def ses(y, alpha):
f = np.zeros(len(y)); f[0] = y[0]
for t in range(1, len(y)):
f[t] = alpha * y[t - 1] + (1 - alpha) * f[t - 1]
return f
# (1) 恒等式 ∇y_t = e_t + (α-1)e_{t-1}(e_t = y_t - ŷ_t = y_t - f[t],逐位对齐)
f = ses(y, alpha0)
e = y - f
rhs = e[1:] + (alpha0 - 1) * e[:-1]
err = np.abs(np.diff(y) - rhs).max()
print('恒等式 ∇y_t = e_t + (α-1)e_{t-1} 最大误差: %.2e' % err)
assert err < 1e-9
# (2) SARIMAX(0,1,1) 拟合 → θ̂,应与 θ0 = -0.7 接近
sar = SARIMAX(y, order=(0, 1, 1), trend='n',
enforce_stationarity=True, enforce_invertibility=True).fit(disp=False)
theta_hat = float(sar.params[0])
print('SARIMAX 拟合 θ̂ = %.4f(真值 -0.7)→ α_implied = %.4f' % (theta_hat, theta_hat + 1))
assert -1 < theta_hat < 0
# (3) SES 网格一步 SSE 拟合 → α̂,应满足 α̂ ≈ θ̂ + 1
best = None
for a in np.arange(0.02, 0.98, 0.02):
fa = ses(y, a)
sse = ((y[1:] - fa[1:]) ** 2).sum()
if best is None or sse < best[0]:
best = (sse, a)
alpha_hat = best[1]
print('SES 网格一步 SSE 最优 α̂ = %.2f' % alpha_hat)
print('|(θ̂+1) - α̂| = %.3f' % abs((theta_hat + 1) - alpha_hat))
assert abs((theta_hat + 1) - alpha_hat) < 0.15
# (4) 易错点演示:无约束 ARIMA 可能收敛到不可逆根(θ↔1/θ 似然对称)
try:
from statsmodels.tsa.arima.model import ARIMA
ari = ARIMA(y, order=(0, 1, 1)).fit()
theta_naive = float(ari.params[1])
print('对照:裸 ARIMA 拟合 θ̂ = %.3f(可能 >0,落在不可逆根,|θ|≥1 边界)' % theta_naive)
except Exception as ex:
print('(裸 ARIMA 拟合出现异常,可忽略:%s)' % str(ex)[:80])
print('要点:SES 与 ARIMA(0,1,1) 是同一模型;拟合 MA 系数必须注意可逆性(enforce_invertibility)')
恒等式 ∇y_t = e_t + (α-1)e_{t-1} 最大误差: 4.00e-15
SARIMAX 拟合 θ̂ = -0.7178(真值 -0.7)→ α_implied = 0.2822
SES 网格一步 SSE 最优 α̂ = 0.28
|(θ̂+1) - α̂| = 0.002
对照:裸 ARIMA 拟合 θ̂ = 1.029(可能 >0,落在不可逆根,|θ|≥1 边界) 要点:SES 与 ARIMA(0,1,1) 是同一模型;拟合 MA 系数必须注意可逆性(enforce_invertibility)
# ---------- 实验 3:手写 Holt(网格找 α/β + 多步预测) ----------
rng = np.random.default_rng(0)
n = 120
t = np.arange(n)
y = 10 + 0.02 * t + rng.normal(0, 1.0, n)
def holt(y, alpha, beta, h=12):
l = np.zeros(len(y) + h); b = np.zeros(len(y) + h)
l[0] = y[0]; b[0] = y[1] - y[0]
for t in range(1, len(y)):
l[t] = alpha * y[t] + (1 - alpha) * (l[t - 1] + b[t - 1])
b[t] = beta * (l[t] - l[t - 1]) + (1 - beta) * b[t - 1]
for k in range(1, h + 1): # 外推
l[len(y) - 1 + k] = l[len(y) - 1] + k * b[len(y) - 1]
return l[:len(y)], b[:len(y)], l[len(y):]
# 留出 24 步网格选参
y_tr, y_te = y[:-24], y[-24:]
best = None
for a in np.arange(0.05, 1, 0.1):
