指数平滑预测详解——使用平滑常数进行预测

1. 声音
   观察依据

   主讲人说道：“F（t）是第 t 期的新预测值。”

2. 公式
   观察依据

   幻灯片文字定义：Fₜ = 第 t 期的新预测值。

$F_t$

第 t 期的新预测值

表示需求量或数量的实数

1. 声音
   观察依据

   主讲人指出：“Fₜ₋₁ 是你上一时期所做的预测。”

2. 公式
   观察依据

   幻灯片文字定义：$F_{t-1}$ = 上一期的预测值。

$F_{t-1}$

上一期的预测值

表示需求量或数量的实数

1. 声音
   观察依据

   主讲人指出：“Aₜ₋₁ 是你上一时期的實際需求。”

2. 公式
   观察依据

   幻灯片文字定义：$A_{t-1}$ = 上一期的实际需求量。

$A_{t-1}$

上一期的实际需求量

表示需求量或数量的实数

1. 声音
   观察依据

   主讲人指出：“你那里小写的 a，即希腊字母 alpha，就是你的平滑常数。你的平滑常数必须介于零和一之间。好的，它必须介于零和一之间。它不能是负数。”

2. 公式
   观察依据

   幻灯片文字定义 α =（“alpha”）为平滑常数（$0 \le α \le 1$）。

$\alpha$

平滑常数

$0 \le α \le 1$

1. 声音
   观察依据

   主讲人指出：“然后 A 减 F，两个均为大写字母，这就是你的误差项。即实际值减去预测值。”

2. 公式
   观察依据

   幻灯片文字定义 (A - F) = 误差项（实际值 - 预测值）。

(A - F)

误差项（实际值 - 预测值）

实数

1. 公式
   观察依据

   幻灯片显示$0.0 \le α \le 1.0$，并将α标注为平滑常数。

2. 声音
   观察依据

   讲解者反复讨论选择更接近零或更接近一的alpha值。

$\alpha$

控制对最近预测误差赋予多少权重的平滑常数。

实数区间，满足$0.0 \le α \le 1.0$。

1. 公式
   观察依据

   幻灯片在递推式 $F_t = F_{t-1} + \alpha(A_{t-1} - F_{t-1})$ 中使用 $F_t$。

$F_t$

由指数平滑法生成的第t期预测值。

与所预测的需求量或销售额具有相同单位。

1. 公式
   观察依据

   幻灯片在递推式中将 $F_{t-1}$ 用作上一期的预测值。

$F_{t-1}$

紧邻前一期的预测值。

与 $F_t$ 具有相同单位。

1. 公式
   观察依据

   幻灯片中使用 $A_{t-1}$ 作为项 ($A_{t-1} - F_{t-1}$) 的一部分。

$A_{t-1}$

上一期观测到的实际需求量或实际值。

与 $F_t$ 和 $F_{t-1}$ 的单位相同。

1. 公式
   观察依据

   幻灯片4-2展示了范围$0.0 \le α \le 1.0$，并将其标注为平滑常数。

2. 声音
   观察依据

   主讲人反复将α称为平滑常数，并讨论其取值接近零或一的情形。

$\alpha$

控制赋予最新一次预测误差之权重的平滑常数。

$0.0 \le α \le 1.0$

1. 公式
   观察依据

   幻灯片4-2与幻灯片4-4在指数平滑更新公式中均使用$F_t$。

2. 声音
   观察依据

   在示例中，主讲人要求计算三月的需求预测，即t为三月时的$F_t$。

$F_t$

第t期的预测值。

实数值的预测量；在示例中，指汽车数量。

1. 公式
   观察依据

   幻灯片4-2在更新方程中写入$F_{t-1}$。

2. 公式
   观察依据

   幻灯片4-4使用$F_{t-1}=142$表示一月份作出的二月份预测。

$F_{t-1}$

前一期t-1的预测值。

与$F_t$单位相同。

1. 声音
   观察依据

   主讲人指出：“指数平滑是一种加权移动平均预测技术，其中各数据点按指数函数进行加权。该预测可平滑时间序列中的不规则波动。”

