预测中的指数平滑

1. 图示
   观察依据

   页面顶部的标题为“指数平滑法”。

Exponential Smoothing

正在介绍的预测方法的名称。

页面上的主题标签

1. 声音
   观察依据

   说话人一边书写公式的左侧，一边说：“t 时刻的预测值”。

2. 公式
   观察依据

   所写的公式以$F_t =$开头。

$F_t$

$t$时刻的预测值。

时间标号$t$；第$t$期的预测值

1. 声音
   观察依据

   说话人说：“等于 t 时刻减一的预测值，即上一次的预测值。”

2. 公式
   观察依据

   右侧第一项写作$F_{t-1}$。

3. 图示
   观察依据

   从$F_{t-1}$出发的一条箭头标注为“上一次的预测值”和“水平分量”。

$F_{t-1}$

前一时期$t-1$的预测值；也称为上一次的预测值或水平分量。

时间标号$t-1$；前期的预测值

1. 声音
   观察依据

   主讲人说：“加上 alpha，即所谓的平滑参数。”

2. 公式
   观察依据

   乘在误差项前的系数写作$\alpha$。

3. 图示
   观察依据

   从$\alpha$出发的箭头标注为“平滑参数”。

$\alpha$

平滑参数用于调节上一期预测误差中有多少被用于修正下一期预测。

指数平滑公式中的标量参数

1. 声音
   观察依据

   主讲人在书写括号内的第一项时说道：“t 减一时刻的实际值”。

2. 公式
   观察依据

   括号内的表达式以$A_{t-1}$开头。

3. 图示
   观察依据

   从$A_{t-1}$出发的箭头标注为“上期实际值”。

$A_{t-1}$

上期实际观测值$t-1$。

时间索引$t-1$；已实现的观测值或销售值

1. 声音
   观察依据

   主讲人解释了用实际值减去预测值，并提问：“我上次错了多少？”

2. 公式
   观察依据

   括号内的项写作$(A_{t-1} - F_{t-1})$。

($A_{t-1} - F_{t-1}$)

上一期预测误差：时间$t-1$的实际值减去预测值。

实际值与前期预测值之间的差值

1. 公式
   观察依据

   公式和示例中写作 $F_t$。

$F_t$

第 t 期的预测值

实数

1. 公式
   观察依据

   公式中写作 $F_{t-1}$。

$F_{t-1}$

上一个预测水平（即第 t-1 期的预测值）

实数

1. 公式
   观察依据

   公式和示例中写作 alpha。

$\alpha$

平滑参数

介于0与1之间的实数

1. 公式
   观察依据

   公式中写作 $A_{t-1}$。

$A_{t-1}$

上一期的实际值

实数

1. 公式
   观察依据

   第 t 期的预测值等于第 t 减 1 期的预测值，加上阿尔法乘以第 t 减 1 期的实际值与第 t 减 1 期的预测值之差。

$F_t$

第 t 期的预测值

实数

1. 公式
   观察依据

   t 减 1 时刻的 F

$F_{t-1}$

前一期（t-1）的预测值

实数

1. 声音
   观察依据

   主讲人将本主题介绍为“指数平滑”，并将其描述为“一种更高级的加权移动平均预测方法”。

2. 图示
   观察依据

   页面标题为“指数平滑”。

在本片段中，指数平滑被呈现为一种高级的、类加权移动平均风格的预测方法。主讲人将其与早期方法进行对比：朴素预测仅参考前一个周期，简单移动平均对若干个前期数据赋予相同权重，而加权移动平均则给予近期观测值更高权重；指数平滑则以另一种方式实现类似的权重分配。

1. 用于预测

2. 被呈现为与加权移动平均相关

1. 声音
   观察依据

   主讲人口述符号含义：时间$t$的预测值等于时间$t-1$的预测值加上α乘以实际值$t-1$减去预测值$t-1$。

2. 公式
   观察依据

   写完的手写公式为$F_t = F_{t-1} + \alpha (A_{t-1} - F_{t-1})$。

3. 图示
   观察依据

   箭头将$F_{t-1}$标注为“上期预测”和“水平”，将$\alpha$标注为“平滑参数”，将$A_{t-1}$标注为“上一时期的实际值”。

该片段将基本指数平滑递推公式写作：前一期的预测值加上前一期预测误差的一个分数。其中，$F_{t-1}$是起始点，而$\alpha(A_{t-1}-F_{t-1})$则利用上一时期产生的误差来调整这个旧的预测值。

