Что такое exponential smoothing и Holt-Winters?

Exponential smoothing (экспоненциальное сглаживание) — это метод прогнозирования временных рядов, который присваивает больший вес более свежим наблюдениям и экспоненциально уменьшает вес старым данным. Это позволяет быстро реагировать на изменения в данных, сглаживая шум.

Простейшая форма — одноэкспоненциальное сглаживание, где прогноз на следующий период рассчитывается как взвешенная сумма текущего наблюдения и предыдущего прогноза.

Holt-Winters — расширение экспоненциального сглаживания, учитывающее тренд и сезонность в данных. Существует две версии:

• Аддитивная (для сезонности с постоянной амплитудой)
• Мультипликативная (для сезонности с изменяющейся амплитудой)

Holt-Winters использует три компонента:

• Уровень (уровень ряда)
• Тренд (направление изменения)
• Сезонность (повторяющиеся циклы)

Это позволяет делать более точные прогнозы для временных рядов с сезонными колебаниями.

Пример формул для аддитивного Holt-Winters:

• Уровень: L_t = α (Y_t - S_{t-m}) + (1 - α)(L_{t-1} + T_{t-1})
• Тренд: T_t = β (L_t - L_{t-1}) + (1 - β) T_{t-1}
• Сезонность: S_t = γ (Y_t - L_t) + (1 - γ) S_{t-m}
• Прогноз: F_{t+k} = L_t + k T_t + S_{t-m+k}

Где α, β, γ — параметры сглаживания, m — длина сезонного цикла.

Таким образом, exponential smoothing — базовый метод сглаживания, а Holt-Winters — его расширение для учета тренда и сезонности.