2. 公式
   观察依据

   幻灯片文字显示：“指数平滑：一种加权移动平均预测技术，其中各数据点按指数函数进行加权”，以及“该预测可‘平滑’时间序列中的不规则波动。”

指数平滑是时间序列分析中使用的一种定量预测方法。它属于一种加权移动平均，其中各数据点依据指数函数被赋予相应权重，从而有助于平滑数据中的不规则波动。

1. 适用于时间序列数据

1. 公式
   观察依据

   幻灯片文字显示：“注意：若未给出初始预测值，则假设 $F_1 = A_1$。”

应用指数平滑法时，若第一期的初始预测值未给出，则通常默认该初始预测值等于第一期的实际需求量。

1. 未给出初始预测值

1. 公式
   观察依据

   幻灯片显示 $F_t = F_{t-1} + \alpha(A_{t-1} - F_{t-1})$。

2. 声音
   观察依据

   讲座指出，改变 alpha 会改变预测对近期误差的响应强度。

当前预测通过在先前预测上加上前一次预测误差的一个分数来更新。该分数即为平滑常数 $\alpha$。

1. $0.0 \le α \le 1.0$

2. 需要一个先前的预测 $F_{t-1}$ 和一个先前的实际观测值 $A_{t-1}$。

1. 公式
   观察依据

   幻灯片指出：若 $\alpha = 0$，则 $F_t = F_{t-1} + \alpha(A_{t-1} - F_{t-1}) = F_{t-1} + 0$。

2. 声音
   观察依据

   主讲人表示，若 alpha 接近零，则平滑程度更高，结果更趋近于平均值。

当 $\alpha = 0$ 时，更新不会向先前预测添加任何值，因此新预测仍等于旧预测。在实际应用中，该方法对近期数据的响应极为迟缓，表现出朝向平均值的强平滑特性。

1. 仅适用于 $\alpha = 0$ 的情况。

1. 指数平滑更新规则

1. 公式
   观察依据

   幻灯片显示：若 $α = 1$，则 Fₜ = Fₜ₋$1 + 1$(Aₜ₋$1 - F$ₜ₋1) = Aₜ₋1。

2. 声音
   观察依据

   主讲人指出，如果阿尔法更接近一，那么预测结果就非常接近你的朴素预测，即接近上一期的需求量。

当 $α = 1$ 时，预测值完全吸收了上一期的预测误差，并恰好等于上一期的实际值。这等价于一种朴素预测，即直接复制最近一次的观测值。

1. 仅适用于 $α = 1$ 的情形。

1. 指数平滑更新规则

1. 公式
   观察依据

   幻灯片文字说明：α 越接近零，预测调整越慢；越接近一，响应性越强。

2. 声音
   观察依据

   说话人建议：在需求或销量稳定时采用较小的 α，在波动较大时采用较大的 α。

当底层需求稳定且你希望增强平滑效果时，应选择较小的 α；当需求波动较大且你希望预测能快速响应近期变化时，应选择较大的 α。

1. 稳定的需求倾向于 α 接近 0。

2. 波动的需求倾向于 α 接近 1。

3. 最终选择应通过历史准确性进行检验。

1. 当 alpha 等于零时的行为
2. 当 alpha 等于一时的行为

1. 公式
   观察依据

   幻灯片指出：目标是获得最准确的预测，无论采用何种方法。

2. 声音
   观察依据

   讲话人指出，目标是使预测误差最小化，运营人员应通过反复调整α值来试错。

调整α的目的并非追求视觉上的平滑效果本身，而是尽可能实现最准确的预测，通常做法是选择在已有历史数据上产生最小预测误差的模型。

1. 需要历史数据用于评估。

2. 模型比较应使用预测误差度量指标。

1. 选择平滑常数

1. 公式
   观察依据

   第4-2页幻灯片展示了 $F_t = F_{t-1} + \alpha(A_{t-1} - F_{t-1})$。

2. 公式
   观察依据

   第4-4页幻灯片在示例标题下重复了同一公式。

视频将单步指数平滑递推公式表述为：上一期的预测值加上上一期预测误差的一个分数。其中项 ($A_{t-1}-F_{t-1}$) 是上一周期的误差，而 α 决定了该误差中有多少被带入下一期预测中。

