一句话回答
指数平滑是一种时间序列方法:对历史观测做加权平均,权重按指数衰减,近期数据占大头。只有一个常数 α(0–1)决定取舍:α 大跟得快,α 小稳得住。平滑值同时就是下一期的一步预测。
公式: S_t = α·x_t + (1−α)·S_{t−1},0 < α < 1
什么是指数平滑?
在预测方法里,指数平滑是一种时间序列方法:它算的是一种「滚动平均」,每个历史观测都保留权重,但数据越旧、权重按指数衰减得越小。近期数据占主导,旧数据逐渐淡出,而不是被直接丢掉。整个方法只有一个参数——平滑常数 α(alpha,取值 0 到 1 之间),它决定取舍:α 大,曲线紧贴最新数据;α 小,曲线更平稳。这就是整篇文章的核心观点:平滑常数 α 取多大,直接决定这条曲线是「跟得快」还是「稳得住」,后面会用同一组数据把这句话算给你看。
同一个递推式能干两件事。当平滑器用,它把锯齿状的日数据——比如在 95 到 180 之间乱跳的网站会话数——变成一条能读出趋势的线。当预测器用,当前的平滑值直接就是明天的一步预测。NIST/SEMATECH e-Handbook 正是这样定义它的:给过去的观测赋指数递减的权重,用来预测未来值(NIST §6.4.3.1)。它是时间序列分析里常用的基线方法,因为只需要一个参数、存一个数、每期做一行算术。
公式怎么理解
简单指数平滑(SES)的递推公式是:
S_t = α · x_t + (1 − α) · S_{t−1} 0 < α < 1
x_t——第 t 期的观测值(比如今天的会话数)。S_{t−1}——上一期的平滑值,它已经概括了之前的全部历史。S_t——新的平滑值:在「刚看到的」和「原本相信的」之间做插值。α——放进来多少今天的新数据。α = 0.3 就是「三成新数据、七成历史」。
两种等价读法能让行为一目了然。改写成 S_t = S_{t−1} + α·(x_t − S_{t−1}),它是误差修正:把旧估计朝新观测的方向挪动差距的 α 倍。反复代入展开,它是全部历史数据的加权和,权重依次为 α、α(1−α)、α(1−α)²……——几何级数衰减,「指数」二字由此而来。α = 0.3 时,最近五个观测的权重是 0.3、0.21、0.147、0.1029、0.07203(NIST);α = 0.8 时是 0.8、0.16、0.032、0.0064、0.00128——三期之前的历史基本被忘光。
一个记号陷阱:NIST e-Handbook 写的是 S_t = α·y_{t−1} + (1−α)·S_{t−1}(Hunter 记法,S_t 表示对第 t 期的预测),而 Hyndman 的《预测:原理与实践》和 EWMA 控制图文献用的是上面这种当期观测形式(Roberts,1959)。两者是同一个模型错开一期——比较不同工具的输出前,先确认各自用的是哪种约定。
算例:6 天数据、两个 α
示例数据:一个小网站连续 6 天的日会话数,第 4 天有一次尖峰(链接被分享到了一封邮件通讯里)。按常见约定初始化:S₁ = x₁ = 100。
| 天 | 1 | 2 | 3 | 4 | 5 | 6 |
|---|---|---|---|---|---|---|
| 会话数 x_t | 100 | 110 | 95 | 180 | 105 | 100 |
α = 0.3,每一步都写出来(每行都是 0.3·x_t + 0.7·S_{t−1}):
| 天 | 算式 | S_t |
|---|---|---|
| 1 | S₁ = x₁ | 100 |
| 2 | 0.3×110 + 0.7×100 = 33 + 70 | 103 |
| 3 | 0.3×95 + 0.7×103 = 28.5 + 72.1 | 100.6 |
| 4 | 0.3×180 + 0.7×100.6 = 54 + 70.42 | 124.42 |
| 5 | 0.3×105 + 0.7×124.42 = 31.5 + 87.094 | 118.594 |
| 6 | 0.3×100 + 0.7×118.594 = 30 + 83.0158 | 113.016 |
α = 0.8 并排对比(同一组数据、同样的初始化):
| 天 | x_t | S_t(α=0.3) | S_t(α=0.8) |
|---|---|---|---|
| 1 | 100 | 100 | 100 |
| 2 | 110 | 103 | 108 |
| 3 | 95 | 100.6 | 97.6 |
| 4 | 180 | 124.42 | 163.52 |
| 5 | 105 | 118.59 | 116.70 |
