3. Croston方法数学原理：指数平滑分解、需求间隔与需求量的独立建模

Croston 方法的核心思想是将间歇需求时间序列分解为两个独立的子序列：需求间隔（Inter-Demand Interval）和非零需求量（Non-Zero Demand Size）。通过对这两个子序列分别应用指数平滑，再组合成最终的预测值，从而避免传统指数平滑在大量零值序列上产生的预测偏差。

3.1 序列分解与符号定义

设原始需求序列为 \( y_t \)，其中 \( t = 1, 2, \dots, T \)。定义如下变量：

3.2 指数平滑更新方程

Croston 方法对两个子序列分别使用一次指数平滑（Simple Exponential Smoothing, SES）。当第 \( t \) 期发生非零需求时，更新方程如下：

需求量平滑更新：

如果 y_t > 0：
    z_hat_t = α * y_t + (1 - α) * z_hat_{t-1}
否则：
    z_hat_t = z_hat_{t-1}  （不更新）

需求间隔平滑更新：

如果 y_t > 0：
    q_hat_t = β * q_current + (1 - β) * q_hat_{t-1}
    同时重置 q_current = 1
否则：
    q_current = q_current + 1
    q_hat_t = q_hat_{t-1}  （不更新）

其中 \( q\_current \) 为自上次非零需求以来的累计间隔计数，初始值为 1。

3.3 多步预测公式

在完成平滑更新后，Croston 方法对未来任意步长 \( h \geq 1 \) 的预测值采用恒定形式：

y_hat_{t+h|t} = z_hat_t / q_hat_t

即：预测值 = 需求量平滑值 ÷ 需求间隔平滑值。该比值在预测期内保持不变，直到下一次非零需求发生并触发平滑更新。

3.4 独立建模的数学意义

将需求间隔与需求量独立建模，带来了以下数学上的优势：

• 避免零值污染： 传统指数平滑将零值视为真实观测，导致平滑值被持续拉低；Croston 方法只在非零时刻更新，保留了需求规模的原始分布。
• 间隔信息显式建模： 需求间隔 \( q_j \) 本身是一个正整数值时间序列，具有自身的波动规律。独立平滑间隔可以捕捉需求频率的变化趋势。
• 预测方差可分解： 在假设 \( z_j \) 与 \( q_j \) 相互独立的条件下，预测值的方差可以分解为两部分之和，便于后续的预测区间构造。

3.5 Croston方法核心流程

下图展示了 Croston 方法从原始序列分解到多步预测的完整数学流程：

3.6 平滑系数的影响与配置建议

平滑系数 \( \alpha \) 和 \( \beta \) 控制着模型对历史数据的记忆长度。下表总结了不同取值下的行为特征：

3.7 独立建模的数学假设与局限性

Croston 方法的独立建模建立在以下假设之上，理解这些假设有助于判断方法适用性：

• 独立性假设： 需求量 \( z_j \) 与需求间隔 \( q_j \) 相互独立。若实际数据中需求量与间隔存在相关性（如间隔越长单次需求量越大），则预测会有偏。
• 平稳性假设： 两个子序列的均值在局部保持稳定，指数平滑才能有效追踪。若存在强趋势或季节性，需考虑扩展方法（如 Croston-TSB 或 Holt-Winters 变体）。
• 更新时机同步： 平滑更新仅在非零需求发生时进行，这意味着在长时间无需求的区间内，预测值保持不变，无法反映“需求可能已消失”的风险。