二次曲线指数平滑法
二次曲线、指数曲线、季节指数
（三）季节变动预测法
季节变动预测法是根据历史数据中所 包含的季节变动规律性，对预测目标的 未来状况作出预测的方法。
1、季节变动的特点和衡量指标
（1）季节变动及其特点
季节变动的循环周期为一年，而且在 一年中随着季节的更替呈现有规律的变 动。
（2）衡量指标
季节指数（%）=历年同季平均数/全时期总 平均数×100%
合计 1849.87 2058.17 1302.25 2008.20 7218.49 1804.62
全年比率平均法：
例：某商店2000-2004年分季销售资料, 用全年比率平均法测算季节指数。
历年各季的比率（%）=各季的数值 / 相应 度 年份
一季 度
二季 度
年度
1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004
合计
某企业近年营业额不同α值的指数平滑法对照表
α=0.3
α=0.5
营业额 指数平滑值 绝对误差 指数平滑值 绝对误差
(260)
262
260.60
257
259.52
252
季度 一季度 二季度 三季度 四季度 合计
年份
（1） （2） （3） （4） （5） （6）
2000 25.55 26.64 22.46 25.35 100.00
2001 22.48 30.35 17.86 29.31 100.00
2002 26.78 24.65 19.66 28.91 100.00
1992
(262)
1993 262 262.00
1994 257 258.50
二次指数平滑 数理统计法 定量分析 综合评价模型
摘要本文通过对数据建立数学建模竞赛的预测模型和定量评估模型，并对夏季运动会进行了评价。
通过历届夏季奥运会的运动员人数等相关数据，运用二次指数平滑预测法建立了人数预测的数学模型；另外，竞赛项目的普及程度、流行程度和财政收入情况，能够在一定程度上反映各竞赛项目的全球影响力水平，即采用数理统计法进行研究，选取此3项一级指标和14项二级指标进行统计学分析，对夏季奥运会竞赛项目的全球影响力进行综合评估、对比和档次的划分，并作合理化建议。
针对问题一，运用二次指数平滑预测法建立了预测函数：212121ˆ156093360T ya b T T +=+=+对函数进行合理的运算和证明，所得到的结果为18969人，误差预测结果为0.3178，说明模型的拟程度很好。
对于问题二，运用综合评价的思想，定义指标函数：12341nii PP P P P ==+++∑根据全球影响力总分的百分位数划分出4个档次，对各档次项目的全球影响力进行定量评估，并提出合理化建议。
关键字：二次指数平滑 数理统计法 定量分析 综合评价模型一、问题重述奥林匹克运动是人类社会的一个罕见的杰作，它将体育运动的多种功能发挥得淋漓尽致，影响力远远超出了体育的范畴。
请搜集参加历届夏季奥运会的运动员人数等数据，试着探讨以下问题：（1）建立数学模型，预测2012年第30届伦敦奥运会参赛运动员人数。
（2）定量评价夏季奥运会，并提出合理化建议。
二、问题分析本题目主要研究奥运会参赛运动员的人数，以及通过已有的数据对夏季奥运会竞赛项目全球影响力进行定量分析，进而对其影响力和发展前景提出合理化建议。
问题一：是建立模型预测2012年第30届伦敦奥运会参赛运动员人数，属于预测分析的问题，并通过简单的分析可知，每届参赛的数量呈明显上升趋势，所以该问题可采用时间序列预测中的二次指数平滑预测法建立模型，以参赛人数为研究对象，对数据整理后，运用二次多项式对数据进行拟合预测。
问题二：是对夏季奥运会进行定量评估，主要采用数理统计法进行研究，选取国际奥委会项目委员会上所作报告中的3项一级指标（竞赛项目普及度、流行度、财政收入)，14项二级指标作为各竞赛项目全球影响力评估分析的依据。
二次曲线模型和三次指数平滑模型
二次曲线模型简介二次曲线模型的一般形式为：^2012t y b b t b t =++ （20b ≠） （3-1）用阶差法识别二次曲线模型，如表（3-1）表（3-1） 二次曲线模型的阶差计算表由表（2-1）可知，二次曲线模型的特点是二阶差分为一个常数。
因此，当一个时间序列{}t y 的二阶分差近似为一个常数时，都可以选择二次曲线模型进行预测。
二次曲线模型的参数估计可以采用最小二乘法。
首先，将二次曲线模型线性化，令1t t = ，22t t = ，这样将二次曲线模型转化为二元线性模型：^01122t y b b t b t =++ （3-2）然后，根据最小二乘法原理：使误差平方和^220112211()()nnt t t t t Q y y y b b t b t ===-=---∑∑ （3-3）达到最小，从而得到参数0b 、1b 和2b 的估计值。