for be in np.arange(0.05, 1, 0.1):
_, _, fc = holt(y_tr, a, be, 24)
mae = np.mean(np.abs(fc - y_te))
if best is None or mae < best[2]:
best = (a, be, mae)
print('网格最优 α=%.2f β=%.2f 留出 MAE=%.3f' % (best[0], best[1], best[2]))
l, b, fc = holt(y, best[0], best[1], 24)
fig, ax = plt.subplots(figsize=(10, 3.4))
ax.plot(y, lw=0.8, label='观测')
ax.plot(np.arange(len(y) - 24, len(y) + 24), np.concatenate([l[-24:], fc]), 'r--', lw=1.5, label='Holt 预测 24 步')
ax.legend(); ax.set_title('Holt 抓住趋势:线性外推不再滞后'); ax.grid(alpha=0.3)
plt.tight_layout(); plt.savefig('images/ts02_holt.png', dpi=110, bbox_inches='tight'); plt.show()
assert best[2] < 5.0 # 多步预测误差含噪声累积(σ√h),阈值需相应放宽
print('要点:Holt 用 β 学"斜率",趋势预测比 SES 准一个量级')
网格最优 α=0.05 β=0.85 留出 MAE=0.719
要点:Holt 用 β 学"斜率",趋势预测比 SES 准一个量级
# ---------- 实验 4:阻尼趋势——网格选 φ + 与无阻尼留出 MAE 对比 ----------
rng = np.random.default_rng(0)
def holt_damped(y, alpha, beta, phi, h=24):
L = len(y)
l = np.zeros(L); b = np.zeros(L)
l[0] = y[0]; b[0] = y[1] - y[0]
for t in range(1, L):
l[t] = alpha * y[t] + (1 - alpha) * (l[t - 1] + phi * b[t - 1])
b[t] = beta * (l[t] - l[t - 1]) + (1 - beta) * phi * b[t - 1]
fc = np.zeros(h)
for k in range(1, h + 1): # 等比级数 φ+φ²+...+φ^h
fc[k - 1] = l[L - 1] + np.sum(phi ** np.arange(1, k + 1)) * b[L - 1]
return l, b, fc
# 合成数据:训练段陡趋势(斜率 0.12),留出段趋势塌掉(斜率 0.02)→ 无阻尼会大幅高估
n6 = 144
t6 = np.arange(n6)
lev = 10 + 0.12 * np.minimum(t6, 119) + 0.02 * np.maximum(t6 - 119, 0)
yd = lev + rng.normal(0, 0.4, n6)
tr6, te6 = yd[:-24], yd[-24:]
best_d = None
for a in [0.2, 0.3, 0.4]:
for be in [0.1, 0.2, 0.3]:
for ph in [0.6, 0.7, 0.8, 0.9, 1.0]:
_, _, fcd = holt_damped(tr6, a, be, ph, 24)
mae_d = np.mean(np.abs(fcd - te6))
if best_d is None or mae_d < best_d[3]:
best_d = (a, be, ph, mae_d)
# 无阻尼 = 约束 φ=1 的最优
und = min(np.mean(np.abs(holt_damped(tr6, a, be, 1.0, 24)[2] - te6))
for a in [0.2, 0.3, 0.4] for be in [0.1, 0.2, 0.3])
print('阻尼最优 α=%.1f β=%.1f φ=%.1f 留出 MAE=%.3f' % (best_d[0], best_d[1], best_d[2], best_d[3]))
print('无阻尼(φ=1)最优 MAE=%.3f' % und)
assert best_d[2] < 1.0 and best_d[3] < und - 0.15 # 趋势塌掉时阻尼明显更优
# 画图:阻尼 vs 无阻尼的外推轨迹
_, _, fc_best = holt_damped(yd, best_d[0], best_d[1], best_d[2], 24)
_, _, fc_und = holt_damped(yd, 0.3, 0.2, 1.0, 24)
fig, ax = plt.subplots(figsize=(10, 3.6))
ax.plot(yd[-80:], lw=0.9, label='观测')
xx = np.arange(80 - 24, 80 + 24)