| 6 | 100 | 113.02 | 103.34 |
从第 4 天往后读。尖峰把 α = 0.8 的曲线拉到 163.52——这条「趋势线」等于宣称网站日常有约 164 个会话,这就是追噪声:到第 6 天又跌回 103.34,两个方向都过冲。α = 0.3 只把尖峰吸收到 124.42,回落也更慢(第 6 天还有 113.02)——更稳,但有滞后:113 里有一部分仍是尖峰残留,而不是真实的 100–110 水平。
用误差打分。把每个 S_{t−1} 当作对 x_t 的一步预测,取第 2–6 天的平均误差(MAE):
- α = 0.3 的误差:|110−100| = 10、|95−103| = 8、|180−100.6| = 79.4、|105−124.42| = 19.42、|100−118.594| = 18.594 → MAE = 135.414 ÷ 5 = 27.08
- α = 0.8 的误差:10、13、82.4、58.52、16.704 → MAE = 180.624 ÷ 5 = 36.12
在这组数据上,「稳得住」的设置平均每天少错 9 个会话,而且差距几乎全部来自尖峰后的那一天(19.42 对 58.52):跟得快的曲线把一次性事件当成了新常态,第二天就被现实打了回来。这就是核心观点的数字版:α 决定跟得快还是稳得住;在有偶发尖峰的噪声数据上,跟得快是要付出代价的。反过来,如果你的序列真的跃升到一个新水平并停在那里,排名就会反转——所以要在自己的数据上给 α 打分,而不是照抄默认值。
α 和初始值怎么选
从上面的算术能推出几条规则:
- 打分,别猜。对一组 α(比如 0.1 到 0.9)分别算一步预测误差,选 MSE 或 MAE 最小的那个——NIST 在它的 12 期观测算例里演示的就是这个流程(NIST §6.4.3.1)。统计软件优化 α 用的也是同一套办法(FPP3 §8.1)。
- 把 α 换算成滞后。SES 预测里数据的平均「年龄」是 1/α 期(Nau,Duke):α = 0.3 → 约 3.3 天,α = 0.1 → 10 天。如果你要求曲线三天内对变化有反应,低于 0.3 的 α 做不到。
- 初始值要有意为之。S₁ = x₁ 很常见,但会把初始那天的噪声注入之后的每个值。替代方案:取前 4–5 个观测的均值,或已知的目标水平。α 越小,糟糕的初始值残留得越久(NIST)——只有 6 天数据时,把前两三个平滑值当作预热期。
- 知道两个极端。α = 1 退化成「明天 = 今天」(随机游走);α = 0 冻结在初始值。两者都起不到平滑作用。
简单指数平滑、Holt、Holt-Winters 对照
SES 只跟踪水平项,所以它的预测是平的:未来每一期都等于最后一个平滑值(FPP3 §8.1)。两种扩展各加一个成分,也各多一个平滑常数:
| 方法 | 成分 | 额外参数 | 什么时候用 | 典型数据 |
|---|---|---|---|---|
| 简单指数平滑(SES) | 水平 | α | 无趋势、无季节性 | 稳定网站的日会话数 |
| Holt 线性(二次) | 水平 + 趋势 | α、β | 持续增长或下滑,无季节性 | 逐月复合增长的注册数 |
| Holt-Winters(三次) | 水平 + 趋势 + 季节 | α、β、γ、周期 m | 有按周/按年重复的周期 | 周末明显回落的 B2B 流量(见季节性) |
Holt-Winters 分加法(季节波动是固定量)和乘法(波动随水平等比例放大)两种(FPP3 §8.3)。判断规则:SES 的残差里还有斜率,升级到 Holt;残差里有重复周期,升级到 Holt-Winters。把 SES 硬用在强季节性数据上——比如工作日占大头的 B2B 会话——每个周一都会像异常;那是模型选错了,不是流量出了问题。
指数平滑和移动平均差在哪
移动平均对最近 m 个观测一视同仁,更早的数据直接扔掉;指数平滑则是逐渐打折,永远不完全遗忘。Duke 的讲义给了一个干净的对比口径:m 期移动平均的数据平均年龄是 (m+1)/2,SES 是 1/α——所以取 α = 2/(m+1) 的 SES 与 m 期移动平均滞后相同,但给最新数据更多权重(Nau)。
还是那组示例数据,在共同窗口第 4–6 天上比预测 MAE:3 日移动平均的预测是 101.67、128.33、126.67(误差 78.33、23.33、26.67;MAE 42.78),而 SES α = 0.3 在同样三天上是 39.14。移动平均还会把尖峰整整背三天,然后断崖式甩掉;SES 则按几何级数让它淡出。实用规则:做图表叠线或单参数的告警基线,SES 每条序列只存一个数、一行代码就能更新——m 期移动平均得留着最近 m 个原始值。