根据极值原理,Q 在其偏导数为0时取得极值。
因此，令01122001122110112222202()02()0t t t Qy b b t b t b Qy b b t b t t b Qy b b t b t t b ⎧∂=----=⎪∂⎪⎪∂=----=⎨∂⎪⎪∂=----=⎪∂⎩∑∑∑ （3-4） 整理后即的正规方程组：01122210111212220211222t t ty nb b t b t t y b t b t b t t t y bt b t t b t ⎧=++⎪=++⎨⎪=++⎩∑∑∑∑∑∑∑∑∑∑∑ （3-5）即：2012230122234012t t t y nb b t b t ty b t b t b t t y b t b t b t ⎧=++⎪=++⎨⎪=++⎩∑∑∑∑∑∑∑∑∑∑∑ （3-6）最后，求解三元一次线性方程组式（3-6），即可得到参数0b 、1b 和2b 的估计值，从而得到二次曲线模型。
三次指数平滑法简介2.1.1 指数平滑公式如果时间序列的变化呈现二次曲线趋势时，可用三次指数平滑法进行预测。
二次指数平滑法-myOM
15
预测方法分类图
德尔菲法 定性预 测方法 预测 方法 定量预 测方法 时间序列 模型 部门主管集体讨论法
用户调查法
销售人员意见汇集法 因果模型 移动平均法 时间序列 平滑模型 时间序列 分解模型 指数平滑法 乘法模型 加法模型
16
两类需求预测方法的应用场合
定性预测方法： 1. 模糊和已知数据很少的场合（如新产品、新技术的发展） 2. 与直觉或经验有关的场合（如产品通过网络的销售量） 定量预测方法： 1. 稳定和已知很多历史数据的场合（如现有产品、当前技 术的发展） 2. 与数学技巧有关（如彩电的销售量）
12
2、预测的种类（宏观）
科学预测：对科学发展情况的预计与推测。如门捷列夫元 素周期表 技术预测：对技术进步情况的预计与推测。如能源技术 经济预测：对经济发展情况的预计与推测。 社会预测：对社会未来发展状况的预计与推测。如人口预 测、环境预测、社会制度等 需求预测：需求预测不仅为企业给出了其产品在未来的一 段时间里的需求期望水平，而且为企业的计划与控制决 策提供依据。
java二次指数平滑法预测未来的值
java⼆次指数平滑法预测未来的值指数平滑法是⼀种特殊的加权平均法，加权的特点是对离预测值较近的历史数据给予较⼤的权数，对离预测期较远的历史数据给予较⼩的权数，权数由近到远按指数规律递减，所以，这种预测⽅法被称为指数平滑法。
它可分为⼀次指数平滑法、⼆次指数平滑法及更⾼次指数平滑法。
⼀次指数平滑的局限性：像⼀次移动平均法⼀样，⼀次指数平滑法只适⽤于⽔平型历史数据的预测，⽽不适⽤于斜坡型线性趋势历史数据的预测。
⽽⼆次指数平滑法就是以斜坡型为模型来预测未来数据。
除了⼆次指数平滑法外，还有更⾼次的多次指数平滑法，由于它们在实际预测中并不常⽤，因此忽略。
所以就以⼆次指数平滑法为例： /*** ⼆次指数平滑法求预测值* @param list 基础数据集合* @param year 未来第⼏期* @param modulus 平滑系数* @return预测值*/private static Double getExpect(List<Double> list, int year, Double modulus ) {if (list.size() < 10 || modulus <= 0 || modulus >= 1) {return null;}Double modulusLeft = 1 - modulus;Double lastIndex = list.get(0);Double lastSecIndex = list.get(0);for (Double data :list) {lastIndex = modulus * data + modulusLeft * lastIndex;lastSecIndex = modulus * lastIndex + modulusLeft * lastSecIndex;}Double a = 2 * lastIndex - lastSecIndex;Double b = (modulus / modulusLeft) * (lastIndex - lastSecIndex);return a + b * year;}测试代码：public static void main(String[] args) {List<Double> list = new