8.4.4 Exponential Smoothing8.4.4.1

8.4.4 Exponential Smoothing

8.4.4.1 Simple Exponential Smoothing (ES)
Simple exponential smoothing (ES) is similar to weighted moving average (WMA) in assigning higher weights to more recent data, but it differs in two important aspects. First, WMA is a weighted average of only the last N data points, while ES is a weighted average of all past data. Second, the weights in WMA are mostly arbitrary, while the weights in ES are well structured. In fact, the weights in ES decrease exponentially with the age of the data. On the other hand, exponential smoothing is very easy to use, and very easy to update by including new data as it becomes available. In addition, we must save the last N observations for WMA, but need to save only the last observation and the last forecast for ES. These characteristics have made exponential smoothing very popular. Basically, the current forecast is a weighted average of the last forecast and the last actual observation. Given the value of smoothing constant (0 1), which is the relative weight of the last observation, the forecast is obtained by

Kết quả (Việt) 1:

8.4.4 làm mịn mũ8.4.4.1 đơn giản làm mịn mũ (ES)Đơn giản mũ làm mịn (ES) là tương tự như trọng trung bình di chuyển (WMA) trong gán trọng lượng cao để các dữ liệu gần đây, nhưng khác ở chỗ hai khía cạnh quan trọng. Trước tiên, WMA là một trung bình trọng chỉ qua N dữ liệu điểm, trong khi ES là một là trọng của tất cả trong quá khứ dữ liệu. Thứ hai, các trọng lượng trong WMA là chủ yếu là tùy ý, trong khi trọng lượng ở ES cũng có cấu trúc. Trong thực tế, các trọng lượng ở ES giảm theo cấp số nhân với tuổi của dữ liệu. Mặt khác, làm mịn mũ là rất dễ sử dụng, và rất dễ dàng để cập nhật bằng cách bao gồm dữ liệu mới khi nó trở thành có sẵn. Ngoài ra, chúng ta phải lưu các quan sát N cuối cho WMA, nhưng cần phải lưu chỉ là các quan sát cuối cùng và dự đoán cuối cùng cho các ES. Những đặc điểm đã làm mũ làm mịn rất phổ biến. Về cơ bản, thời hiện tại là một trung bình là trọng cuối thời và các quan sát thực tế cuối cùng. Đưa ra giá trị của làm mịn liên tục (0 1), đó là trọng lượng tương đối của các quan sát cuối cùng, dự báo thu được bằng cách

Kết quả (Việt) 2:

8.4.4 Exponential Smoothing 8.4.4.1 Simple Exponential Smoothing (ES) đơn giản làm mịn mũ (ES) là tương tự như trọng di chuyển trung bình (WMA) trong việc gán trọng số cao hơn số liệu gần đây hơn, nhưng nó khác nhau ở hai khía cạnh quan trọng. Đầu tiên, WMA là bình quân gia quyền của các điểm dữ liệu chỉ tồn tại cuối cùng, trong khi ES là bình quân gia quyền của tất cả các dữ liệu quá khứ. Thứ hai, các trọng ở WMA chủ yếu là tùy ý, trong khi trọng lượng trong ES là có cấu trúc tốt. Trong thực tế, các trọng trong ES giảm theo cấp số nhân với độ tuổi của các dữ liệu. Mặt khác, làm mịn hàm mũ là rất dễ sử dụng, và rất dễ dàng để cập nhật thông tin bao gồm dữ liệu mới như nó trở nên có sẵn. Ngoài ra, chúng ta phải tiết kiệm các quan sát N cuối cùng cho WMA, nhưng cần phải tiết kiệm chỉ có các quan sát cuối cùng và dự báo cuối cùng cho ES. Những đặc điểm này đã làm cho hàm mũ làm mịn rất phổ biến. Về cơ bản, các dự báo hiện nay là bình quân gia quyền của các dự báo cuối cùng và quan sát thực tế cuối cùng. Với giá trị làm mịn  liên tục (0 1), mà là khối lượng tương đối của các quan sát cuối cùng, dự báo thu được bằng