用平滑基线做异常检测
误差修正形式天然就是异常检测的残差:e_t = x_t − S_{t−1},含义是「今天 vs 近期历史让你预期的水平」。示例数据里,第 4 天的残差是 180 − 100.6 = 79.4 个会话,比平滑基线高约 79%——值得标记;第 5 天对更新后基线的残差只有 −19.4。
α 的取舍在这里更有分量。α 大,尖峰会把基线抬高,于是第二天真正偏高的流量反而显得正常(α = 0.8 在第 5 天预期 163.52,把 105 看成「下跌」)。α 小,基线更诚实,但对真实的水平跃迁反应慢,合理的阶跃变化之后会连续误报。两道护栏:先在留出窗口上给残差打分再定阈值;记住 SES 没有季节项——遇到按周的周期,要么同星期几对比,要么改用 Holt-Winters 的残差。
常见误区
- 照抄教程里的 α = 0.3。那是教学默认值,不是最优解。如果在你的数据上 α = 0.6 的一步 MAE 更低,就用 0.6。
- 把平滑曲线当多步预测读。SES 的预测是平的。要下个季度的轨迹,那是趋势/季节模型或一套正经的营销预测流程,不是把 SES 硬拉长。
- 让尖峰去教基线。同一条序列又平滑又告警时,偶发尖峰会抬高基线,掩盖第二天真正的问题。更新基线前先冻结或截尾已知的一次性事件。
- 忽略预热期。S₁ = x₁ 时,最初几个平滑值大部分是初始化噪声。算误差、定阈值之前,跳过开头几期。
- 混用两种约定。Hunter 式(y_{t−1})和 Roberts 式(y_t)差一期;不先对齐就比较不同工具的输出,会觉得其中一个「慢了一天」。
在 TapCub 数据上做平滑
把上面六天的算例换成你自己的真实会话数来跑。先说边界:TapCub 没有指数平滑函数,也不做指数平滑预测,监控的所有判定方式里也没有按指数加权的基线。平滑是你在 TapCub 数据上自己做的算术,分四步:
- 拿到干净的日序列。在网站统计 › 数据报表里把粒度设成天,保留会话数这一列,导出表格(CSV 或 XLSX)。机器人和 AI 爬虫默认单独统计(网站统计 › 机器人),你平滑的是真人会话,爬虫的一阵抓取不会冒充流量尖峰。
- 在电子表格里平滑并给 α 打分。B 列放观测值、C 列放平滑值,
=0.3*B3+0.7*C2就是整个模型,和算例完全一样。再加一列一步预测误差,在 α = 0.1 到 0.9 之间比较 MAE,再决定用哪个。 - 用监控现有的基线来告警。在全端分析 › 智能运营 › 监控里,内置量
sessions可以选「预测基线」(近 7 天与过去同星期的均值,历史不足 14 天不判断)或「异常检测」(近 28 天同星期的均值和波动)。两者都是等权平均,更接近移动平均而不是 SES;按同星期比较,本身就避开了让 SES 误报的周周期。试运行会告诉你过去 30 天这条规则会触发几次,拿它和你自己 SES 残差标出的日子对一对,比如那个 79.4 次会话的尖峰。监控只通知,不替你做任何操作。 - 先解释被标出的那天,别让它教坏基线。在配置 › 日期标注里把发简报那天标出来,免得尖峰被当成新水平;再在全端分析 › 智能运营 › AI 助手里打开「变化归因」,看每个渠道、来源域名、国家、设备或着陆页对这次变化贡献了多少。
所以分工是:TapCub 提供干净的日数据、导出、等权的告警基线和变化归因;平滑递推,以及建立在它上面的任何预测,留在你的电子表格里。你在那里选的 α,依然决定基线是跟得快还是稳得住。
资料来源
- NIST/SEMATECH e-Handbook of Statistical Methods,§6.4.3.1 Single Exponential Smoothing。2026-11-15 核对。
- Hyndman, R.J. & Athanasopoulos, G.,Forecasting: Principles and Practice(第 3 版)第 8 章:Exponential smoothing,OTexts。2026-11-15 核对。
- Nau, R.,杜克大学(Fuqua 商学院),Moving average and exponential smoothing models。2026-11-15 核对。
- Wikipedia,Exponential smoothing。2026-11-15 核对。
这个解释清楚吗?
我们会根据反馈修改和补充这篇内容。
提交没有成功,请稍后再试。
谢谢你的反馈,我们会据此改进这篇内容。你已经反馈过这篇了,谢谢。