LinkedList<Double>();list.add(253993d);list.add(289665d);list.add(342785d);list.add(384763d);list.add(428964d);list.add(470614d);list.add(530217d);list.add(620206d);list.add(688212d);list.add(746422d);list.add(809592d);list.add(791376d);list.add(772682d);list.add(806048d);list.add(860855d);list.add(996633d);list.add(1092883d);list.add(1172596d);list.add(1245356d);list.add(1326094d);list.add(1378717d);list.add(1394413d);list.add(1478573d);list.add(1534122d);list.add(1608150d);Double value = getExpect(list, 1, 0.6);System.out.println(value);}。
二次曲线指数平滑法
0.225576
24.64799
17
1999
25.93
24.44553
22.99798
21.68169
26.02432
1.775674
0.131251
26.68459
18
2000
28.04
26.24276
24.62037
23.15103
28.0182
2.005012
0.153048
27.86562
19
2001
29.45
27.84638
26.23338
24.6922
29.53122
1.792582
0.071831
30.09974
20
2002
31.47
29.65819
27.94578
26.31899
31.45621
1.926448
0.085617
31.35971
21
2003
33.99
31.8241
29.88494
一次移动平均法 一次指数平滑法 线性二次移动平均法 线性二次指数平滑法 二次曲线指数平滑法
销售额 预测值
销售额 预测值
一次移动平均法
一次指数平滑法
图表标题 1 2 3 4 5 6 7 8 9 10 11 12 13
有明显的线性变化趋势时 用线性二次移动平均法
线性二次指数平滑法
应用背景：
有的时间序列虽然有增加或减少趋势，但不一定 是线性的，可能按二次曲线的形状增加而减少。
20.76097
1.146825
0.120052
20.34774
15
1997
二次指数平滑预测模型回归系数计算方法探讨
二次指数平滑预测模型回归系数计算方法概述二次指数平滑预测模型是一种比较常用的时间序列预测模型，它用来对时间序列数据进行预测，其中回归系数是确定模型的关键参数，计算回归系数的方法是非常重要的，本文将探讨二次指数平滑预测模型回归系数计算方法。
一、原理二次指数平滑预测模型是一种比较常用的时间序列预测模型，它用来对时间序列数据进行预测，其中回归系数是确定模型的关键参数，计算回归系数的方法是非常重要的。
二次指数平滑预测模型的回归系数计算方法是：首先，计算最小二乘估计值，即：$$ \hat{\beta} = (X^T X)^{-1} X^T Y $$其中，$X$是自变量矩阵，$Y$是因变量向量，$\hat{\beta}$是回归系数估计值。
然后，计算二次指数平滑预测模型的回归系数，即：$$ \beta = \alpha \hat{\beta} + (1 - \alpha) \beta_{t-1} $$其中，$\alpha$是模型参数，$\beta_{t-1}$是上一时刻的回归系数。
二、实例下面以一个实例来说明二次指数平滑预测模型的回归系数计算方法。
假设有一个时间序列数据，其自变量矩阵为：$$ X = \left[ \begin{matrix} 1 & x_1 \\ 1 & x_2 \\ \vdots & \vdots \\ 1 & x_n \end{matrix} \right] $$而因变量向量为：$$ Y = \left[ \begin{matrix} y_1 \\ y_2 \\ \vdots \\ y_n \end{matrix} \right]首先，计算最小二乘估计值，即：$$ \hat{\beta} = (X^T X)^{-1} X^T Y $$其中，$X^T X$为$3 \times 3$矩阵，$X^T Y$为$3 \times 1$矩阵，因此，$\hat{\beta}$为$3 \times 1$矩阵，其中有三个回归系数。
二次指数平滑法Microsoft Word 文档
二次指数平滑法二次指数平滑法（Second exponential smoothing method）[编辑]什么是二次指数平滑法二次指数平滑法是对一次指数平滑值作再一次指数平滑的方法。
