标签：plot plt Exponential 平滑 Holt list data Winters

原文连接：How to Build Exponential Smoothing Models Using Python: Simple Exponential Smoothing, Holt, and…

今年前12个月，iPhone XS将售出多少部?在埃隆·马斯克(Elon musk)在直播节目中吸食大麻之后，特斯拉的需求趋势是什么?这个冬天会暖和吗?(我住在加拿大。)如果你对这些问题感到好奇，指数平滑法可以通过建立模型来预测未来。

指数平滑方法为过去的观测分配指数递减的权重。得到的观测值越近，权重就越大。例如，与12个月前的观测结果相比，对上个月的观测结果给予更大的权重是合理的。

上图为指数平滑权值从过去到现在。

本文将说明如何使用Python和Statsmodel构建简单指数平滑、Holt和Holt- winters模型。对于每个模型，演示都按照以下方式组织。

模型操作方法+Python代码

Statsmodels是一个Python模块，它为实现许多不同的统计模型提供了类和函数。我们需要将它导入Python代码，如下所示。

import matplotlib.pyplot as plt
from statsmodels.tsa.holtwinters import ExponentialSmoothing, SimpleExpSmoothing, Holt

我们示例中的源数据如下：

data = [253993,275396.2,315229.5,356949.6,400158.2,442431.7,495102.9,570164.8,640993.1,704250.4,767455.4,781807.8,776332.3,794161.7,834177.7,931651.5,1028390,1114914]

我们可以先看看折线图

plt.plot(data);

简单指数平滑(SES)

对于没有明显趋势或季节规律的预测数据，SES是一个很好的选择。预测是使用加权平均来计算的，这意味着最大的权重与最近的观测值相关，而最小的权重与最远的观测值相关

其中0≤α≤1是平滑参数。

权重减小率由平滑参数α控制。 如果α很大（即接近1），则对更近期的观察给予更多权重。 有两种极端情况：

• α= 0：所有未来值的预测等于历史数据的平均值（或“平均值”），称为平均值法。
• α= 1：简单地将所有预测设置为最后一次观测的值，统计中称为朴素方法。

这里我们运行三种简单指数平滑变体：

1. 在fit1中，我们明确地为模型提供了平滑参数\(α= 0.2\)
2. 在fit2中，我们选择\(α= 0.6\)
3. 在fit3中，我们使用自动优化，允许statsmodels自动为我们找到优化值。 这是推荐的方法。

# Simple Exponential Smoothing
fit1 = SimpleExpSmoothing(data).fit(smoothing_level=0.2,optimized=False)
# plot
l1, = plt.plot(list(fit1.fittedvalues) + list(fit1.forecast(5)), marker='o')


fit2 = SimpleExpSmoothing(data).fit(smoothing_level=0.6,optimized=False)
# plot
l2, = plt.plot(list(fit2.fittedvalues) + list(fit2.forecast(5)), marker='o')


fit3 = SimpleExpSmoothing(data).fit()
# plot
l3, = plt.plot(list(fit3.fittedvalues) + list(fit3.forecast(5)), marker='o')

l4, = plt.plot(data, marker='o')
plt.legend(handles = [l1, l2, l3, l4], labels = ['a=0.2', 'a=0.6', 'auto', 'data'], loc = 'best', prop={'size': 7})
plt.show()

我们预测了未来五个点。

Holt's 方法(二次指数平滑)

Holt扩展了简单的指数平滑（数据解决方案没有明确的趋势或季节性），以便在1957年预测数据趋势.Holt的方法包括预测方程和两个平滑方程（一个用于水平，一个用于趋势）：