1. $0.0 \le α \le 1.0$

2. 需要上一期的预测值 $F_{t-1}$ 和上一周期的实际值 $A_{t-1}$。

1. $\alpha$
2. $F_t$
3. $F_{t-1}$
4. $A_{t-1}$

1. 公式
   观察依据

   第4-2页幻灯片列出了当 $α = 0$ 时：$F_t = F_{t-1} + 0$ 且 $F_t = F_{t-1}$。

2. 公式
   观察依据

   第4-2页幻灯片新增了要点：'该预测未反映近期数据'。

当平滑常数为零时，更新公式退化为 $F_t = F_{t-1}$。视频指出，这意味着预测未反映近期数据，因为新的实际观测值未被赋予任何权重。

1. α 等于0

1. 指数平滑更新公式

1. 公式
   观察依据

   第4-2页幻灯片列出了当 $α = 1$ 时：$F_t = F_{t-1} + 1(A_{t-1} - F_{t-1})$ 且 $F_t = A_{t-1}$。

当平滑常数等于一时，更新公式变为 $F_t = A_{t-1}$。下一个预测值恰好等于最近一次的实际观测值，因此该模型完全跟随最新数据点。

1. α 等于1

1. 指数平滑更新公式

1. 公式
   观察依据

   第4-2页幻灯片指出：“其值越接近零，预测对预测误差的调整就越慢（平滑程度越大）”以及“其值越接近一，响应性就越强，而平滑程度就越弱”。

2. 声音
   观察依据

   主讲人指出，平滑常数是降低预测误差的一种好方法，尤其在数据量不多时尤为适用，因为该方法仅使用上一期的数据。

视频解释了一种权衡关系：较小的 $\alpha$ 带来更强的平滑效果和更慢的误差调整速度；较大的 $\alpha$ 则带来更高的响应性与更弱的平滑效果。同时指出，实际目标通常是获得最准确的预测，通常通过选择预测误差最小的模型来实现。

1. 适用于采用指数平滑法进行预测的情形。

1. 指数平滑更新公式
2. $α = 0$ 的影响
3. $α = 1$ 的影响

1. 公式
   观察依据

   幻灯片上显示公式：$F_t = F_{t-1} + α(A_{t-1} - F_{t-1})$。

2. 声音
   观察依据

   主讲人讲解如何使用该公式计算三月份的预测值。

指数平滑公式用于基于历史预测值和实际需求来预测未来需求。公式为 $F_t = F_{t-1} + α(A_{t-1} - F_{t-1})$，其中 $F_t$ 表示第 t 期的预测值，$F_{t-1}$ 表示第 t-1期的预测值，$A_{t-1}$ 表示第 t-1期的实际需求，α 为平滑常数。

