「指数平滑」是一种在时间序列中平滑实际值, 以便预测可能的未来值的方法。
「指数三重平滑」(ETS) 是一组处理趋势和周期性 (季节性) 影响的算法。「指数双重平滑」(EDS) 是一种类似 ETS 的算法, 但没有周期性的影响。EDS 生成线性预测。

更多详情请见维基百科关于「指数平滑」算法的文章。
「 目标 (必填)」: 日期、时间或单个数字值或范围。要为其计算预测的数据点/范围。
「值 (必填)」:数字数组或范围。「值」是要预测下一个点的历史值。
「时间线 (必填)」:数字数组或范围。历史值的时间线 (x 值) 范围。

时间线不需要排序, 函数将对其进行排序以进行计算。
时间线值之间必须有一致的步长。
如果在排序的时间线中无法识别恒定的步长, 函数将返回 #NUM! 错误。
如果时间线和历史值的范围大小不同, 函数将返回 #N/A 错误。
如果时间线包含少于 2 个周期的数据, 函数将返回#VALUE! 错误。
「数据补齐 (可选)」:逻辑值 TRUE 或 FALSE, 数字 1 或 0, 默认值为 1 (TRUE)。值为 0 (FALSE) 将零作为其历史值添加缺少的数据点。如果值为 1 (TRUE), 则会通过在相邻数据点之间插值来添加缺少的数据点。

尽管时间线需要在数据点之间保持恒定的步进, 但该函数支持最多 30% 的数据点缺失, 并将添加这些数据点。
「 聚合 (可选)」: 从 1 到 7 的数值, 默认值为 1。聚合参数决定将使用哪种方法聚合相同的时间值:
汇总 |
函数 |
1 |
AVERAGE |
2 |
COUNT |
3 |
COUNTA |
4 |
MAX |
5 |
MEDIAN |
6 |
MIN |
7 |
SUM |

尽管时间线需要在数据点之间保持恒定的步进, 但函数将聚合具有相同时间戳的多个点。
「统计类型 (必填)」: 从 1 到 9 的数值。表示将为给定的值和 x 范围返回哪种统计信息。
可返回以下统计信息:
统计类型 |
统计信息 |
1 |
ETS 算法的 α 平滑参数 (基本) |
2 |
ETS 算法的 γ 平滑参数 (趋势) |
3 |
ETS 算法的 β 平滑参数 (周期偏差) |
4 |
平均绝对缩放误差 (MASE) - 预测准确性的度量方式。 |
5 |
对称平均绝对百分比误差 (SMAPE) - 基于百分比误差的精度度量。 |
6 |
平均绝对误差 (MAE) – 预测准确性的度量方式。 |
7 |
根平均值平方误差 (RMSE) - 预测值和观察值之间差异的度量方式。 |
8 |
检测到的步长时间线 (x 范围)。当检测到按月/季度/年的步进大小时, 步进大小以月为单位, 否则步长以日期 (时间) 时间线以及其他情况下,步进大小以天为单位。 |
9 |
周期中的样本数 – 这与「周期长度」的参数相同, 或者在参数「周期长度」为 1 的情况下计算出的数字。 |
「置信度级别 (必填)」: 介于 0 和 1 (不含) 之间的数值, 默认值为0.95。指定计算预测间隔的置信度。

值 <= 0 或 >= 1 时, 函数将返回 #NUM! 错误。
「周期长度 (可选)」: 数值,> = 0, 默认值为 1。一个正整数, 指定周期中的样本数。

值为 1 表示 Calc 将自动确定周期内的采样数。
值为 0 表示没有周期性影响, 使用 EDS 算法计算预测。
对于所有其他正值, 使用 ETS 算法计算预测。
对于不是正整数的值, 函数将返回 #NUM! 错误。
forecast = basevalue + trend * ∆x + periodical_aberration。
forecast = ( basevalue + trend * ∆x ) * periodical_aberration。
示例
下表包含时间线及其关联的值:
A |
B |
|
1 |
时间线 |
数值 |
2 |
01/2013 |
112 |
3 |
02/2013 |
118 |
4 |
03/2013 |
132 |
5 |
04/2013 |
100 |
6 |
05/2013 |
121 |
7 |
06/2013 |
135 |
8 |
07/2013 |
148 |
9 |
08/2013 |
148 |
10 |
09/2013 |
136 |
11 |
10/2013 |
119 |
12 |
11/2013 |
104 |
13 |
12/2013 |
118 |