3. 指数平滑法

指数平滑法（Exponential Smoothing）是供应链需求预测中最常用的时间序列方法之一。其核心思想是：越近期的观测值包含越多的预测信息，因此赋予更高的权重；权重随时间呈指数衰减。本章从一次指数平滑出发，逐步深入到能处理趋势和季节性的Holt-Winters模型，并给出完整的Python实现与调参指南。

3.1 一次指数平滑（Simple Exponential Smoothing, SES）

一次指数平滑适用于无趋势、无季节性的平稳时间序列。其预测公式为：

预测值 F_{t+1} = α * Y_t + (1 - α) * F_t

其中：
- Y_t：t 时刻的实际观测值
- F_t：t 时刻的预测值（即对 t-1 时刻的预测）
- α：平滑系数（0 ≤ α ≤ 1），控制新旧信息的权重

关键特性：

• α 越接近 1，模型越“敏感”，对近期变化反应快，但易受随机波动影响。
• α 越接近 0，模型越“平滑”，历史信息保留多，但滞后性明显。
• 初始值 F_1 通常取 Y_1 或前几期的平均值。

3.2 二次指数平滑（Holt's Linear Trend Model）

当序列存在趋势（持续上升或下降）时，一次指数平滑会产生系统性滞后。Holt 模型引入趋势分量，同时平滑水平和趋势：

水平方程：L_t = α * Y_t + (1 - α) * (L_{t-1} + T_{t-1})
趋势方程：T_t = β * (L_t - L_{t-1}) + (1 - β) * T_{t-1}
预测方程：F_{t+m} = L_t + m * T_t

其中：
- L_t：t 时刻的平滑水平
- T_t：t 时刻的平滑趋势
- α：水平平滑系数
- β：趋势平滑系数（0 ≤ β ≤ 1）
- m：预测步长

参数含义对比：

3.3 三次指数平滑（Holt-Winters Model）

当序列同时存在趋势和季节性时，Holt-Winters 模型在 Holt 模型基础上增加季节分量。根据季节效应与趋势的关系，分为加法模型和乘法模型：

加法模型（季节幅度恒定）：
水平：L_t = α * (Y_t - S_{t-p}) + (1-α) * (L_{t-1} + T_{t-1})
趋势：T_t = β * (L_t - L_{t-1}) + (1-β) * T_{t-1}
季节：S_t = γ * (Y_t - L_t) + (1-γ) * S_{t-p}
预测：F_{t+m} = L_t + m*T_t + S_{t+m-p}

乘法模型（季节幅度随水平变化）：
水平：L_t = α * (Y_t / S_{t-p}) + (1-α) * (L_{t-1} + T_{t-1})
趋势：T_t = β * (L_t - L_{t-1}) + (1-β) * T_{t-1}
季节：S_t = γ * (Y_t / L_t) + (1-γ) * S_{t-p}
预测：F_{t+m} = (L_t + m*T_t) * S_{t+m-p}

其中：
- p：季节周期长度（如 12 个月、7 天）
- γ：季节平滑系数（0 ≤ γ ≤ 1）
- S_t：t 时刻的季节因子

3.4 Python 实现：Statsmodels 与手动调参

Python 的 statsmodels 库提供了完整的指数平滑实现。以下代码演示如何对带有趋势和季节性的供应链需求数据进行 Holt-Winters 建模与调参：

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from statsmodels.tsa.holtwinters import ExponentialSmoothing

# 1. 生成模拟数据：月销量，含趋势和12个月季节周期
np.random.seed(42)
months = 48  # 4年数据
t = np.arange(months)
trend = 0.5 * t
seasonal = 10 * np.sin(2 * np.pi * t / 12)
noise = np.random.normal(0, 2, months)
sales = 100 + trend + seasonal + noise

df = pd.DataFrame({'month': pd.date_range('2020-01-01', periods=months, freq='M'),
                   'sales': sales})

# 2. 划分训练集和测试集
train = df.iloc[:36]   # 前3年训练
test = df.iloc[36:]    # 后1年测试

# 3. 构建 Holt-Winters 加法模型
model = ExponentialSmoothing(
    train['sales'],
    trend='add',          # 加法趋势
    seasonal='add',       # 加法季节
    seasonal_periods=12   # 12个月周期
)
fit = model.fit(
    smoothing_level=0.3,      # α
    smoothing_trend=0.1,      # β
    smoothing_seasonal=0.2,   # γ
    optimized=False           # 手动指定参数
)

# 4. 预测未来12个月
forecast = fit.forecast(12)

# 5. 评估预测效果
from sklearn.metrics import mean_absolute_error, mean_squared_error
mae = mean_absolute_error(test['sales'], forecast)
rmse = np.sqrt(mean_squared_error(test['sales'], forecast))
print(f"MAE: {mae:.2f}, RMSE: {rmse:.2f}")

# 6. 自动优化参数（推荐）
fit_auto = model.fit(optimized=True)  # 自动搜索最优 α, β, γ
forecast_auto = fit_auto.forecast(12)
mae_auto = mean_absolute_error(test['sales'], forecast_auto)
print(f"自动调参 MAE: {mae_auto:.2f}")

3.5 调参策略与网格搜索

手动调参效率低，实际项目中通常使用网格搜索（Grid Search）或贝叶斯优化自动寻找最优参数组合。以下是一个简单的网格搜索实现：

from itertools import product

# 定义参数搜索范围
alphas = np.arange(0.1, 0.9, 0.1)
betas = np.arange(0.05, 0.5, 0.05)
gammas = np.arange(0.05, 0.5, 0.05)

best_mae = float('inf')
best_params = {}

for alpha, beta, gamma in product(alphas, betas, gammas):
    try:
        fit = model.fit(
            smoothing_level=alpha,
            smoothing_trend=beta,
            smoothing_seasonal=gamma,
            optimized=False
        )
        forecast = fit.forecast(12)
        mae = mean_absolute_error(test['sales'], forecast)
        if mae < best_mae:
            best_mae = mae
            best_params = {'alpha': alpha, 'beta': beta, 'gamma': gamma}
    except:
        continue

print(f"最优参数: {best_params}, MAE: {best_mae:.2f}")

3.6 模型诊断与选择

选择哪种指数平滑模型，可通过以下步骤判断：

3.7 供应链应用注意事项