Winters 法

Winters 法用三個分量對時間序列進行平滑:水準、趨勢和每個週期的季節指數。適用於同時具有趨勢和季節性的月度、季度或班次資料。可選擇乘法或加法季節性,並為水準、趨勢和季節設定權重(預設各為 0.2)。需要至少兩個完整的季節且無遺漏。輸出為帶逐漸變寬的預測限的預測值,以及 MAPE、MAD 和 MSD。

最後審閱

核心要點

Winters 法(Holt-Winters,即三次指數平滑)用水準、趨勢和季節指數對時間序列進行平滑,得到隨趨勢增長並重復季節模式的預測。

本頁內容
  1. 用途
  2. 主要功能
  3. 統計方法
  4. 輸入欄位和選項
  5. 輸出說明
  6. 計算範例

用途

Winters 法(Holt-Winters,即三次指數平滑)用三個遞推分量對時間序列進行平滑:水準、趨勢,以及季節中每個週期的季節指數。其預測隨趨勢增長並重復季節模式。適用於同時具有趨勢和季節性的月度、季度或班次模式資料,例如在模式隨時間緩慢變化時,預測來年的需求、能耗或工作量。

主要功能

  • 乘法方法(季節波動隨水準增大)或加法方法(波動幅度保持不變)。
  • 水準(alpha)、趨勢(gamma)和季節(delta)分別設定權重,預設各為 0.2。
  • 初始值取自資料或由您輸入,包括每個週期一個季節指數。
  • 預測限隨向前每多一期而變寬,預測可從序列末尾開始,也可從較早的某一列開始,以便用已知資料檢驗該方法。
  • MAPE、MAD 和 MSD 精度指標,資料、配適值和預測值的圖,可選的結果表以及四合一殘差圖。

統計方法

對於乘法方法,設季節長度為 p,各分量每期更新如下:水準 Lₜ = α·(yₜ / Sₜ₋ₚ) + (1 − α)·(Lₜ₋₁ + Tₜ₋₁);趨勢 Tₜ = γ·(Lₜ − Lₜ₋₁) + (1 − γ)·Tₜ₋₁;季節指數 Sₜ = δ·(yₜ / Lₜ) + (1 − δ)·Sₜ₋ₚ。第 t 期的配適值為 (Lₜ₋₁ + Tₜ₋₁)·Sₜ₋ₚ,預測起點之後第 m 期的預測值為 (L + m·T) × 季節中該週期的最新指數。加法方法則對季節項做加減,而不是乘除。

取自資料的初始值:初始水準和趨勢是穿過第一個季節的最小平方直線的截距和斜率。對於乘法方法,每個初始指數是該週期在全部資料上的平均值除以總體平均值;對於加法方法,則是對整個序列配適直線後,該週期的殘差平均值。權重按輸入值使用(空白視為 0.2);不進行最佳化。選擇 Starting values = User-specified 時,需輸入初始水準、趨勢和 p 個季節指數。

預測限為預測值 ± z × dₘ × MAD,其中 z 為對應信賴水準的常態分位數,MAD 為配適值的平均絕對誤差,dₘ 隨向前期數 m 增大(根據三個權重中的最大值計算)。精度:MAPE = 平均 |誤差 / 資料| × 100,MAD = 平均 |誤差|,MSD = 平均 誤差²。序列需要至少兩個完整的季節且無遺漏;乘法方法要求所有值均大於零。

輸入欄位和選項

欄位

說明

Variable (Y)

必填。數值序列,按時間順序排列。

Seasonal length

必填,至少為 2。每個季節的週期數,例如具有年度模式的月度資料為 12。

Method type

Multiplicative(預設)或 Additive。

First observation is in seasonal period

預設 1。第一列在季節中的位置,例如季節從 1 月開始而資料從 6 月開始時為 6。

Level weight (alpha) / Trend weight (gamma) / Seasonal weight (delta)

0.0001 至 1,預設各為 0.2。值越大,該分量對近期資料的反應越快。

Starting values

From the data(預設)或 User-specified。

Initial level / Initial trend / Initial seasonal indices

Starting values 為 User-specified 時使用;此時三項均為必填。Seasonal indices:以逗號或空格分隔,季節中每個週期一個(共 Seasonal length 個值)。