ax.plot(xx, np.concatenate([yd[-80:-56], fc_und]), 'r--', lw=1.4, label='无阻尼 φ=1(外推爆炸)')
ax.plot(xx, np.concatenate([yd[-80:-56], fc_best]), 'g-', lw=1.6, label='阻尼 φ=%.1f' % best_d[2])
ax.legend(); ax.set_title('阻尼趋势:趋势塌掉时 φ<1 的外推更贴近现实'); ax.grid(alpha=0.3)
plt.tight_layout(); plt.savefig('images/ts02_damped.png', dpi=110, bbox_inches='tight'); plt.show()
print('要点:趋势不可持续时阻尼(φ<1)明显优于无阻尼 Holt;φ 也可以进网格/优化器一起定')
阻尼最优 α=0.2 β=0.2 φ=0.8 留出 MAE=0.354 无阻尼(φ=1)最优 MAE=1.833
要点:趋势不可持续时阻尼(φ<1)明显优于无阻尼 Holt;φ 也可以进网格/优化器一起定
# ---------- 实验 5:手写 Holt-Winters(加法季节,偏移数组修正负索引)+ 两周期预测 ----------
rng = np.random.default_rng(0)
def hw_add(y, alpha, beta, gamma, m=24, h=48):
'''加法 Holt-Winters。季节项用偏移数组:s[i] 存"时刻 i-m"的季节值,
从而 t<m 时 s[t] 取到的是初始季节值,彻底避免 NumPy 负索引环绕。'''
L = len(y)
l = np.zeros(L); b = np.zeros(L); s = np.zeros(L + m)
l0 = np.mean(y[:m]); b0 = np.mean(np.diff(y[:m]))
for j in range(m):
s[j] = y[j] - l0 # 初始季节偏差 s_{j-m}
for t in range(L):
if t == 0:
l[t] = l0; b[t] = b0
else:
l[t] = alpha * (y[t] - s[t]) + (1 - alpha) * (l[t - 1] + b[t - 1])
b[t] = beta * (l[t] - l[t - 1]) + (1 - beta) * b[t - 1]
s[t + m] = gamma * (y[t] - l[t]) + (1 - gamma) * s[t]
fc = np.zeros(h)
for k in range(1, h + 1):
fc[k - 1] = l[L - 1] + k * b[L - 1] + s[L + ((k - 1) % m)]
return l, b, fc
# 带趋势 + 季节 24 的合成序列(与原基础版一致,便于对照)
n2 = 360
t2 = np.arange(n2)
ys = 20 + 0.03 * t2 + 4 * np.sin(2 * np.pi * t2 / 24) + rng.normal(0, 0.8, n2)
y_tr2, y_te2 = ys[:-48], ys[-48:]
best2 = None
for g in [0.05, 0.2, 0.5]:
_, _, fc2 = hw_add(y_tr2, 0.4, 0.1, g, 24, 48)
mae2 = np.mean(np.abs(fc2 - y_te2))
if best2 is None or mae2 < best2[1]:
best2 = (g, mae2)
print('季节平滑 γ 网格最优: γ=%.2f 留出 MAE=%.3f' % (best2[0], best2[1]))
l2, b2, fc2 = hw_add(ys, 0.4, 0.1, best2[0], 24, 48)
fig, ax = plt.subplots(figsize=(11, 3.6))
ax.plot(ys[-120:], lw=0.9, label='观测')
ax.plot(np.arange(120 - 48, 120 + 48), np.concatenate([l2[-48:], fc2]), 'r--', lw=1.6, label='HW 预测 48 步(2 个季节周期)')
ax.legend(); ax.set_title('Holt-Winters:趋势 + 季节都能外推'); ax.grid(alpha=0.3)
plt.tight_layout(); plt.savefig('images/ts02_hw.png', dpi=110, bbox_inches='tight'); plt.show()
assert best2[1] < 5.0 # 48 步预测误差含噪声累积
print('要点:三个平滑参数 α/β/γ 分工明确——水平/趋势/季节;偏移数组修正了负索引环绕 bug')
季节平滑 γ 网格最优: γ=0.50 留出 MAE=0.801
要点:三个平滑参数 α/β/γ 分工明确——水平/趋势/季节;偏移数组修正了负索引环绕 bug
# ---------- 实验 6:乘法 Holt-Winters + 加法/乘法留出 MAE 对比 ----------
rng = np.random.default_rng(0)