1. $F_t$是时间$t$的预测值

2. $F_{t-1}$是为上一时期所作的预测值

3. $A_{t-1}$是上一时期实际观测到的值

4. $\alpha$是平滑参数

1. 作为预测方法的指数平滑

1. 声音
   观察依据

   说话人称$\alpha$为“一个平滑参数”，随后又说：“因此，若 alpha 较大，你就会给予更多……”，之后片段结束。

2. 公式
   观察依据

   $\alpha$在所写的公式中乘以误差项$(A_{t-1} - F_{t-1})$

3. 图示
   观察依据

   一个箭头将$\alpha$标注为“平滑参数”

1. 解释较大$\alpha$影响的句子在说完之前就被截断了

平滑参数$\alpha$控制着前一期预测误差对更新后预测值的影响强度。在所写的公式中，它乘以误差项，因此$\alpha$越大，意味着从前一期的误差中带入的修正量也越大。

1. $\alpha$被应用于前一期的预测误差

2. 该片段未说明$\alpha$的完整数值范围。

1. 单步指数平滑更新公式

1. 声音
   观察依据

   主讲人指出，该方法取上一周期的实际销量，减去预测值，提出问题“上次我预测错了多少”，然后部分调整预测值以反映该误差。

2. 公式
   观察依据

   减法运算明确表示为$(A_{t-1} - F_{t-1})$。

该片段从操作层面解读更新规则：先计算上一周期的误差，再将下一周期的预测值朝校正该误差的方向部分移动。这使得公式可被理解为对旧预测值的部分调整，而非完全替换。

1. 适用于向前一个周期的更新。

2. 使用上一实际值和上一预测值。

1. 单步指数平滑更新公式
2. 平滑参数 alpha 的作用

1. 公式
   观察依据

   第 t 期的预测值等于第 t 减 1 期的预测值，加上阿尔法乘以第 t 减 1 期的实际值与第 t 减 1 期的预测值之差。

2. 声音
   观察依据

   主讲人讲解该公式的各个组成部分。

指数平滑法的公式为$F_t = F_{t-1} + \alpha(A_{t-1} - F_{t-1})$。它通过取上一期的预测值（$F_t$）并加上上一期预测误差（$F_{t-1}$）的一个比例（$\alpha$）来更新当前期（$A_{t-1} - F_{t-1}$）的预测值。

1. $\alpha$是平滑参数。

2. $F_{t-1}$是上一次的预测水平。

3. $A_{t-1}$是上一期的实际值。

1. 公式
   观察依据

   α 值较高 → 更加重视近期数据。

2. 声音
   观察依据

   主讲人解释，较高的 α 值会使模型更重视近期的销售/数据。

当平滑参数$\alpha$较高时，模型会更加重视近期数据。预测值对上一期实际值与预测值之间的差异响应更为显著。

1. $\alpha$接近1。

1. 指数平滑公式

1. 公式
   观察依据

   α 值较低 → 更加重视历史数据。

2. 声音
   观察依据

   讲解者指出，较低的 α 值会使模型更加重视历史数据。

当平滑参数$\alpha$较低时，模型会更加重视历史数据。预测结果对近期误差的响应减弱，而更多依赖于此前多次销售数据的平均值。

1. $\alpha$ 接近于0。

1. 指数平滑公式

1. 公式
   观察依据

   $F_t$ 等于 $F_{t-1}$ 加上 α 乘以括号 $A_{t-1}$ 减去 $F_{t-1}$ 括号

2. 声音
   观察依据

   这只是公式本身，再加上 alpha 乘以 A 下标 t 减一 减去 F 下标 t 减一

该公式用于根据上一时期预测值和实际值，计算新一期的预测值。

1. 需要一个初始预测值。

2. 需要一个平滑常数 alpha。

1. 公式
   观察依据

   纸上手写的公式为：$F_t = F_{t-1} + α(A_{t-1} - F_{t-1})$。

2. 声音
   观察依据

   主讲人解释道：你从趋势出发，再利用平滑参数及实际值与预测值之间的差值进行调整。

该片段将指数平滑呈现为一种递归式的预测更新方法：取上一期的预测值，并加上上一期预测误差的 α 倍；其中误差项等于实际值减去上一期的预测值。

1. 该公式从一个时期到下一个时期递归地应用。

2. 这个演算示例对所有 α 列均采用相同的初始预测值 20，作为第 2 周的预测值。

3. 视频未明确说明 α 的形式化定义域限制。

1. 声音
   观察依据

   主讲人说：“随着 α 增大，你对最近一期数据的响应会更加显著。”

2. 声音
   观察依据

   主讲人还说：“α 越大，你赋予最近一次销售数据的权重就越大。”

3. 图示
   观察依据

   三列预测值分别标注为 $α=0.1$、$α=0.3$ 和 $α=0.5$，展示了改变 α 如何影响预测序列。

在本课中，α 是平滑参数，它决定预测对最新实际观测值的响应强度。α 越大，赋予最新实际值的权重就越大，从而使预测更加灵敏。

1. 该解释基于对 $α=0.1$、$α=0.3$ 和 $α=0.5$ 的具体对比分析。

2. 该视频片段未通过递推关系之外的显式加权平均展开式来定义 α。

1. 指数平滑递推公式

1. 声音
   观察依据

   主讲人指出：“因此，本质上，指数平滑就变成了一种加权移动平均。”

