Wat is exponential smoothing en Holt-Winters?

Exponentiële smoothing (экспоненциальное сглаживание) is een methode voor het voorspellen van tijdreeksen die meer gewicht toekent aan recentere observaties en het gewicht van oudere gegevens exponentieel vermindert. Dit stelt je in staat snel te reageren op veranderingen in de gegevens, terwijl ruis wordt gladgestreken.

De eenvoudigste vorm is de enkelvoudige exponentiële smoothing, waarbij de voorspelling voor de volgende periode wordt berekend als een gewogen som van de huidige observatie en de vorige voorspelling.

Holt-Winters is een uitbreiding van de exponentiële smoothing die rekening houdt met de trend en seizoensinvloeden in de gegevens. Er zijn twee versies:

• Additief (voor seizoensinvloeden met een constante amplitude)
• Multiplicatief (voor seizoensinvloeden met een variabele amplitude)

Holt-Winters gebruikt drie componenten:

• Niveau (niveau van de reeks)
• Trend (richting van de verandering)
• Seizoensinvloed (herhalende cycli)

Dit maakt het mogelijk om nauwkeurigere voorspellingen te doen voor tijdreeksen met seizoensschommelingen.

Voorbeeld van formules voor additieve Holt-Winters:

• Niveau: L_t = α (Y_t - S_{t-m}) + (1 - α)(L_{t-1} + T_{t-1})
• Trend: T_t = β (L_t - L_{t-1}) + (1 - β) T_{t-1}
• Seizoensinvloed: S_t = γ (Y_t - L_t) + (1 - γ) S_{t-m}
• Voorspelling: F_{t+k} = L_t + k T_t + S_{t-m+k}

Waar α, β, γ de gladmakingsparameters zijn, m is de lengte van de seizoenscyclus.

Dit maakt exponentiële smoothing een basismethode, en Holt-Winters een uitbreiding die rekening houdt met trend en seizoensinvloeden.