def hw_mul(y, alpha, beta, gamma, m=24, h=48):
'乘法 Holt-Winters(季节项为比例,要求 y>0)。偏移数组存储季节项。'
L = len(y)
l = np.zeros(L); b = np.zeros(L); s = np.zeros(L + m)
l0 = np.mean(y[:m]); b0 = np.mean(np.diff(y[:m]))
for j in range(m):
s[j] = y[j] / l0 # 初始季节比例 s_{j-m}
for t in range(L):
if t == 0:
l[t] = l0; b[t] = b0
else:
l[t] = alpha * (y[t] / s[t]) + (1 - alpha) * (l[t - 1] + b[t - 1])
b[t] = beta * (l[t] - l[t - 1]) + (1 - beta) * b[t - 1]
s[t + m] = gamma * (y[t] / l[t]) + (1 - gamma) * s[t]
fc = np.zeros(h)
for k in range(1, h + 1):
fc[k - 1] = (l[L - 1] + k * b[L - 1]) * s[L + ((k - 1) % m)]
return l, b, fc
# 振幅随水平增长的数据:y_t = (30+0.05t) × (1+0.3·sin(2πt/24)) + 噪声(恒正)
n4 = 360
t4 = np.arange(n4)
ym = (30 + 0.05 * t4) * (1 + 0.3 * np.sin(2 * np.pi * t4 / 24)) + rng.normal(0, 0.5, n4)
assert (ym > 0).all(), '乘法 HW 要求 y>0'
ytr4, yte4 = ym[:-48], ym[-48:]
best_a = best_m = None
for al in [0.2, 0.3, 0.4]:
for be in [0.05, 0.1, 0.15]:
for ga in [0.05, 0.2, 0.5]:
_, _, fca = hw_add(ytr4, al, be, ga, 24, 48)
mae_a = np.mean(np.abs(fca - yte4))
if best_a is None or mae_a < best_a[3]:
best_a = (al, be, ga, mae_a)
_, _, fcm = hw_mul(ytr4, al, be, ga, 24, 48)
mae_m = np.mean(np.abs(fcm - yte4))
if best_m is None or mae_m < best_m[3]:
best_m = (al, be, ga, mae_m)
print('加法最优 MAE=%.3f (α=%.1f β=%.1f γ=%.1f)' % (best_a[3], best_a[0], best_a[1], best_a[2]))
print('乘法最优 MAE=%.3f (α=%.1f β=%.1f γ=%.1f)' % (best_m[3], best_m[0], best_m[1], best_m[2]))
assert best_m[3] < best_a[3] * 0.8 # 振幅随水平增长 → 乘法明显更优
# 画图:乘法版预测 vs 加法版预测
_, _, fcm_best = hw_mul(ym, best_m[0], best_m[1], best_m[2], 24, 48)
_, _, fca_best = hw_add(ym, best_a[0], best_a[1], best_a[2], 24, 48)
fig, ax = plt.subplots(figsize=(11, 3.6))
ax.plot(ym[-96:], lw=0.9, label='观测(振幅随水平增长)')
ax.plot(np.arange(96 - 48, 96 + 48), np.concatenate([ym[-96:-48], fcm_best]), 'g-', lw=1.5, label='乘法 HW 预测')
ax.plot(np.arange(96 - 48, 96 + 48), np.concatenate([ym[-96:-48], fca_best]), 'r--', lw=1.5, label='加法 HW 预测')
ax.legend(); ax.set_title('乘法 vs 加法 Holt-Winters:振幅随水平增长时乘法更优'); ax.grid(alpha=0.3)
plt.tight_layout(); plt.savefig('images/ts02_multi.png', dpi=110, bbox_inches='tight'); plt.show()
print('要点:乘法季节把振幅跟着水平缩放;数据恒正才可用,否则 log 化或换加法')
加法最优 MAE=1.180 (α=0.2 β=0.1 γ=0.5) 乘法最优 MAE=0.458 (α=0.2 β=0.1 γ=0.2)
要点:乘法季节把振幅跟着水平缩放;数据恒正才可用,否则 log 化或换加法