2. 声音
   观察依据

   他接着说：“α 越大，你就越重视最近的销售数据。”

讲师将指数平滑解读为一种加权移动平均，其中当 α 越大时，最新的实际观测值所获得的权重也越大。

1. 这一观点被呈现为对递推关系的一种解释，而非独立的推导过程。

2. 该视频片段未显式展开无限加权形式。

1. 指数平滑递推公式
2. 平滑参数 α 的作用

1. 声音
   观察依据

   主讲人说：“你用一来预测二……或者用二来预测三，用三来预测四，以此类推。”

2. 图示
   观察依据

   靠近末尾绘制的箭头将第2行连接到第3行，并将第3行连接到第4行，直观地表示对前期数值的滞后使用。

1. 围绕‘你用一和二来’这一口语表达略显不流畅，但结合句子其余部分及箭头指示，意图中的索引规则十分明确。

为计算某一周的预测值，该方法使用紧邻前一周的实际值与预测值。讲师强调需清晰区分：当前正在预测的是哪一期，以及哪些前期数值参与了更新计算。

1. 适用于视频中所示、涵盖第2周至第6周的递归表格计算。

2. 视频通过连接相邻行的箭头演示了该规则。

1. 指数平滑递推公式

1. 声音
   观察依据

   说话人说：‘随着α增大，你对更近一期数据的响应也更显著。’

2. 声音
   观察依据

   他进一步补充道：‘α越大，你赋予最近一次销售数据的权重就越大。’

3. 图示
   观察依据

   三列分别展示了在相同实际数据下、取$α=0.1$、$α=0.3$和$α=0.5$时的预测结果对比。

对于同一组实际观测序列，增大α会提高最近一次实际值的权重，从而使预测对该实际值的反应更加强烈。

1. 该对比基于视频片段中所展示的指数平滑递推关系进行。

2. 所有对比的 α 列均使用相同的初始预测值和实际序列。

在本例演算及教师的一般性口头陈述中，较大的 α 值对应着对最新观测值更强的响应。

1. 声音
   观察依据

   说话人说：“因此，本质上指数平滑就变成了一种加权移动平均。”

1. 该片段将此作为解释性主张提出，但并未推导出加权和表达式。

指数平滑可被理解为对过往观测值的一种加权移动平均，其权重由 α 决定。

1. 该主张是在递推关系式 $F_t = F_{t-1} + α(A_{t-1} - F_{t-1})$ 的背景下提出的。

教师对指数平滑一般性地提出了该主张，但本片段中未予形式化证明。

1. 声音
   观察依据

   主讲人逐项口头构建公式：先$F_t$，再$F_{t-1}$，然后$+\alpha$，最后是括号内的误差项。

2. 公式
   观察依据

   手写过程从$F_t = F_{t-1}$进展到$F_t = F_{t-1} + \alpha$，最终到达$F_t = F_{t-1} + \alpha (A_{t-1} - F_{t-1})$。

3. 图示
   观察依据

   各项在引入时，其下方或旁边会添加标签。

1. 公式

   $$F_t$$
   解释

   从待定义的量出发：时间$t$处的预测值。

   步骤依据

   说话人边写左侧表达式边说：“t 时刻的预测值”

   视频直接表达
2. 公式

   $$F_t = F_{t-1}$$
   解释

   从上一次的预测值开始更新。

   步骤依据

   说话人说这等于“t 时刻减一的预测值，即上一次的预测值。”

   视频直接表达
3. 公式

   $$F_t = F_{t-1} + \alpha$$
   解释

   添加一个由平滑参数缩放的修正项。

   步骤依据

   说话人说：“加上 alpha，也就是所谓的平滑参数。”

   视频直接表达
4. 公式

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

   将$\alpha$乘以前一时期预测误差（实际值减去预测值）。

   步骤依据

   说话人写出并解释“〔actual t minus one〕减去〔forecast t minus one〕”，并将其理解为“我上次预测错了多少。”

