在线指数平滑计算器

简单指数平滑的递推式是 Sₜ = α·xₜ + (1−α)·Sₜ₋₁：新预测是「最新观测」与「上一期预测」的加权混合。展开后历史数据的权重呈指数衰减 (1−α)ᵏ，故名指数平滑——它使用了全部历史，而非移动平均的有限窗口。

α 控制记忆长度：α 大则紧跟最新数据（适合突变序列），α 小则平滑稳定（适合噪声大的序列）。最优 α 可用网格搜索按误差最小选取。工具输出逐期拟合值、下一期预测与 MAE、MAPE 误差指标。

指数平滑的精髓在递推式：本期平滑值 = α×新观测 + (1−α)×旧平滑值。展开后历史第 i 期的权重是 α(1−α)ⁱ，按几何级数向前衰减——越旧的数据影响越小，且权重天然归一。与移动平均「一刀切忘掉窗口外数据」不同，指数平滑是「温柔地渐渐淡忘」，理论上记得全部历史，只是久远的记忆权重趋近于零。

简单指数平滑（SES）只估计水平项，适用于无趋势无季节的平稳序列；Holt 双指数平滑增加趋势项，能跟随线性增长；Holt-Winters 三指数平滑再加季节项，覆盖绝大多数业务序列。三者是同一个框架的逐级扩展，α、β、γ 三个系数分别控制水平、趋势、季节的更新速度。现代状态空间模型（ETS）把它们统一进了带概率解释的体系。

α 的选择本质是在「抗噪」与「跟随」之间下注：α 小则把新数据当噪声打折吸收，序列平滑但对真实变化反应迟钝；α 大则紧跟最新数据，可能把噪声误认为信号。实务上常用历史数据做滚动回测，选使一步预测误差（MAE 或 RMSE）最小的 α，许多软件可自动寻优。评估平滑前序列本身的离散程度可参考标准差。