它不能单独地进行预测，必须与一次指数平滑法配合，建立预测的数学模型，然后运用数学模型确定预测值。
一次移动平均法的两个限制因素在线性二次移动平均法中也才存在，线性二次指数，平滑法只利用三个数据和一个α值就可进行计算；在大多数情况下，一般更喜欢用线性二次指数平滑法作为预测方法。
[编辑]二次指数平滑法的优点[1]二次指数平滑法实质上是将历史数据进行加权平均作为未来时刻的预测结果。
它具有计算简单、样本要求量较少、适应性较强、结果较稳定。
[编辑]二次指数平滑法的计算线性二次指数平滑法的公式为：(1)式中：分别为t期和t–1期的二次指数平滑值；a为平滑系数。
在和已知的条件下，二次指数平滑法的预测模型为：(2)(3)T为预测超前期数例5：某地1983年至1993年财政入的资料如下，试用指数平滑法求解趋势直线方程并预测1996年的财政收入。
计算过程及结果如下：由上表可知：；；；,a=0.9 则所求模型为:[编辑]二次指数平滑法实例分析[2]表中第③栏是我国1978-2002年全社会客运量的资料,据期绘制散点图，见下图，可以看出，各年的客运量资料基本呈线性趋势，但在几个不同的时期直线有不同的斜率，因此考虑用变参数线性趋势模型进行预测。
具体步骤如下：表 我国1978-2002年全社会客运量及预测值 单位：万人年份 时间t 全社会客运量y 各期的一次指数平滑值 各期的二次指数平滑值a tb t① ② ③ ④ ⑤ ⑥ ⑦ ⑧ 253993.0 253993.0 1978 1 253993 253993.0 253993.0 253993.0 0.0 1979 2 289665 275396.2 266834.9 283957.5 12841.9 253993.0 1980 3 341785 315229.5 295871.7 334587.3 29036.7 296799.4 1981 4 384763 356949.6 332518.4 381380.8 36646.8 363624.0 1982 5 428964 400158.2 373102.3 427214.2 40583.9 418027.5 1983 6 470614 442431.7 414699.9 470163.4 41597.6 467798.1 1984 7 530217 495102.9 462941.7 527264.1 48241.8 511761.1 1985 8 620206 570164.8 527275.5 613054.0 64333.8 575505.81986 9 688212 640993.1 595506.1 686480.1 68230.5 677387.8 1987 10 746422 704250.4 660752.7 747748.2 65246.6 754710.7 1988 11 809592 767455.4 724774.3 810136.4 64021.6 812994.8 1989 12 791376 781807.8 758994.4 804621.1 34220.1 874158.1 1990 13 772682 776332.3 769397.1 783267.5 10402.8 838841.2 1991 14 806048 794161.7 784255.9 804067.6 14858.8 793670.2 1992 15 860855 834177.7 814209.0 854146.4 29953.1 818926.3 1993 16 99663 931651.5 884674.5 978628.5 70465.5 884099.5 1994 17 1092883 1028390.4 970904.0 1085876.8 86229.6 1049094.0 1995 18 1172596 1114913.8 1057309.9 1172517.6 86405.8 1172106.3 1996 19 1245356 1193179.1 1138831.4 1247526.8 81521.5 1258923.5 1997 20 1326094 1272928.0 1219289.4 1326566.7 80458.0 1329048.3 1998 21 1378717 1336401.4 1289556.6 1383246.2 70267.2 1407024.7 1999 22 1394413 1371208.4 1338547.7 1403869.1 48991.1 1453513.4 2000 23 1478573 1435627.1 1396795.4 1474458.9 58247.7 1452860.1第一步，计算一次指数平滑值。