1. 对应的式子为：$0 < α < 1$

1. 公式
   观察依据

   幻灯片明确显示$0.0 \le α \le 1.0$。

在此指数平滑设定中，平滑常数满足$0.0 \le α \le 1.0$。

1. 使用幻灯片中所示的标准简单指数平滑公式。

针对幻灯片所展示模型中的平滑常数α。

1. 公式
   观察依据

   幻灯片指出：若$α = 0$，则$F_t = F_{t-1}$，此时预测无法反映近期数据。

若 $α = 0$，则 $F_t = F_{t-1}$，因此预测结果无法反映近期数据。

1. 更新规则为 $F_t = F_{t-1} + α(A_{t-1} - F_{t-1})$。

2. α 等于0。

在所述更新规则下，适用于所有时期 t。

1. 公式
   观察依据

   幻灯片指出：若 $α = 1$，则 $F_t = A_{t-1}$。

2. 声音
   观察依据

   主讲人将此情形认定为接近朴素预测。

若 $α = 1$，则 $F_t = A_{t-1}$，这对应于使用上一时期实际需求的朴素预测。

1. 更新规则为 $F_t = F_{t-1} + α(A_{t-1} - F_{t-1})$。

2. α 等于1。

在所述更新规则下，适用于所有时期 t。

1. 公式
   观察依据

   幻灯片展示了从 $F_t = F_{t-1} + \alpha(A_{t-1} - F_{t-1})$ 到 $F_t = F_{t-1} + 0$，再至 $F_t = F_{t-1}$ 的代入步骤。

1. 公式

   $$F_t = F_{t-1} + \alpha(A_{t-1} - F_{t-1})$$
   解释

   从一般指数平滑更新规则出发。

   步骤依据

   幻灯片上给出的公式。

   视频直接表达
2. 公式

   $$F_t = F_{t-1} + 0(A_{t-1} - F_{t-1})$$
   解释

   将 $\alpha = 0$ 代入更新规则。

   步骤依据

   情形假设：$\alpha = 0$。

   视频直接表达
3. 公式

   $$F_t = F_{t-1}$$
   解释

   误差项乘以零，因此不作任何调整。

   步骤依据

   算术化简。

   视频直接表达

当 $\alpha = 0$ 时，预测值保持为上一期的预测值不变，不纳入最近的实际数据。

1. 公式
   观察依据

   幻灯片展示了从 $F_t = F_{t-1} + \alpha(A_{t-1} - F_{t-1})$ 到 $F_t = F_{t-1} + 1(A_{t-1} - F_{t-1})$，再至 $F_t = A_{t-1}$ 的代入步骤。

1. 公式

   $$F_t = F_{t-1} + \alpha(A_{t-1} - F_{t-1})$$
   解释

   从一般指数平滑更新规则出发。

   步骤依据

   幻灯片上给出的公式。

   视频直接表达
2. 公式

   $$F_t = F_{t-1} + 1(A_{t-1} - F_{t-1})$$
   解释

   将 $α = 1$代入更新规则。

   步骤依据

   假设情形：$α = 1$。

   视频直接表达
3. 公式

   $$F_t = A_{t-1}$$
   解释

   完整的前一时刻误差被重新加回，从而恰好得到前一时刻的实际值。

   步骤依据

   代数化简：$F_{t-1} + (A_{t-1} - F_{t-1}) = A_{t-1}$。

   视频直接表达

当 $α = 1$时，指数平滑退化为朴素预测：$F_t = A_{t-1}$。

1. 公式
   观察依据

   第4-2页幻灯片展示了代入推导链：从 $F_t = F_{t-1} + \alpha(A_{t-1} - F_{t-1})$ 出发，得到 $F_t = F_{t-1} + 0$，再进一步得到 $F_t = F_{t-1}$（当 $\alpha = 0$ 时）。

1. 公式

   $$F_t = F_{t-1} + \alpha(A_{t-1} - F_{t-1})$$
   解释

   从幻灯片上展示的一般指数平滑更新公式出发。

   步骤依据

   幻灯片4-2上给出的公式。

   视频直接表达
2. 公式

   $$F_t = F_{t-1} + 0(A_{t-1} - F_{t-1})$$
   解释

   将 $\alpha = 0$ 代入更新公式。

   步骤依据

   特殊情况假设 $α = 0$。

   视频直接表达
3. 公式

   $$F_t = F_{t-1}$$
   解释

   误差项乘以零，因此预测值保持不变，与上一期预测值相同。

   步骤依据

   代数化简。

   视频直接表达

若 $α = 0$，则预测值不纳入最新实际观测值，而保持等于上一期预测值。

1. 公式
   观察依据

   幻灯片 4-2展示了从 $F_t = F_{t-1} + α(A_{t-1} - F_{t-1})$ 到 $F_t = F_{t-1} + 1(A_{t-1} - F_{t-1})$，再进一步得到 $F_t = A_{t-1}$ 的代入推导链，该推导基于条件 $α = 1$。

