注： | 本节介绍非季节性和季节性时间序列预测方法，不包括 Box-Jenkins ARIMA 方法。有关这些方法的信息，请参阅“使用 ARIMA 时间序列预测方法”。 |
您可以使用多种不同的时间序列预测方法来预测历史数据。一些方法最适合特定类型的数据：
季节性数据（随时间以定期循环的形态升高或降低；图 3.4 “季节性数据（左侧）和趋势数据（右侧）”，左侧）
趋势数据（随时间不断升高或降低；图 3.4 “季节性数据（左侧）和趋势数据（右侧）”，右侧）
无趋势或无季节性数据
除这些类别以外，还存在两种类型的季节性方法：叠加和乘数。叠加季节性形态振幅比较稳定，乘数季节性形态振幅随时间不断增大或减小。阻尼趋势方法可以呈现非季节性或季节性特点，还会随时间推移出现衰减。
图 3.5 “不同方法的曲线” 说明了不同的非季节性和季节性曲线。
对于时间序列预测，任何典型时间序列预测方法都应该在不同的程度上行之有效。但是，每种方法都有其自己的用途，如表 3.1 “选择典型时间序列预测方法” 及其后面的汇总段落中所述。有关每种典型方法的更多信息，请参阅《Oracle Crystal Ball Reference and Examples Guide》的预测器部分。
表 3.1. 选择典型时间序列预测方法
|
无趋势或无季节性 |
只有趋势，无季节性 |
只有季节性，无趋势 |
既有趋势，又有季节性 |
|---|---|---|---|
|
一次指数平滑法 |
二次指数平滑法 |
季节性叠加法 |
Holt-Winters 叠加法 |
|
一次移动平均法 |
二次移动平均法 |
季节性乘数法 |
Holt-Winters 乘数法 |
|
阻尼趋势平滑 |
阻尼趋势叠加 | ||
|
阻尼趋势乘数 |
[D]
选择准则汇总如下：
移动平均法 - 这些方法有助于使短期浮动变得平滑，突出长期趋势或周期。当时间序列无趋势时，使用这些方法。当时间序列有趋势时，使用二次移动平均法，从原移动平均值计算第二次移动平均值，以便更好地跟踪趋势。
指数平滑法 - 移动平均法为包含的值分配相等的权重，而一次指数平滑法分配的权重随着观测值向前追溯呈指数减小，这是一种更合理的方法。如果时间序列有趋势，二次指数平滑法非常有用，计算方式是对序列进行两次平滑处理。
阻尼趋势方法 - 在曲线随时间推移逐渐变得平坦（衰减）时使用。
要确定您是否有趋势或季节性数据，请在输入数据面板上单击查看季节性。有关详细信息，请参阅“按季节性查看历史数据”。
提示： | 查看季节性可帮助您确定要选择的方法。但是，对于非季节性方法或季节性方法，选择所有典型时间序列预测方法不会显著降低计算速度，除非一次预测数千个值，所以您可以考虑尝试所有方法（默认值）。 |
有关预测方法选择程序，请参阅“选择预测方法”。
要手动设置任何方法的参数，请参阅“设置典型时间序列预测方法参数”。