# ---------- 实验 7:参数优化——手写网格 vs scipy.optimize.minimize ----------
from scipy.optimize import minimize
rng = np.random.default_rng(0)
n7 = 120
t7 = np.arange(n7)
y7 = 10 + 0.05 * t7 + rng.normal(0, 1.0, n7)
def holt7(y, alpha, beta):
l = np.zeros(len(y)); b = np.zeros(len(y))
l[0] = y[0]; b[0] = y[1] - y[0]
for t in range(1, len(y)):
l[t] = alpha * y[t] + (1 - alpha) * (l[t - 1] + b[t - 1])
b[t] = beta * (l[t] - l[t - 1]) + (1 - beta) * b[t - 1]
return l, b
def holt_sse(ab, y):
al, be = ab
l, b = holt7(y, al, be)
osf = np.concatenate([[y[0]], l[:-1] + b[:-1]]) # 一步预测 ŷ_t
return float(((y - osf) ** 2).sum())
# --- 方法一:手写网格(步长 0.02 → 50×50) ---
grid_alpha = np.arange(0.01, 0.99, 0.02)
grid_beta = np.arange(0.01, 0.99, 0.02)
best_g = None
for al in grid_alpha:
for be in grid_beta:
s = holt_sse((al, be), y7)
if best_g is None or s < best_g[0]:
best_g = (s, al, be)
print('网格最优 α=%.3f β=%.3f SSE=%.2f' % (best_g[1], best_g[2], best_g[0]))
# --- 方法二:scipy L-BFGS-B,5 个随机起点 ---
res_opt = None
for seed in range(5):
r = minimize(holt_sse, x0=[0.2 + 0.15 * seed, 0.15 + 0.15 * seed], args=(y7,),
method='L-BFGS-B', bounds=[(0.01, 0.99), (0.01, 0.99)])
if res_opt is None or r.fun < res_opt.fun:
res_opt = r
print('scipy 最优 α=%.3f β=%.3f SSE=%.2f' % (res_opt.x[0], res_opt.x[1], res_opt.fun))
assert abs(res_opt.x[0] - best_g[1]) < 0.05
assert abs(res_opt.x[1] - best_g[2]) < 0.05
assert abs(res_opt.fun - best_g[0]) / best_g[0] < 0.02
# --- 损失面可视化(稀疏网格) ---
fig, ax = plt.subplots(figsize=(7.5, 5.2))
AA, BB = np.meshgrid(np.arange(0.05, 0.96, 0.05), np.arange(0.05, 0.96, 0.05))
ZZ = np.array([[holt_sse((a_, b_), y7) for a_ in AA[0]] for b_ in BB[:, 0]])
cf = ax.contourf(AA, BB, ZZ, levels=18, cmap='viridis')
ax.scatter([best_g[1]], [best_g[2]], marker='o', s=90, color='white', edgecolor='k', label='网格最优')
ax.scatter([res_opt.x[0]], [res_opt.x[1]], marker='*', s=260, color='#C44E52', label='scipy 最优')
ax.set_xlabel('α(水平平滑)'); ax.set_ylabel('β(趋势平滑)')
ax.set_title('Holt 一步 SSE 损失面:网格与 scipy 收敛到同一谷底')
ax.legend(); plt.colorbar(cf, ax=ax, label='SSE')
plt.tight_layout(); plt.savefig('images/ts02_opt.png', dpi=110, bbox_inches='tight'); plt.show()
print('要点:同一目标 SSE 下,手写网格与 scipy 优化器结果一致——两条路殊途同归')
网格最优 α=0.230 β=0.110 SSE=131.60 scipy 最优 α=0.224 β=0.106 SSE=131.56
要点:同一目标 SSE 下,手写网格与 scipy 优化器结果一致——两条路殊途同归