其中\(0≤α≤1\)是水平平滑参数，\(0≤β*≤1\)是趋势平滑参数。

对于长期预测，使用Holt方法的预测在未来会无限期地增加或减少。 在这种情况下，我们使用具有阻尼参数\(0 <φ<1\)的阻尼趋势方法来防止预测“失控”。

同样，这里我们运行Halt方法的三种变体：

1. 在fit1中，我们明确地为模型提供了平滑参数\(α= 0.8\)，\(β* = 0.2\)。
2. 在fit2中，我们使用指数模型而不是Holt的加法模型（默认值）。
3. 在fit3中，我们使用阻尼版本的Holt附加模型，但允许优化阻尼参数\(φ\)，同时固定\(α= 0.8\)，\(β* = 0.2\)的值。

data_sr = pd.Series(data)
# Holt’s Method
fit1 = Holt(data_sr).fit(smoothing_level=0.8, smoothing_slope=0.2, optimized=False)
l1, = plt.plot(list(fit1.fittedvalues) + list(fit1.forecast(5)), marker='^')

fit2 = Holt(data_sr, exponential=True).fit(smoothing_level=0.8, smoothing_slope=0.2, optimized=False)
l2, = plt.plot(list(fit2.fittedvalues) + list(fit2.forecast(5)), marker='.')

fit3 = Holt(data_sr, damped=True).fit(smoothing_level=0.8, smoothing_slope=0.2)
l3, = plt.plot(list(fit3.fittedvalues) + list(fit3.forecast(5)), marker='.')

l4, = plt.plot(data_sr, marker='.')
plt.legend(handles = [l1, l2, l3, l4], labels = ["Holt's linear trend", "Exponential trend", "Additive damped trend", 'data'], loc = 'best', prop={'size': 7})
plt.show()

Holt-Winters 方法(三次指数平滑)

(彼得·温特斯(Peter Winters)是霍尔特(Holt)的学生。霍尔特-温特斯法最初是由彼得提出的，后来他们一起研究。多么美好而伟大的结合啊。就像柏拉图遇到苏格拉底一样。)

Holt-Winters的方法适用于具有趋势和季节性的数据，其包括季节性平滑参数\(γ\)。 此方法有两种变体：

• 加法方法：整个序列的季节变化基本保持不变。
• 乘法方法：季节变化与系列水平成比例变化。

在这里，我们运行完整的Holt-Winters方法，包括趋势组件和季节性组件。 Statsmodels允许所有组合，包括如下面的示例所示：

1. 在fit1中，我们使用加法趋势，周期season_length = 4的加性季节和Box-Cox变换。
2. 在fit2中，我们使用加法趋势，周期season_length = 4的乘法季节和Box-Cox变换。
3. 在fit3中，我们使用加性阻尼趋势，周期season_length = 4的加性季节和Box-Cox变换。
4. 在fit4中，我们使用加性阻尼趋势，周期season_length = 4的乘法季节和Box-Cox变换。

data_sr = pd.Series(data)
fit1 = ExponentialSmoothing(data_sr, seasonal_periods=4, trend='add', seasonal='add').fit(use_boxcox=True)
fit2 = ExponentialSmoothing(data_sr, seasonal_periods=4, trend='add', seasonal='mul').fit(use_boxcox=True)
fit3 = ExponentialSmoothing(data_sr, seasonal_periods=4, trend='add', seasonal='add', damped=True).fit(use_boxcox=True)
fit4 = ExponentialSmoothing(data_sr, seasonal_periods=4, trend='add', seasonal='mul', damped=True).fit(use_boxcox=True)

l1, = plt.plot(list(fit1.fittedvalues) + list(fit1.forecast(5)), marker='^')
l2, = plt.plot(list(fit2.fittedvalues) + list(fit2.forecast(5)), marker='*')
l3, = plt.plot(list(fit3.fittedvalues) + list(fit3.forecast(5)), marker='.')
l4, = plt.plot(list(fit4.fittedvalues) + list(fit4.forecast(5)), marker='.')

l5, = plt.plot(data, marker='.')
plt.legend(handles = [l1, l2, l3, l4, l5], labels = ["aa", "am", "aa damped", "am damped","data"], loc = 'best', prop={'size': 7})

plt.show()

总而言之，我们通过3个指数平滑模型的机制和python代码。 如下表所示，我提供了一种为数据集选择合适模型的方法。

总结了指数平滑方法中不同分量形式的平滑参数。

指数平滑是当今行业中应用最广泛、最成功的预测方法之一。如何预测零售额、游客数量、电力需求或收入增长？指数平滑是你需要展现未来的超能力之一。

标签：plot,plt,Exponential,平滑,Holt,list,data,Winters
来源： https://www.cnblogs.com/harrylyx/p/11852149.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。