1. 公式

   $$F_t = F_{t-1} + \alpha(A_{t-1} - F_{t-1})$$
   解释

   从幻灯片中给出的通用指数平滑更新公式出发。

   步骤依据

   幻灯片 4-2 中给出的公式。

   视频直接表达
2. 公式

   $$F_t = F_{t-1} + 1(A_{t-1} - F_{t-1})$$
   解释

   将 $α = 1$ 代入更新公式。

   步骤依据

   特殊情况假设 $α = 1$。

   视频直接表达
3. 公式

   $$F_t = A_{t-1}$$
   解释

   上一期预测值被消去，剩余最新实际观测值作为新预测值。

   步骤依据

   代数化简。

   视频直接表达

如果 $α = 1$，则下一个预测值等于最新的实际观测值。

1. 公式
   观察依据

   幻灯片 4-4给出 $F_{t-1}=142$，$A_{t-1}=153$，$α=0.20$，并要求使用公式 $F_t = F_{t-1} + α(A_{t-1} - F_{t-1})$ 计算三月的预测值。

2. 声音
   观察依据

   讲师口头朗读了相同的数值设定。

1. 在视频片段结束前，未口头说出最终的数值答案。

1. 公式

   $$F_t = F_{t-1} + \alpha(A_{t-1} - F_{t-1})$$
   解释

   使用示例幻灯片上所示的指数平滑更新公式。

   步骤依据

   视频中给出的公式。

   视频直接表达
2. 公式

   $$F_t = 142 + 0.20(153 - 142)$$
   解释

   代入二月预测值 142、二月实际需求量 153 和平滑常数 0.20。

   步骤依据

   幻灯片 4-4 中问题文本所给出的数值。

   视频直接表达
3. 公式

   $$F_t = 142 + 0.20(11)$$
   解释

   计算上一周期的预测误差。

   步骤依据

   算术化简。

   依据视频推导
4. 公式

   $$F_t = 142 + 2.2$$
   解释

   将误差乘以平滑常数。

   步骤依据

   算术化简。

   依据视频推导
5. 公式

   $$F_t = 144.2$$
   解释

   将修正值加到上一期的预测值上，得到三月份的预测值。

   步骤依据

   算术化简。

   依据视频推导

利用示例中给出的数据，根据所显示的公式计算出的三月份预测值为144.2辆汽车。

1. 声音
   观察依据

   主讲人逐步演示计算过程。

2. 公式
   观察依据

   幻灯片上显示计算步骤：三月预测值 = F(二月) + α[A(二月) - F(二月)] = $142 + 0.2[153 - 142] = 142 + 2.2 = 144.2$ ≈ 144 辆。