Number of forecasts

預設 0(無),最多 1000。

Confidence level (%) for forecast interval

預設 95。請求預測時有效。

Forecast origin (row)

可選,請求預測時有效。預測從該列之後開始,使用截至該列的資料;空白 = 序列末尾。

Results to display

Summary table(預設)或 Summary table and results table。

Residual plots (four in one)

預設不勾選。

Title

輸出的標題。預設為 Winters' Method。

winters-method-inputs


圖 1 — 月度 Sales 的乘法 Winters 法,季節長度 12,權重各為 0.2,12 個預測值。

輸出說明

  • Winters' Method(圖)— 實際資料、配適值、預測值和預測帶,標題中給出 MAPE、MAD 和 MSD,圖上方給出三個權重。
  • Method — 模型類型、資料欄和長度(設定後還包括第一個季節週期和預測起點)。
  • Smoothing Constants — α(水準)、γ(趨勢)和 δ(季節)。
  • Accuracy Measures — MAPE、MAD 和 MSD。
  • Forecasts — 週期、預測值、下限和上限。
  • Results — 選擇後給出:每個週期的 Period、data、Season、Level、Trend、Seasonal、Predict 和 Error。
  • Residual Plots — 勾選後給出。
  • 透過 Download 匯出 PDF。

winters-method-output


圖 2 — 2025 年的預測值在更高的水準上重複年度形態,從 2 月的低點 1,205 到 12 月的 1,891。

計算範例

一家消費電子產品經銷商需要 2025 年的 12 個月銷售預測,該預測應隨趨勢增長,並重復年初較弱、12 月達到峰值的年度模式。分析師有 60 個月的單位銷量(2020 年 1 月至 2024 年 12 月)。分析師選擇 Variable (Y) = Sales、Seasonal length = 12 和 Method type = Multiplicative,三個權重保持 0.2,並設定 Number of forecasts = 12。

預測值從 2025 年 1 月的 1,317,降至 2 月的低點 1,205,再升至 12 月的 1,891,12 月的 95% 限為 1,756 至 2,026。區間寬度從 1 月約 ±107 個單位擴大到 12 月的 ±135。MAPE 為 4.2%(MAD 為 43.9 個單位),遠優於不含季節的平滑方法(8.3% 至 9.4%)。2025 年 12 月的 1,891 與 2024 年 12 月的 1,759 相比,增長約 7.5%。

為檢驗該方法,Forecast origin (row) = 48 時,用截至 2023 年 12 月的資料預測 2024 年。12 個實際月份中有 11 個落在 95% 限之內(2024 年 2 月為 1,176,比其上限高出一個單位),預測平均偏差 4.9%;但每個月都被低估,因為 2024 年增長加快。選擇 Method type = Additive 時,MAPE 降至 3.7%,因此每月固定的單位數比百分比更適合這一季節。權重 0.4、0.1 和 0.3 時為 3.8%,並不比預設值更好。

常見問題

何時應使用 Winters 法?

對於同時具有趨勢和季節性的月度、季度或班次模式資料,使用 Winters 法,例如在模式隨時間緩慢變化時,預測來年的需求、能耗或工作量。對於既無趨勢也無季節的序列,單指數平滑是更簡單的選擇。

乘法和加法 Winters 法有什麼區別?

在乘法方法中,季節波動隨水準增大,因此季節以百分比的形式作用;它要求所有值均大於零。在加法方法中,波動幅度保持不變,即固定的單位數,季節項做加減而不是乘除。

Winters 法需要多少資料?

序列需要至少兩個完整的季節且無遺漏,例如具有年度模式的月度資料至少需要 24 個月。取自資料的初始值使用穿過第一個季節的最小平方直線來確定初始水準和趨勢。

平滑權重如何選擇?

水準(alpha)、趨勢(gamma)和季節(delta)權重的範圍為 0.0001 至 1,預設各為 0.2。值越大,該分量對近期資料的反應越快。權重按輸入值使用,不進行最佳化,因此在嘗試其他取值時,請比較 MAPE 等精度指標。