# ---------- 实验 8:SES 预测区间近似公式 + 100 次蒙特卡洛覆盖率检验 ----------
rng = np.random.default_rng(0)
def ses8(y, alpha):
f = np.zeros(len(y)); f[0] = y[0]
for t in range(1, len(y)):
f[t] = alpha * y[t - 1] + (1 - alpha) * f[t - 1]
return f
def fit_alpha_sse(y):
best = None
for a in np.arange(0.02, 0.98, 0.02):
f = ses8(y, a)
sse = ((y[1:] - f[1:]) ** 2).sum()
if best is None or sse < best[0]:
best = (sse, a)
return best[1]
# 平稳(纯噪声)数据上 SES 模型假设最接近;每轮重拟合 α̂ 与 σ̂
n_train, hmax, n_rep = 200, 40, 100
covs = []
for rep in range(n_rep):
y = 20 + rng.normal(0, 1.0, n_train + hmax)
y_tr, y_te = y[:n_train], y[n_train:]
a_hat = fit_alpha_sse(y_tr)
f = ses8(y_tr, a_hat)
resid = y_tr[1:] - f[1:]
sig = resid.std(ddof=1)
fc = np.full(hmax, f[-1]) # SES 多步预测 = 常数(最后一个水平)
hh = np.arange(1, hmax + 1)
lo = fc - 1.96 * sig * np.sqrt(1 + a_hat ** 2 * (hh - 1))
hi = fc + 1.96 * sig * np.sqrt(1 + a_hat ** 2 * (hh - 1))
covs.append(((y_te >= lo) & (y_te <= hi)).mean())
cov_mean = float(np.mean(covs))
print('100 次重复(每次 40 个留出点)平均覆盖率: %.3f' % cov_mean)
assert cov_mean > 0.85
# 可视化:取其中一次重复展示区间
y = 20 + rng.normal(0, 1.0, n_train + hmax) # 注意:rng 已推进,这里另取一段
y_tr, y_te = y[:n_train], y[n_train:]
a_hat = fit_alpha_sse(y_tr)
f = ses8(y_tr, a_hat)
sig = (y_tr[1:] - f[1:]).std(ddof=1)
fc = np.full(hmax, f[-1]); hh = np.arange(1, hmax + 1)
lo = fc - 1.96 * sig * np.sqrt(1 + a_hat ** 2 * (hh - 1))
hi = fc + 1.96 * sig * np.sqrt(1 + a_hat ** 2 * (hh - 1))
fig, ax = plt.subplots(figsize=(9.5, 3.4))
ax.plot(y_te, 'o-', ms=3, lw=1, label='留出真实值')
ax.plot(fc, 'r--', lw=1.4, label='SES 预测(常数)')
ax.fill_between(np.arange(hmax), lo, hi, alpha=0.2, label='95% 区间 σ√(1+α²(h-1))')
ax.legend(); ax.set_title('SES 预测区间:宽度随 h 缓慢增长(α̂=%.2f)' % a_hat); ax.grid(alpha=0.3)
plt.tight_layout(); plt.savefig('images/ts02_mc.png', dpi=110, bbox_inches='tight'); plt.show()
print('要点:近似公式 + 100 次重复 MC 覆盖率检验通过(>0.85);单次小样本覆盖率波动大,必须重复平均')
100 次重复(每次 40 个留出点)平均覆盖率: 0.953
C:\Users\24260\AppData\Local\Temp\ipykernel_28376\2254564097.py:52: UserWarning: Glyph 770 (\N{COMBINING CIRCUMFLEX ACCENT}) missing from font(s) Microsoft YaHei.
plt.tight_layout(); plt.savefig('images/ts02_mc.png', dpi=110, bbox_inches='tight'); plt.show()
C:\Python314\Lib\site-packages\IPython\core\pylabtools.py:158: UserWarning: Glyph 770 (\N{COMBINING CIRCUMFLEX ACCENT}) missing from font(s) Microsoft YaHei.