1. 公式

   $$F_t = F_{t-1} + \alpha(A_{t-1} - F_{t-1})$$
   解释

   从通用的指数平滑公式开始。

   步骤依据

   指数平滑的定义。

   视频直接表达
2. 公式

   $$F_{March} = F_{Feb} + 0.20(A_{Feb} - F_{Feb})$$
   解释

   将已知数值代入公式：F_{Feb} = 142，A_{Feb} = 153，且 $α = 0.20$。

   步骤依据

   题目中给出的数值。

   视频直接表达
3. 公式

   $$F_{March} = 142 + 0.20(153 - 142)$$
   解释

   计算括号内的减法。

   步骤依据

   算术运算。

   视频直接表达
4. 公式

   $$F_{March} = 142 + 0.20(11)$$
   解释

   化简该表达式。

   步骤依据

   算术运算。

   视频直接表达
5. 公式

   $$F_{March} = 142 + 2.2$$
   解释

   将0.20与11相乘。

   步骤依据

   算术运算。

   视频直接表达
6. 公式

   $$F_{March} = 144.2$$
   解释

   将142与2.2相加。

   步骤依据

   算术运算。

   视频直接表达
7. 公式

   $$F_{March} \approx 144$$
   解释

   将结果四舍五入到最接近的整数。

   步骤依据

   预测汽车销量的实际应用。

   视频直接表达

三月份的预测需求量约为144辆汽车。

1. 公式
   观察依据

   幻灯片4–4包含完整的文字题和更新公式。

2. 声音
   观察依据

   讲师朗读：‘一月份，某汽车经销商预测二月份福特野马的需求量为142辆。二月份实际需求量为153辆。管理层选定平滑系数α为0.2，该经销商希望使用指数平滑模型预测三月份的需求量。’

1. 视频片段在教师口头说出最终答案前结束。

某汽车经销商预测二月份福特野马的需求量为142辆。二月份实际需求量为153辆。已知平滑系数$α = 0.20$，请用指数平滑法预测三月份的需求量。

1. $F_{t-1} = 142$（一月份对二月份所做的预测）

2. $A_{t-1} = 153$（二月份实际需求量）

3. α 等于0.20

计算三月份需求的预测值 $F_t$。

1. 公式

   $$F_t = F_{t-1} + \alpha(A_{t-1} - F_{t-1})$$
   解释

   写出幻灯片上显示的指数平滑更新公式。

   步骤依据

   视频中给出的模型。

   视频直接表达
2. 公式

   $$F_t = 142 + 0.20(153 - 142)$$
   解释

   代入题目陈述中的数值。

   步骤依据

   根据给定数据直接代入。

   视频直接表达
3. 公式

   $$F_t = 144.2$$
   解释

   计算该表达式，得到三月份的预测值。

   步骤依据

   算术化简。

   依据视频推导

144.2辆汽车

该结果介于前一期预测值142与实际需求153之间，这与 $α = 0.20$ 的含义一致：它使预测值向最新观测值移动一部分距离。

1. 声音
   观察依据

   主讲人提出问题并给出解答。

2. 公式
   观察依据

   问题陈述与解题步骤显示在幻灯片上。

一月份，某汽车经销商预测二月份福特野马的需求量为142辆；二月份实际需求量为153辆。经销商采用管理层选定的平滑系数 $α = 0.20$，拟用指数平滑模型预测三月份的需求量。

1. 二月份预测需求量（F_{Feb}）= 142

2. 二月份实际需求量（A_{Feb}）= 153

3. 平滑系数（α）= 0.20

预测三月份需求量（F_{March}）

1. 公式

   $$F_{March} = F_{Feb} + \alpha(A_{Feb} - F_{Feb})$$
   解释

   应用指数平滑公式。

   步骤依据

   模型的定义。

   视频直接表达
2. 公式

   $$F_{March} = 142 + 0.20(153 - 142)$$
   解释

   代入给定的数值。

   步骤依据

   问题陈述。

   视频直接表达
3. 公式

   $$F_{March} = 142 + 0.20(11)$$
   解释

   计算实际需求与预测需求之间的差值。

   步骤依据

   算术运算。

   视频直接表达
4. 公式

   $$F_{March} = 142 + 2.2$$
   解释

   将该差值乘以平滑系数。

   步骤依据

   算术运算。

   视频直接表达
5. 公式

   $$F_{March} = 144.2$$
   解释

   将结果加到上一期的预测值上。

   步骤依据

   算术运算。

   视频直接表达
6. 公式

   $$F_{March} \approx 144$$
   解释

   四舍五入到最接近的整数。

   步骤依据

   实际应用背景。

   视频直接表达

144辆汽车

计算步骤显示在幻灯片上，并由讲解者进行说明。

1. 公式
   观察依据

   三月预测值 = $142 + 0.2[153 - 142] = 144.2$ ≈ 144辆汽车

一月份，某汽车经销商预测二月份福特野马的需求量为142辆；二月份实际需求量为153辆；管理层选定的平滑常数为$\alpha = 0.20$，该经销商希望使用指数平滑模型预测三月份的需求量。