   视频直接表达

所展示的递推公式通过加上前一次预测误差的 $\alpha$ 倍来更新旧的预测值。

1. 公式
   观察依据

   $F_2 = 20 + \alpha(20 - 20) = 20$

2. 声音
   观察依据

   第二期的预测值等于第一期的预测值，即20，再加上 alpha 乘以20减去20，因此结果为20

1. 公式

   $$F_2 = 20 + \alpha(20 - 20)$$
   解释

   将已知数值代入指数平滑公式。

   步骤依据

   已知 $F_1 = 20$，且 $A_1 = 20$。

   视频直接表达
2. 公式

   $$F_2 = 20$$
   解释

   化简该表达式。

   步骤依据

   算术运算。

   视频直接表达

F 下标 2 等于 20

1. 公式
   观察依据

   $F_3 = 20 + 0.1$（22 － 20）＝ 20 ＋ 0.2 ＝ 20.2

2. 声音
   观察依据

   第三期的预测值等于20（即第二期的预测值），加上0.1（即题目给定的平滑系数 α），再乘以22（即第二期的实际值）减去20（即第二期的预测值），结果等于20加上0.2（即该差值乘以0.1），最终等于20.2。

1. 公式

   $$F_3 = 20 + 0.1(22 - 20)$$
   解释

   将已算出的 $F_2$、给定的 α 和给定的 $A_2$ 代入公式。

   步骤依据

   F subscript 2 等于 20，α 等于 0.1，A subscript 2 等于 22。

   视频直接表达
2. 公式

   $$F_3 = 20 + 0.2$$
   解释

   计算差值，并乘以 α。

   步骤依据

   算术运算。

   视频直接表达
3. 公式

   $$F_3 = 20.2$$
   解释

   将各项相加。

   步骤依据

   算术运算。

   视频直接表达

F 下标 3 等于 20.2

1. 公式
   观察依据

   $F_4 = 20.2 + 0.1(18 - 20.2) = 19.98$

2. 声音
   观察依据

   第四期的预测值等于20.2加上0.1乘以18减去20.2。实际值更低，因此这是一个负数乘以0.1，抱歉，然后该数值会进一步降低，最终得到19.98。

1. 公式

   $$F_4 = 20.2 + 0.1(18 - 20.2)$$
   解释

   将已算出的$F_3$、给定的α以及给定的$A_3$代入公式。

   步骤依据

   $F_3 = 20.2$, $\alpha = 0.1$, $A_3 = 18$。

   视频直接表达
2. 公式

   $$F_4 = 19.98$$
   解释

   计算结果。

   步骤依据

   算术运算。

   视频直接表达

F 下标 4 等于 19.98

1. 公式
   观察依据

   $F_5 = 19.98 + 0.1$（21 - 19.98）= 20.1

2. 声音
   观察依据

   第五期的预测值等于19.98加上0.1乘以21减去19.98，结果为20.1

1. 公式

   $$F_5 = 19.98 + 0.1(21 - 19.98)$$
   解释

   将计算得到的 $F_4$、给定的 alpha 和给定的 $A_4$代入公式。

   步骤依据

   F subscript 4 等于 19.98，α 等于 0.1，A subscript 4 等于 21。

   视频直接表达
2. 公式

   $$F_5 = 20.1$$
   解释

   计算结果。

   步骤依据

   算术运算。

   视频直接表达

F 下标 5 等于 20.1

1. 公式
   观察依据

   F 下标 6 等于 20.3

2. 声音
   观察依据

   第六期的预测值很容易计算，结果为20.3。

1. $F_6$的中间计算步骤未展示或口述。

1. 公式

   $$F_6 = 20.3$$
   解释

   陈述最终计算得出的数值。

   步骤依据

   由说话人直接陈述，未展示代入和算术运算步骤。

   视频直接表达

F 下标 6 等于 20.3

1. 公式
   观察依据

   纸上写出 $F_2=20$，并将首列预测值标为 $α=0.1$。

2. 图示
   观察依据

   The $α=0.1$ 列包含 20，20.2，19.98，20.1，20.3 周 2 至 6。

3. 声音
   观察依据

   说话者说：“所以这是针对 alpha 等于一的情况。”