fig.canvas.print_figure(bytes_io, **kw)
要点:近似公式 + 100 次重复 MC 覆盖率检验通过(>0.85);单次小样本覆盖率波动大,必须重复平均
# ---------- 实验 9:Holt-Winters 95% 预测区间 ±1.96σ√h(保留并扩展) ----------
rng = np.random.default_rng(0)
n2 = 360
t2 = np.arange(n2)
ys = 20 + 0.03 * t2 + 4 * np.sin(2 * np.pi * t2 / 24) + rng.normal(0, 0.8, n2)
y_tr2, y_te2 = ys[:-48], ys[-48:]
def hw_add9(y, alpha, beta, gamma, m=24, h=48, full=False):
L = len(y)
l = np.zeros(L); b = np.zeros(L); s = np.zeros(L + m)
l0 = np.mean(y[:m]); b0 = np.mean(np.diff(y[:m]))
for j in range(m):
s[j] = y[j] - l0
for t in range(L):
if t == 0:
l[t] = l0; b[t] = b0
else:
l[t] = alpha * (y[t] - s[t]) + (1 - alpha) * (l[t - 1] + b[t - 1])
b[t] = beta * (l[t] - l[t - 1]) + (1 - beta) * b[t - 1]
s[t + m] = gamma * (y[t] - l[t]) + (1 - gamma) * s[t]
fc = np.zeros(h)
for k in range(1, h + 1):
fc[k - 1] = l[L - 1] + k * b[L - 1] + s[L + ((k - 1) % m)]
if full:
return l, b, s, fc
return l, b, fc
best2 = None
for g in [0.05, 0.2, 0.5]:
_, _, fc2 = hw_add9(y_tr2, 0.4, 0.1, g, 24, 48)
mae2 = np.mean(np.abs(fc2 - y_te2))
if best2 is None or mae2 < best2[1]:
best2 = (g, mae2)
l2, b2, s2, fc2 = hw_add9(y_tr2, 0.4, 0.1, best2[0], 24, 48, full=True)
# 用一步预测误差估计噪声 σ(避免把预热期残差计入):e[t] = y[t] - (l[t-1]+b[t-1]+s[t-m])
m_ = 24
e1 = y_tr2[m_:] - (l2[m_ - 1:-1] + b2[m_ - 1:-1] + s2[m_:m_ + (len(y_tr2) - m_)])
sigma = e1.std()
# √h 扩张区间(原基础版)
lo = fc2 - 1.96 * sigma * np.sqrt(np.arange(1, 49))
hi = fc2 + 1.96 * sigma * np.sqrt(np.arange(1, 49))
inside = ((y_te2 >= lo) & (y_te2 <= hi)).mean()
# 扩展:固定宽度区间(不扩张)对照
lo_c = fc2 - 1.96 * sigma
hi_c = fc2 + 1.96 * sigma
inside_c = ((y_te2 >= lo_c) & (y_te2 <= hi_c)).mean()
print('√h 扩张区间覆盖率: %.3f | 固定宽度区间覆盖率: %.3f' % (inside, inside_c))
assert inside > 0.8
assert inside > inside_c # √h 扩张确实提升覆盖率
fig, ax = plt.subplots(figsize=(11, 3.6))
ax.plot(y_te2, 'o-', ms=3, lw=1, label='真实')
ax.plot(fc2, 'r--', lw=1.5, label='预测')
ax.fill_between(np.arange(48), lo, hi, alpha=0.2, label='95% 区间(±1.96σ√h 扩张)')
ax.legend(); ax.set_title('预测区间随步长扩张——越远越不确定'); ax.grid(alpha=0.3)
plt.tight_layout(); plt.savefig('images/ts02_ci.png', dpi=110, bbox_inches='tight'); plt.show()
print('要点:报告预测时必须带区间;区间宽度 √h 增长是"不确定性累积"的数学表达')
√h 扩张区间覆盖率: 1.000 | 固定宽度区间覆盖率: 0.958
要点:报告预测时必须带区间;区间宽度 √h 增长是"不确定性累积"的数学表达
# ---------- 实验 10:与 statsmodels ExponentialSmoothing 对照(SSE 同数量级) ----------
import warnings
warnings.filterwarnings('ignore')
from statsmodels.tsa.holtwinters import ExponentialSmoothing
rng = np.random.default_rng(0)
n2 = 360
t2 = np.arange(n2)
ys = 20 + 0.03 * t2 + 4 * np.sin(2 * np.pi * t2 / 24) + rng.normal(0, 0.8, n2)
y_tr2, y_te2 = ys[:-48], ys[-48:]