1. 上一期预测值$F(\text{Feb}) = 142$

2. 上一期实际需求量$A(\text{Feb}) = 153$

3. 平滑常数$\alpha = 0.20$

预测三月需求量

1. 公式

   $$F(\text{Mar}) = F(\text{Feb}) + \alpha[A(\text{Feb}) - F(\text{Feb})]$$
   解释

   将给定数值代入指数平滑公式。

   步骤依据

   指数平滑的定义

   视频直接表达
2. 公式

   $$= 142 + 0.2[153 - 142]$$
   解释

   计算实际需求量与预测需求量之间的差值。

   步骤依据

   算术代入

   视频直接表达
3. 公式

   $$= 142 + 2.2$$
   解释

   将该差值乘以平滑系数。

   步骤依据

   算术运算

   视频直接表达
4. 公式

   $$= 144.2 \approx 144 \text{ cars}$$
   解释

   将调整量加到上一期的预测值上，并四舍五入到最接近的整数。

   步骤依据

   算术运算并四舍五入

   视频直接表达

144辆汽车

该计算遵循幻灯片中所示的标准指数平滑步骤。

1. 动画
   观察依据

   幻灯片底部出现一个黄色文本框，其中文字为：“你无需学习教材第120页的带趋势调整的指数平滑法。”

2. 声音
   观察依据

   主讲人说：“目前你们无需学习教材中带趋势调整的指数平滑法，我认为那是在第120页，你们不需要掌握这部分内容，因此我们只讲解普通指数平滑法，而不涉及带趋势调整的计算方法。”

1. 黄色文本框

1. 文本框出现在屏幕上

1. 主幻灯片内容保持不变

这一视觉更新旨在明确本节课的学习范围，清楚指出学生无需掌握指定教材页码中所述的带趋势调整的指数平滑法。

1. 图示
   观察依据

   视频从标题为‘指数平滑’的幻灯片开始，随后切换至标题为‘平滑常数的影响’的幻灯片。

2. 声音
   观察依据

   主讲人通过口头过渡，转入对 α 影响的讨论。

1. 精确的过渡时刻仅为近似值，因为采样帧无法将画面切换定位到约一秒以内。

1. 标题幻灯片：‘指数平滑’

2. 第二张幻灯片：‘平滑常数的影响’