1. 该片段未展示 $α=0.1$列的每一步中间算术过程；仅可见最终列的数值。

1. 公式

   $$F_2 = 20$$
   解释

   $α=0.1$ 列中，第 2 周的初始预测值为 20。

   步骤依据

   $α=0.1$列下的可见表格条目。

   视频直接表达
2. 公式

   $$F_3=20+0.1(22-20)=20.2$$
   解释

   利用第2周的实际值22和第2周的预测值20，下一个预测值变为20.2。

   步骤依据

   该值与递推关系式一致，且等于表中$α=0.1$列第3周的可见值。

   依据视频推导
3. 公式

   $$F_4=20.2+0.1(18-20.2)=19.98$$
   解释

   利用第3周的实际值18和第3周的预测值20.2，下一个预测值变为19.98。

   步骤依据

   该值与递推关系式一致，且等于表中$α=0.1$列第4周的可见值。

   依据视频推导
4. 公式

   $$F_5=19.98+0.1(21-19.98)=20.082\approx20.1$$
   解释

   利用第4周的实际值21和第4周的预测值19.98，下一个预测值变为20.1。

   步骤依据

   该值与递推关系式一致，且等于表中$α=0.1$列第5周的可见值。

   依据视频推导
5. 公式

   $$F_6=20.082+0.1(22-20.082)=20.2738\approx20.3$$
   解释

   利用第5周的实际值22和第5周的预测值20.1，下一个预测值变为20.3。

   步骤依据

   该值与递推关系式一致，且等于表中$α=0.1$列第6周的可见值。

   依据视频推导

当 $α=0.1$ 时，表格在显示舍入后给出 20、20.2、19.98、20.1、20.3；若 $α=1$，预测值才会直接等于上一期实际值。

1. 图示
   观察依据

   The $α=0.3$ 列填入 20.6，19.8，20.2，20.7 周 3 至 6。

2. 声音
   观察依据

   讲话者说：“当α等于0.3时，我们唯一需要改动的是此处将由0.1变为0.3”，随后读出所得数值。

1. 该片段未展示$α=0.3$列中每一行的完整中间代数推导过程。

1. 公式

   $$F_2 = 20$$
   解释

   第2周的初始预测值再次为20。

   步骤依据

   $α=0.3$列下可见的表格单元格值。

   视频直接表达
2. 公式

   $$F_3 = 20 + 0.3(22-20) = 20.6$$
   解释

   第3 周预测值通过加上 30% 的第2 预测误差到第2 周的预测。

   步骤依据

   与递推关系及可见的 $α=0.3$ 列中第3 周的值匹配。

   依据视频推导
3. 公式

   $$F_4 = 20.6 + 0.3(18-20.6) = 19.8$$
   解释

   第4周的预测值使用了第3周的实际18值和第3周的预测20.6值。

   步骤依据

   与递推关系及可见的 $α=0.3$ 列中第4 周的值匹配。

   依据视频推导
4. 公式

   $$F_5 = 19.8 + 0.3(21-19.8) = 20.2$$
   解释

   第5周的预测值使用了第4周的实际21值和第4周的预测19.8值。

   步骤依据

   与递推关系及可见的 $α=0.3$ 列中第5 周的值匹配。

   依据视频推导
5. 公式

   $$F_6 = 20.2 + 0.3(22-20.2) = 20.7$$
   解释

   第6周的预测值使用第5周的实际22值和第5周的预测20.2值。

   步骤依据

   与递推关系及可见的 $α=0.3$ 周列的值为 6。

   依据视频推导

当 $α=0.3$ 时，每期预测值根据上一期预测误差的 30% 进行调整，得到该列数值：20、20.6、19.8、20.2、20.7。

1. 图示
   观察依据

   原片 $α=0.5$ 列写成 21、19.3、20.3、21.1；第 4 周的数值错误。

2. 声音
   观察依据

   旁白读出了同一组原片数值；独立代入可得第 4 周应为 19.5。

1. 该片段未展示 $α=0.5$ 列中每一行的完整中间代数推导过程。

1. 公式

   $$F_2 = 20$$
   解释

   第2周的初始预测值为20。

   步骤依据

   $α=0.5$ 列下的可见表格条目。

   视频直接表达
2. 公式

   $$F_3 = 20 + 0.5(22-20) = 21$$
   解释

   第3 周的预测值加上第2 对第周的预测误差2 预测。

   步骤依据

   与递推关系及可见的 α= 匹配0.5 列中第周的值3。

   依据视频推导
3. 公式

   $$F_4=21+0.5(18-21)=19.5$$
   解释

   第4周的预测值使用第3周的实际18值和第3周的预测21值。

   步骤依据

   与递推关系及可见的 α= 匹配0.5 列中第周的值4。

   依据视频推导
4. 公式

   $$F_5=19.5+0.5(21-19.5)=20.25\approx20.3$$
   解释

   代入修正后的第 4 周预测值，得到 20.25；保留一位小数为 20.3。

   步骤依据

   与递推关系及可见的 α= 匹配0.5 列中第周的值5。

   依据视频推导
5. 公式

   $$F_6=20.25+0.5(22-20.25)=21.125\approx21.1$$
   解释

   第6周的预测值使用第5周的实际22值和第5周的预测20.3值。

   步骤依据

   与递推关系及可见的 α= 匹配0.5 第几周的列值 6。

   依据视频推导

修正后的 $α=0.5$ 预测值为 20、21、19.5、20.25、21.125；按原片显示精度写作 20、21、19.5、20.3、21.1。原片把第 4 周误写为 19.3。

1. 图示
   观察依据

   在视频片段末尾，箭头从第2行指向第3行，并从第3行指向第4行。

2. 声音
   观察依据

   说话人说：“用二来预测三，用三来预测四，以此类推。”

