4. 移动平均法与指数平滑法：简单移动平均、加权移动平均、一次/二次/三次指数平滑

在需求预测的工程落地中，移动平均法与指数平滑法是最基础、最常用的时间序列平滑技术。它们通过消除历史数据中的随机波动，揭示潜在的需求趋势与季节性模式。本节将系统讲解这两种方法的数学原理、参数选择及在供应链计划系统中的实现要点。

4.1 移动平均法

移动平均法通过计算最近 N 期数据的平均值来预测下一期需求。根据是否对历史数据赋予不同权重，分为简单移动平均与加权移动平均。

4.1.1 简单移动平均 (SMA)

简单移动平均对窗口内的所有历史数据赋予相同权重。其计算公式为：

SMA_t = (D_{t-1} + D_{t-2} + ... + D_{t-N}) / N

其中，D_t 为第 t 期的实际需求，N 为移动窗口长度。

4.1.2 加权移动平均 (WMA)

加权移动平均对窗口内的历史数据赋予不同权重，通常近期数据权重更高。其计算公式为：

WMA_t = w_1 * D_{t-1} + w_2 * D_{t-2} + ... + w_N * D_{t-N}

其中，w_i 为第 i 期数据的权重，且 w_1 + w_2 + ... + w_N = 1。

4.2 指数平滑法

指数平滑法是一种特殊的加权移动平均，其权重随时间呈指数衰减。根据处理的数据特征，分为一次、二次和三次指数平滑。

4.2.1 一次指数平滑 (SES)

一次指数平滑适用于无趋势、无季节性的平稳序列。其递推公式为：

S_t = α * D_t + (1 - α) * S_{t-1}

其中，S_t 为第 t 期的平滑值，α 为平滑系数（0 < α < 1）。预测值 F_{t+1} = S_t。

4.2.2 二次指数平滑 (Holt's Method)

二次指数平滑在 SES 基础上增加了趋势分量，适用于有趋势但无季节性的序列。包含两个平滑方程：

水平方程: L_t = α * D_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 为水平分量，T_t 为趋势分量，β 为趋势平滑系数，m 为预测步长。

4.2.3 三次指数平滑 (Holt-Winters Method)

三次指数平滑在二次指数平滑基础上增加季节性分量，适用于既有趋势又有季节性的序列。包含三个平滑方程：

水平方程: L_t = α * (D_t / S_{t-p}) + (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}
季节方程: S_t = γ * (D_t / L_t) + (1 - γ) * S_{t-p}
预测方程: F_{t+m} = (L_t + m * T_t) * S_{t+m-p}

其中，S_t 为季节性分量，p 为季节周期长度（如 12 个月），γ 为季节平滑系数。

4.3 方法对比与选型指南

在实际供应链计划系统中，选择哪种方法取决于数据特征、计算资源与业务需求。下表总结了各方法的适用场景与工程考量：

4.4 工程落地流程

在供应链计划系统中，将移动平均法与指数平滑法落地为可运行的预测模块，通常遵循以下步骤：

1. 数据准备：清洗历史需求数据，处理缺失值与异常值，确定时间粒度（日/周/月）。
2. 方法选择：通过时间序列分解或 ACF/PACF 分析，判断数据是否包含趋势和季节性。
3. 参数优化：使用历史数据训练模型，通过网格搜索或优化算法找到最优参数（N, α, β, γ）。
4. 模型评估：在验证集上计算预测误差指标（MAE, MAPE, RMSE），评估模型稳定性。
5. 部署上线：将训练好的模型封装为 API 或批处理任务，集成到计划系统中。
6. 监控与回滚：实时监控预测误差，当误差超过阈值时自动触发模型重训练或回滚至备用模型。

上图展示了在供应链计划系统中，根据数据特征选择合适预测方法的决策流程。实际工程中，建议同时运行多个候选模型，通过模型集成或动态切换机制，提升预测的鲁棒性。