Расчёт экспоненциального сглаживания: формула, примеры и онлайн-калькулятор

Представьте, что вы смотрите на график продаж мороженого: сегодня продали 100 порций, вчера – 80, позавчера – 120. Какой прогноз на завтра? Просто среднее арифметическое? Но оно не учитывает, что свежие данные важнее старых. Экспоненциальное сглаживание – это метод, который присваивает больший вес последним наблюдениям и постепенно «забывает» прошлое. Суть: каждое новое сглаженное значение = комбинация текущего факта и предыдущего сглаженного значения, с коэффициентом, который регулирует скорость адаптации.

Метод незаменим для краткосрочного прогнозирования, когда данные не имеют чёткого тренда или сезонности (или когда эти эффекты слабы). Он прост, быстр и даёт понятную интерпретацию. Если вам нужно спрогнозировать загрузку сервера на завтра или оценить качество продукции в партии – это ваш инструмент.

Давайте разберём формулу как любимую пиццу:

• Sₜ – сглаженное значение на текущий момент t (например, прогноз продаж на сегодня).
• Yₜ – фактическое наблюдаемое значение в момент t (реальные продажи сегодня).
• α (альфа) – коэффициент сглаживания, от 0 до 1. Это «скорость обучения»: чем α ближе к 1, тем быстрее модель реагирует на изменения, но становится более шумной; чем ближе к 0, тем она стабильнее, но медленнее адаптируется.
• Sₜ₋₁ – сглаженное значение на предыдущий момент t-1 (прогноз на вчера).

Как это работает: мы берём новый факт (Yₜ), берём старый прогноз (Sₜ₋₁) и смешиваем их в пропорции α/(1-α). Если α=0.2, новый факт влияет на 20%, старый прогноз – на 80%. Постепенно влияние каждого наблюдения затухает экспоненциально – отсюда и название.

Данные: ежедневные продажи кофе (чашки): понедельник – 50, вторник – 60, среда – 55. α = 0.3. Начальное сглаженное значение S₀ принимаем равным первому факту: S₀ = 50.

1. Понедельник (t=1): Y₁=50, S₀=50 → S₁ = 0.3×50 + 0.7×50 = 50. Прогноз на вторник = 50.
2. Вторник (t=2): Y₂=60, S₁=50 → S₂ = 0.3×60 + 0.7×50 = 18 + 35 = 53. Прогноз на среду = 53.
3. Среда (t=3): Y₃=55, S₂=53 → S₃ = 0.3×55 + 0.7×53 = 16.5 + 37.1 = 53.6. Прогноз на четверг = 53.6.

Прогноз на четверг – 53.6 чашки. Видно, что модель не скачет вслед за случайностями, а сглаживает колебания. Совет: для первого шага начальное значение можно брать как среднее первых 3-5 наблюдений.

Если данные явно растут или падают, простое сглаживание будет отставать. Тогда применяют двойное сглаживание (метод Хольта).

Здесь Sₜ – сглаженный уровень, Tₜ – трендовая компонента. β – коэффициент сглаживания тренда (0.1–0.3).

Пример: продажи: 100, 110, 120, 130. α=0.3, β=0.2. Начальные: S₁=100, T₁=10 (первый прирост).

1. t=2: S₂=0.3×110+0.7×(100+10)=33+77=110; T₂=0.2×(110-100)+0.8×10=2+8=10. Прогноз на шаг вперёд = S₂+T₂=120.
2. t=3: S₃=0.3×120+0.7×(110+10)=36+84=120; T₃=0.2×(120-110)+0.8×10=2+8=10. Прогноз = 130.
3. t=4: S₄=0.3×130+0.7×(120+10)=39+91=130; T₄=0.2×(130-120)+0.8×10=2+8=10. Прогноз = 140.

Модель точно улавливает тренд. Важно: прогноз на m шагов вперёд = Sₜ + m·Tₜ.

Когда данные имеют повторяющиеся сезонные паттерны (например, продажи мороженого выше летом), добавляют сезонную компоненту. Модель Хольта-Уинтерса включает три уравнения: уровень, тренд и сезонность.

Не будем пугать формулами – суть в том, что для каждого сезона (месяца, квартала) рассчитывается свой коэффициент. На практике это удобнее доверить Калькулятору экспоненциального сглаживания, который сам подберёт параметры и выдаст готовый прогноз. Вручную считать тройное сглаживание муторно, но понимание принципа помогает интерпретировать результаты.

Пример: продажи за 2 года с квартальной сезонностью. Метод декомпозирует ряд на тренд, сезонность и остаток, затем прогнозирует каждый компонент.

Выбор α – ключевой момент. Чаще всего его подбирают экспериментально, минимизируя ошибку прогноза (например, MSE – среднюю квадратичную ошибку).

Подсказка: многие аналитические пакеты автоматически оптимизируют α. Если считаете вручную – попробуйте несколько значений и выберите то, при котором ошибка прогноза минимальна. Для двойного и тройного сглаживания формулы становятся громоздкими – используйте онлайн-инструменты.

• Неправильный начальный уровень: если взять S₁ = 0, первые прогнозы будут сильно смещены. Лучше использовать среднее первых наблюдений или первый факт.
• Слепое применение простого сглаживания при тренде: если данные растут, модель будет систематически занижать прогноз. Используйте двойное сглаживание.
• Игнорирование сезонности: если продажи каждый декабрь взлетают, простая модель не справится. Применяйте тройное сглаживание или предварительно очищайте ряд от сезонности.
• Слишком высокое α: модель становится «нервной», реагирует на каждый случайный всплеск. Высокий α (0.9) хорош только для очень шумных данных, где нужно быстро отследить смену режима.

Ручной расчёт – отличная тренировка, но в реальной работе время дорого. Специально для вас мы подготовили Калькулятор экспоненциального сглаживания. Просто введите ряд данных и α, а калькулятор мгновенно построит сглаженный ряд и прогноз на следующий период. Поддерживается простое, двойное и тройное сглаживание. Больше не надо мучиться с таблицами – результат за секунду.

1. Задача 1: Продажи за 3 дня: 20, 25, 22. α=0.2, S₁=20. Найдите S₂ и S₃.
   Ответ: S₂=0.2×25+0.8×20=5+16=21; S₃=0.2×22+0.8×21=4.4+16.8=21.2.
2. Задача 2: При α=0.9 факт Yₜ=100, предыдущий прогноз Sₜ₋₁=90. Чему равен новый прогноз?
   Ответ: Sₜ=0.9×100+0.1×90=90+9=99.
3. Задача 3: Если ряд с явным ростом, какую модификацию стоит применить?
   Ответ: Двойное экспоненциальное сглаживание.