1. 公式

   $$F_3 \leftarrow (A_2, F_2)$$
   解释

   从第2周指向第3周的箭头表明：第3周的预测值由第2周的实际值和预测值计算得出。

   步骤依据

   可见箭头加口头表述的索引规则。

   视频直接表达
2. 公式

   $$F_4 \leftarrow (A_3, F_3)$$
   解释

   从第3周指向第4周的箭头表明：第4周的预测值由第3周的实际值和预测值计算得出。

   步骤依据

   可见箭头加口头说明的索引规则。

   视频直接表达
3. 公式

   $$F_t \leftarrow (A_{t-1}, F_{t-1})$$
   解释

   该模式可推广至后续各期，每期均使用紧邻的上一行数据。

   步骤依据

   在演示的箭头之后，口头表述‘以此类推，以此类推’。

   依据视频推导

这些箭头编码了每个预测值对前一期实际值及前一期预测值的递归依赖关系。

1. 公式
   观察依据

   表格包含周次1–6及对应的实际值20、22、18、21、22。

2. 公式
   观察依据

   当$1 = 20$时的指数平滑预测

3. 公式
   观察依据

   使用 $α = 0.1$ 进行预测

4. 声音
   观察依据

   讲解者口述数据并建立问题情境。

1. 计算过程在完成前被截断。

利用所提供的每周实际数据、初始预测值20（第1，以及一个平滑参数 $\alpha = 0.1$。

1. 周数：1、2、3、4、5、6

2. 实际值：20、22、18、21、22

3. 第1周的初始预测（$F_1$）＝20

4. 平滑参数（$\alpha$）＝0.1

计算后续各周的预测值。

1. 公式

   $$F_1 = 20$$
   解释

   设定第1周的初始预测。

   步骤依据

   题目设定中已给出。

   视频直接表达
2. 公式

   $$\alpha = 0.1$$
   解释

   设定平滑参数。

   步骤依据

   题目设定中已给出。

   视频直接表达
3. 公式

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

   写出用于计算的公式。

   步骤依据

   指数平滑法的定义。

   视频直接表达

视频中展示的计算过程不完整。

视频中未展示。

1. 图示
   观察依据

   包含“周数”和“实际值”两列的表格，第三列正在填入预测值。

2. 声音
   观察依据

   使用 $α = 0.1$ 的指数平滑预测……

计算第2至第6周的指数平滑预测值，已知第1 至 5，第 1 周的初始预测值，以及平滑常数 $α = 0.1$。

1. 初始预测 $F_1 = 20$

2. 实际值：$A_1 = 20$，$A_2 = 22$，$A_3 = 18$，$A_4 = 21$，$A_5 = 22$

3. 平滑常数 $α = 0.1$

求 $F_2$、$F_3$、$F_4$、$F_5$ 和 $F_6$。

1. 公式

   $$F_2 = 20 + 0.1(20 - 20) = 20$$
   解释

   计算第2周的预测值。

   步骤依据

   使用指数平滑公式，代入 $F_1$ 和 $A_1$。

   视频直接表达
2. 公式

   $$F_3 = 20 + 0.1(22 - 20) = 20.2$$
   解释

   计算第3周的预测值。

   步骤依据

   使用公式，代入 $F_2$ 和 $A_2$。

   视频直接表达
3. 公式

   $$F_4 = 20.2 + 0.1(18 - 20.2) = 19.98$$
   解释

   计算第4周的预测值。

   步骤依据

   使用包含 $F_3$ 和 $A_3$ 的公式。

   视频直接表达
4. 公式

   $$F_5 = 19.98 + 0.1(21 - 19.98) = 20.1$$
   解释

   计算第5周的预测值。

   步骤依据

   使用包含 $F_4$ 和 $A_4$ 的公式。

   视频直接表达
5. 公式

   $$F_6 = 20.3$$
   解释

   陈述第6周的预测值。

   步骤依据

