1 Holt線性趨勢模型
Holt 在1957年把簡單的指數平滑模型進行了延伸,能夠預測包含趨勢的數據,該方法包含一個預測方程和兩個平滑方程(一個用於水平,另一個用於趨勢):
Forecast equationLevel equationTrend equationy^t+h|tℓtbt=ℓt+hbt=αyt+(1−α)(ℓt−1+bt−1)=β∗(ℓt−ℓt−1)+(1−β∗)bt−1
其中
lt 代表時刻t的預估水平,
bt 代表時刻t的預測趨勢(或坡度),
α 是水平的平滑參數,
β∗ 是趨勢的平滑參數。
這時候,預測函數不再是平的,而是具有趨勢的。
2 指數趨勢模型
另外一種Holt 線性模型的變體是指數趨勢模型,這時水平和趨勢不是相加的,而是相乘的。
y^t+h|tℓtbt=ℓtbht=αyt+(1−α)(ℓt−1bt−1)=β∗ℓtℓt−1+(1−β∗)bt−1
其中
bt 代表預估的增長率(以相對的形式而不是絕對的形式)。這時候的趨勢不是線性的,而是指數的。
3 阻尼趨勢模型
經驗表明,Holt的線性模型和指數模型傾向於對未來預測值過高,特別是對於長期預測。Gardner 和 McKenzie (1985)引入了一種阻尼效應,傾向於在未來保持一個水平的線。包含阻尼的趨勢被證明是一種非常有效的預測方法。
除了Holt的方法中的α 和β∗ ,該方法還包含阻尼參數0<ϕ<1 :
y^t+h|tℓtbt=ℓt+(ϕ+ϕ2+⋯+ϕh)bt=αyt+(1−α)(ℓt−1+ϕbt−1)=β∗(ℓt−ℓt−1)+(1−β∗)ϕbt−1.
如果
ϕ=1 ,這種方法與Holt的線性模型相同。對於在0到1的值,
ϕ 對趨勢產生阻尼效應。實際上, 當
h→∞ 時對於任何的
0<ϕ<1 預測值收斂於
lT+ϕbT/(1−ϕ) 。
誤差校正形式是:
ℓtbt=ℓt−1+ϕbt−1+αet=ϕbt−1+αβ∗et.
4. 乘法阻尼趨勢
Taylor(2003)引入了一種阻尼參數,建立了乘法阻尼趨勢模型:
y^t+h|tℓtbt=ℓtb(ϕ+ϕ2+⋯+ϕh)t=αyt+(1−α)ℓt−1bϕt−1=β∗ℓtℓt−1+(1−β∗)bϕt−1.
這種方法的預測結果不像加法阻尼那麼保守,誤差校正形式是:
ℓtbt=ℓt−1bϕt−1+αet=bϕt−1+αβ∗etℓt−1.