Ang
Single Exponential Smoothing, SES sa madaling salita, tinatawag ding Simple Exponential Smoothing, ay isang time series na paraan ng pagtataya para sa univariate na data na walang trend o seasonality. Nangangailangan ito ng isang parameter, na tinatawag na alpha (a), na tinatawag ding smoothing factor o smoothing coefficient.
Paano mo sinusuri ang exponential smoothing?
I-interpret ang mga pangunahing resulta para sa Single Exponential Smoothing
- Hakbang 1: Tukuyin kung akma ang modelo sa iyong data.
- Hakbang 2: Ihambing ang akma ng iyong modelo sa iba pang mga modelo.
- Hakbang 3: Tukuyin kung tumpak ang mga hula.
Paano mo pipiliin ang Alpha para sa exponential smoothing?
Pinipili namin ang pinakamahusay na halaga para sa \alpha kaya ang halaga na nagreresulta sa pinakamaliit na MSE. Ang kabuuan ng mga squared error (SSE)=208.94. Ang ibig sabihin ng mga squared error (MSE) ay ang SSE /11=19.0. Ang MSE ay muling kinakalkula para sa \alpha=0.5 at naging 16.29, kaya sa kasong ito mas gusto namin ang isang \alpha na 0.5.
Kailan mo gagamit ng exponential smoothing?
Ang
Exponential smoothing ay isang paraan upang maayos ang data para sa mga presentasyon o para gumawa ng mga hula. Karaniwan itong ginagamit para sa pananalapi at ekonomiya. Kung mayroon kang time series na may malinaw na pattern, maaari kang gumamit ng mga moving average - ngunit kung wala kang malinaw na pattern maaari kang gumamit ng exponential smoothing upang hulaan.
Paano mo kinakalkula ang simpleng exponential smoothing?
Ang pagkalkula ng exponential smoothing ay ang mga sumusunod: Ang pinakahuling demand ng panahon na na-multiply sa smoothing factor. Ang pinakahuling hula ng panahon na pinarami ng (isang binawasan ng smoothing factor). S=ang smoothing factor na kinakatawan sa decimal form (kaya 35% ay kinakatawan bilang 0.35).