   在画面外或由讲述者心算得出。

   视频直接表达

F 下标2等于20，F 下标3等于20.2，F 下标4等于19.98，F 下标5等于20.1，F 下标6等于20.3

将计算出的数值填入纸上的表格中。

1. 图示
   观察依据

   一张手写表格列出了第1周至第6周、实际值20、22、18、21、22，以及三列分别标注为 $α=0.1$、$α=0.3$ 和 $α=0.5$ 的预测值。

2. 声音
   观察依据

   讲解者朗读并比较不同 α 取值对应的预测结果。

3. 公式
   观察依据

   递推公式 $F_t = F_{t-1} + α(A_{t-1} - F_{t-1})$ 写在表格下方。

1. 该片段未说明销售数据的实际来源，仅指出其为每周销售数据。

已知第 1–5 周实际销量为 20、22、18、21、22，且第 2 周初始预测值为 20，比较 $α=0.1$、$α=0.3$、$α=0.5$ 的预测结果。

1. 实际销售数据：第1周 = 20，第2周 = 22，第3周 = 18，第4周 = 21，第5周 = 22。

2. 在每一列 α 对应的预测中，第2周的初始预测值均为20。

3. 预测规则：$F_t = F_{t-1} + α(A_{t-1} - F_{t-1})$。

4. 所用比较参数值：$α=0.1$，$α=0.3$，$α=0.5$。

填写第2周至第6周的预测表，并对比不同α值对预测结果的影响。

1. 公式

   $$\alpha=0.1:\quad 20,\ 20.2,\ 19.98,\ 20.1,\ 20.3$$
   解释

   在三列中，$α=0.1$ 对最新实际值的响应最弱。

   步骤依据

   显示$α=0.1$列中的表格数值。

   视频直接表达
2. 公式

   $$\alpha=0.3:\quad 20,\ 20.6,\ 19.8,\ 20.2,\ 20.7$$
   解释

   接着使用相同递推公式、但采用更小的平滑权重，写出$α=0.3$列。

   步骤依据

   显示$α=0.3$列中的表格数值，并口头说明仅α值发生变化。

   视频直接表达
3. 公式

   $$\alpha=0.5:\quad 20,\ 21,\ 19.5,\ 20.3,\ 21.1$$
   解释

   修正后的 $α=0.5$ 列把原片错误的 19.3 改为 19.5；后续显示值与保留精度的递推一致。

   步骤依据

   对原片 $α=0.5$ 列第 4 周算术错误的编辑修正。

   视频直接表达
4. 公式

   $$F_3 \text{ uses } A_2,F_2;\quad F_4 \text{ uses } A_3,F_3$$
   解释

   最后，画出箭头以强调每个预测均基于前一行数据。

   步骤依据

   显示箭头，并口头提示索引关系。

   视频直接表达

修正后的对比：$α=0.1$ 为 20、20.2、19.98、20.1、20.3；$α=0.3$ 为 20、20.6、19.8、20.2、20.7；$α=0.5$ 为 20、21、19.5、20.3、21.1。原片在第 4 周误把 19.5 写成 19.3。

用未舍入的数值独立递推，确认 $α=0.5$ 的第 4 周为 19.5，此后依次为 20.25、21.125。

1. 图示
   观察依据

   屏幕上显示一张标题为“指数平滑”的纸页，说话人一边讲解一边用笔示意。

1. 手写标题：“指数平滑”

2. 笔

3. 标题下方的空白纸面

1. 主讲人先在空白区域做手势，再书写公式。

1. 页面标题始终显示在顶部。

该画面在引入任何符号之前，先确立本节主题。

1. 图示
   观察依据

   公式逐步写出，并用箭头和标签加以注释。

2. 公式
   观察依据

   最终可见的等式是$F_t = F_{t-1} + \alpha (A_{t-1} - F_{t-1})$。

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

2. 从$F_{t-1}$引出的箭头，标注为“上期预测值”和“水平分量”

3. 从$\alpha$引出的箭头，标注为“平滑参数”

4. 从$A_{t-1}$引出的箭头，标注为“上一时期的实际值”