3. 主讲人画中画窗口

1. 主幻灯片内容从通用公式及变量定义切换至特殊情形 $α = 0$ 和 $α = 1$，并附有关于如何选择 α 的指导。

1. 主讲人持续出现在右上角画中画窗口中。

2. 讲座继续进行，未切换出幻灯片场景。

视觉演进过程与概念演进过程相呼应：从通用指数平滑方程，过渡到该方程中平滑常数所起的作用。

1. 图示
   观察依据

   标题为‘平滑常数的影响’的幻灯片4-2展示了范围$0.0 \le α \le 1.0$、通用公式、两个端点情形，以及关于如何选择 α 的要点说明。

1. 标题文字

2. 通用公式：$F_t = F_{t-1} + \alpha(A_{t-1} - F_{t-1})$

3. 当 $\alpha = 0$ 时的情形

4. 当 $\alpha = 1$ 时的情形

5. 选择 $\alpha$ 的要点列表

1. 此时间段内不出现动画；幻灯片保持静止，由讲师进行讲解。

1. 所显示的公式及端点解释在整个0-7秒内保持固定。

本页幻灯片在开展图形对比之前，先确立模型，并阐明平滑常数的两种极端行为。

1. 图示
   观察依据

   第4-3页幻灯片首先仅在‘需求 vs 季度’坐标系中显示一条标有‘实际需求’的蓝色曲线。

2. 声音
   观察依据

   讲师将该模式描述为：先下降，再上升，然后再次下降，整体呈略微上升趋势。

1. 图中未印出精确的绘图数值，因此仅能确认其定性形状。

1. 标有‘实际需求’的蓝色曲线

2. 纵轴：需求量

3. 横轴：季度

1. 从7秒到约31秒，仅可见实际需求序列。

1. 在此时间段内，坐标轴和蓝色的实际需求路径保持不变。

该图表引入了原始时间序列，后续的平滑预测将试图追踪该序列。

1. 动画
   观察依据

   在约31秒处，一条标有“$α = 0.1$”的紫色线条出现在实际需求曲线下方。

2. 声音
   观察依据

   讲师指出，若选取一个接近零的 α 值，它所做的不过是取这个平均值，从而实现平滑效果。

1. 蓝色实际需求线

2. 标有 $α = 0.1$ 的紫色预测线

1. 图中新增第二条曲线。

2. 新加入的紫色曲线明显比蓝色实际需求曲线更平缓。

1. 蓝色的实际需求曲线保持不变。

2. 坐标轴保持不变。

直观对比显示，较小的平滑系数会产生过度平滑的预测，从而滞后于实际需求的急剧变化。

1. 动画
   观察依据

   在52秒左右，一条标有“$α = 0.5$”的绿色直线出现在蓝色实际需求线与紫色 $α = 0.1$线之间。

2. 声音
   观察依据

   讲师指出，当 α 接近一时，模型对变化的响应更灵敏；它下降得更快，随后上升得也更快。

1. 蓝色实际需求线

2. 紫色 $α = 0.1$线

3. 绿色 $α = 0.5$线

1. 新增第三条曲线。

2. 绿色曲线比紫色曲线更紧密地跟随蓝色曲线的峰值与谷值。

1. 绿色曲线出现后，蓝色实际需求曲线与紫色 $α = 0.1$曲线均保持不变。

三条线的对比展示了响应性与平滑性之间的权衡：较大的 α 能更快地跟踪近期变化。

1. 图示
   观察依据

   第4–4页幻灯片标题为‘指数平滑示例’，其中展示了文字题及公式 $F_t = F_{t-1} + α(A_{t-1} - F_{t-1})$。

1. 关于一家汽车经销商的问题文字

2. 公式 $F_t = F_{t-1} + α(A_{t-1} - F_{t-1})$

1. 课件从对比图表切换到图文结合并含公式的示例幻灯片。

1. 该幻灯片内容在本片段结束前始终保持不变。

授课内容从定性比较转向对同一公式的具体数值应用。

1. 图示
   观察依据

   视频全程展示一张标题为“指数平滑法示例”的演示幻灯片，其中包含问题陈述、公式以及逐步计算过程。

1. 文字

2. 公式

3. 计算步骤

1. 计算步骤随讲解者的说明依次出现在幻灯片上。

1. 问题陈述与通用公式在整个视频中始终可见。

该幻灯片为讲解者阐述指数平滑法及其在特定预测问题中的应用提供了视觉辅助。

1. 图示
   观察依据

   标题为‘指数平滑示例’的幻灯片，显示问题陈述、公式及用黄色高亮的分步计算过程。

1. 问题描述

2. 公式$F_t = F_{t-1} + \alpha(A_{t-1} - F_{t-1})$

3. 变量定义

4. 计算步骤

1. 该幻灯片内容在3秒的视频片段中保持静止不变。

画面呈现了一个完整的演算示例，展示如何运用指数平滑公式预测汽车需求量。

1. 公式
   观察依据

   幻灯片对比了小 α 带来更强平滑性与大 α 带来更强响应性的情形。

2. 声音
   观察依据

   主讲人指出：小 α 适用于需求稳定的情形，大 α 适用于需求波动的情形。

一种常见误解是认为增大 α 总能提升预测效果，因为它响应更快。

更大的 α 提高响应性但削弱平滑性；当需求波动时适用；而当需求稳定、且希望预测值更贴近平均值时，则更宜采用较小的 α。