指数平滑

🧠 一、指数平滑的基本逻辑

用一个平滑系数 α\alphaα（0 到 1 之间）控制「对最近数据的关注程度」，越新的数据权重越大。

✅ 它的不同之处：

• 相较于「简单移动平均」是等权的，
  指数平滑是指数递减加权，对最近的数据反应更敏感。

📐 二、算法公式（Simple Exponential Smoothing）

🪜 三、预测步骤（思路很简单）

1. 设定一个平滑因子 α\alphaα（比如 0.3）

2. 选择一个初始预测值（可以设为第一个实际值）

3. 套用公式，一步一步往后算

📊 四、手动举个例子（手推 3 期）

假设数据如下：

我们有过去三个月的实际销量数据，分别是：

• 1月：100件

• 2月：120件

• 3月：110件

📊 五、如何选取 α 值？

🚦 六、适用场景