1. 第一个$F_t = F_{t-1}$被写出。

2. 然后加上$+\alpha$。

3. 接着补全括号内的误差项$(A_{t-1} - F_{t-1})$。

4. 在对应各项的下方或旁边添加标签。

1. 主方程写好后仍居中显示于页面上。

2. 每条注释均指向其所解释的项。

视觉注释将每个符号映射到其预测含义：先前预测值、平滑权重和先前实际值。

1. 动画
   观察依据

   手写指数平滑公式，并在纸上解释 alpha 对结果的影响。

1. 纸张

2. 笔

3. 手

4. 公式文字

1. 纸上书写文字，用于解释公式以及高 alpha 值与低 alpha 值的影响。

1. 镜头角度固定对准纸张。

数学公式的视觉演示及其概念组成部分。

1. 动画
   观察依据

   手移走第一张纸，换上一张空白纸。

1. 两张纸

2. 手

1. 第一张纸被移走，一张空白纸被放在桌面上。

1. 摄像机角度保持固定。

从理论讲解过渡到实际应用。

1. 动画
   观察依据

   用手书写“周数”与“实际值”的表格，并设定问题参数。

1. 空白纸

2. 笔

3. 手

4. 表格文字

1. 绘制一张包含“周数”和“实际值”两列的表格并填入数据，问题参数写在表格下方。

1. 摄像机角度固定在纸面上。

指数平滑法数值示例的视觉呈现。

1. 动画
   观察依据

   手写将计算出的预测值填入表格的第三列。

1. 一张带有表格的纸

2. 一支笔

3. 手

1. 第三列中的空白单元格填入数值（20、20.2、19.98、20.1、20.3）。

1. 表格的整体结构保持不变。

2. “周数”列和“实际值”列均保持不变。

视觉操作演示了指数平滑公式逐步应用的过程，以生成一系列预测值。

1. 动画
   观察依据

   原片依次填写 $α=0.1$、$α=0.3$、$α=0.5$ 列；$α=0.5$ 的第 4 周写成 19.3，应为 19.5。

2. 图示
   观察依据

   纸上展示了一个结构化的表格，包含“周数”“实际销量”以及三列以不同 α 值标记的预测列。

1. 手写表格，含“周数”和“实际销量”两列

2. 预测列分别标记为 $α=0.1$、$α=0.3$、$α=0.5$

3. 用笔书写数字条目

1. $α=0.1$ 列最先填写完毕。

2. $α=0.3$ 列随后被添加。

3. $α=0.5$ 列最后被添加。

4. 最终画面将三条预测序列并排呈现，便于比较。

1. ‘周数’列与‘实际销量’列保持不变，而预测列则逐列填入数值。

2. 所有三列均采用相同的递推公式。

3. 初始预测值 20 第 2 周的预测值在三列中均相同。

直观的版式设计使观众能够对比：在相同实际销售历史的前提下，不同的平滑参数如何生成不同的预测轨迹。

1. 动画
   观察依据

   在接近末尾处，从第2行指向第3行、以及从第3行指向第4行，分别画出了箭头。

2. 声音
   观察依据

   讲解者说明：“用二来算三，用三来算四，以此类推。”

1. 第2周、第3周和第4周对应的行

2. 相邻行之间手绘的箭头

3. 笔尖指示特定单元格

1. 从第2周所在行向第3周所在行画出一个箭头。

2. 另一个箭头从第3周所在行指向第4周所在行。

3. 手势从书写数值转变为指向行与行之间的关系。

1. 数值表格的内容在本讲解过程中保持不变。

2. 递推公式始终是主导规则。

箭头明确表明，每个预测值均由前一时期的实际值和预测值计算得出，从而强化了该递推关系的滞后结构。

1. 声音
   观察依据

   说话人开头说道：“所以如果 alpha 很高，你就给予更多……”，但该句在本片段中未说完。

1. 所提供片段中未包含确切的后续内容。

观众可能从这句未完成的话中推断出高平滑参数的完整影响。

在本片段中，唯一明确说出的内容是：较高的$\alpha$意味着“你给予更多”某物；其余部分在片段结束前未能听到。

1. 公式
   观察依据

   第 t 期的预测值等于第 t 减 1 期的预测值，加上阿尔法乘以第 t 减 1 期的实际值与第 t 减 1 期的预测值之差。

学习者在计算第 t 期的预测值时，可能错误地使用当前期的实际值（$A_t$），而非前一期的实际值（$A_{t-1}$）。

标准指数平滑公式使用最新观测到的实际值（$A_{t-1}$）来更新上一期的预测值（$F_{t-1}$），从而得出新的预测值（$F_t$）。本视频始终采用这种正确的下标设定。

1. 声音
   观察依据

   说话人说：“这是学生常犯的一个错误。”

2. 声音
   观察依据

   他强调要分清“你正在预测哪个时期，以及使用哪些数字”。

3. 图示
   观察依据

   在相邻行之间画出箭头，以说明正确的滞后使用方式。

学生可能混淆待预测的时期，以及应将哪个时期的实际值和预测值代入递推公式。

该片段强调：要预测第t期，需使用第t-1期的实际值和预测值；讲师用从第2行指向第3行、以及从第3行指向第4行的箭头标示这一点。

1. 声音
   观察依据

   说话人反复对比$α=0.1$、$α=0.3$和$α=0.5$，并指出较大的α赋予最近销售数据更高的权重。

1. 这是分析师依据视频强调内容所提出的警示，并非音频中单独命名的误解。

人们可能认为，仅改变α只是改变了记号，并未实质性地改变预测行为。

具体对比显示，当$α=0.1$、$α=0.3$和$α=0.5$时，数值预测序列各不相同；讲师明确指出，α越大，对近期实际值的响应越强。

1. 声音
   观察依据

   说话人称指数平滑法是“一种更高级的加权移动平均预测方法”，并将其与朴素法、简单移动平均法和加权移动平均法进行对比。

本片段将指数平滑介绍为加权移动平均法的一种更高级的同类方法，随后通过递推公式具体呈现这一思想。

1. 公式
   观察依据

   在$F_t = F_{t-1} + \alpha (A_{t-1} - F_{t-1})$中，$\alpha$直接乘以误差项。

2. 声音
   观察依据

   主讲人将$\alpha$称为平滑参数，并开始解释当它取值较高时会发生什么。

$\alpha$的含义取决于其在公式中的位置：它对修正项$(A_{t-1}-F_{t-1})$进行缩放。