# 手写版:同参数 (α=0.4, β=0.1, γ=0.2) 的一步 SSE(偏移数组实现)
def hw_one_step_sse(y, alpha, beta, gamma, m=24):
L = len(y)
l = np.zeros(L); b = np.zeros(L); s = np.zeros(L + m)
l0 = np.mean(y[:m]); b0 = np.mean(np.diff(y[:m]))
for j in range(m):
s[j] = y[j] - l0
sse = 0.0
for t in range(L):
if t == 0:
l[t] = l0; b[t] = b0
else:
sse += (y[t] - (l[t - 1] + b[t - 1] + s[t])) ** 2
l[t] = alpha * (y[t] - s[t]) + (1 - alpha) * (l[t - 1] + b[t - 1])
b[t] = beta * (l[t] - l[t - 1]) + (1 - beta) * b[t - 1]
s[t + m] = gamma * (y[t] - l[t]) + (1 - gamma) * s[t]
return sse
a, be, g = 0.4, 0.1, 0.2
sse_hand = hw_one_step_sse(y_tr2, a, be, g, 24)
mod = ExponentialSmoothing(y_tr2, trend='add', seasonal='add', seasonal_periods=24)
fit = mod.fit(smoothing_level=a, smoothing_trend=be, smoothing_seasonal=g, optimized=False)
resid_sm = y_tr2 - np.asarray(fit.fittedvalues, dtype=float)
resid_sm = resid_sm[~np.isnan(resid_sm)]
sse_sm = float((resid_sm ** 2).sum())
ratio = max(sse_hand, sse_sm) / min(sse_hand, sse_sm)
print('同参数 (α=%.1f,β=%.1f,γ=%.1f) 一步 SSE:手写 %.1f vs statsmodels %.1f,比值 %.3f'
% (a, be, g, sse_hand, sse_sm, ratio))
assert ratio < 2.0 # 残差 SSE 同数量级
# 预测对照(同参数,h=12)
def hw_add10(y, alpha, beta, gamma, m=24, h=12):
L = len(y)
l = np.zeros(L); b = np.zeros(L); s = np.zeros(L + m)
l0 = np.mean(y[:m]); b0 = np.mean(np.diff(y[:m]))
for j in range(m):
s[j] = y[j] - l0
for t in range(L):
if t == 0:
l[t] = l0; b[t] = b0
else:
l[t] = alpha * (y[t] - s[t]) + (1 - alpha) * (l[t - 1] + b[t - 1])
b[t] = beta * (l[t] - l[t - 1]) + (1 - beta) * b[t - 1]
s[t + m] = gamma * (y[t] - l[t]) + (1 - gamma) * s[t]
fc = np.zeros(h)
for k in range(1, h + 1):
fc[k - 1] = l[L - 1] + k * b[L - 1] + s[L + ((k - 1) % m)]
return fc
pred_sm = np.asarray(fit.predict(start=len(y_tr2), end=len(y_tr2) + 11))
fc12 = hw_add10(y_tr2, a, be, g, 24, 12)
d_max = float(np.abs(pred_sm - fc12).max())
print('同参数 12 步预测最大绝对差: %.3f' % d_max)
assert d_max < 2.0
# 优化对照:statsmodels optimized=True('estimated' 初值)
fit2 = mod.fit(optimized=True)
r2_ = y_tr2 - np.asarray(fit2.fittedvalues, dtype=float)
r2_ = r2_[~np.isnan(r2_)]
sse_sm_opt = float((r2_ ** 2).sum())
print('statsmodels optimized=True 一步 SSE: %.1f(初值 estimated + 连续优化)' % sse_sm_opt)
print('优化后参数: α=%.3f β=%.3f γ=%.3f' % (fit2.params['smoothing_level'],
fit2.params['smoothing_trend'], fit2.params['smoothing_seasonal']))
assert sse_sm_opt <= sse_hand * 1.05 + 1
print('要点:手写与 statsmodels 同参数 SSE 同数量级(比值 %.2f)→ 递推正确;库版优化+初值估计更精细'
% ratio)
同参数 (α=0.4,β=0.1,γ=0.2) 一步 SSE:手写 322.0 vs statsmodels 288.1,比值 1.118 同参数 12 步预测最大绝对差: 0.515
statsmodels optimized=True 一步 SSE: 185.3(初值 estimated + 连续优化) 优化后参数: α=0.000 β=0.000 γ=0.000 要点:手写与 statsmodels 同参数 SSE 同数量级(比值 1.12)→ 递推正确;库版优化+初值估计更精细