Eksponentiel udglatning er en metode til at udglatte reelle værdier i en tidsserie for at forudsige mulige fremtidige værdier.

Eksponentiel triple udglatning (ETS) er et sæt algoritmer, hvor både tendens og periodisk (sæsonmæssig) indvirkninger behandles. Eksponentiel dobbelt udglatning (EDS) er en algoritme som ETS, men uden periodiske indvirkninger. EDS fremstiller lineære forudsigelser.

Tipikon

mål (obligatorisk): En dato, et tidspunkt eller numerisk enkelt værdi eller område. Datapunktet/området, som der skal forudsiges for.

værdier (obligatoriske): En numeriske matrice eller område. Værdier er de historiske værdier, som du vil forudsige de næste punkter for.

tidslinje (obligatorisk): En numerisk matrice eller område. Tidslinjen (x-værdier) er området for for de historiske værdier.

Noteikon

Tidslinjen behøver ikke at være sorteret, funktionerne vil sortere den til beregningerne.
Tidslinjens værdier skal have en konsekvent afstand.
Hvis der ikke kan findes et konstant mellemrum på den sorterede tidslinje, vil funktionerne returnere en #NUM!-fejl.
Hvis tidslinjens område og de historiske værdier ikke har samme størrelse, vil funktionerne returnere en #N/A-fejl.
Hvis tidslinjen omfatter mindre end 2 perioder med data, vil funktionerne returnere en #VALUE!-fejl.


data_fuldførelse (valgfri): en logisk værdi SAND eller FALSK, et numerisk 1 eller 0, standard er 1 (SAND). En værdi på 0 (FALSK) vil tilføje de manglende datapunkter med nul som historisk værdi. En værdi på 1 (SAND) vil tilføje de manglende datapunkter ved at interpolere mellem de tilstødende datapunkter.

Noteikon

Selv om tidslinjen kræver et fast mellemrum mellem datapunkterne, understøtter funktionen op til 30% manglende datapunkter og vil tilføje dem.


Aggregering (valgfri): en numerisk værdi fra 1 til 7, med standard 1. Aggregering indikerer hvilken metode der anvendes til at aggregere identiske tidsværdier:

Aggregering

Funktion

1

MIDDEL

2

TÆL

3

TÆLV

4

MAKS

5

MEDIAN

6

MIN

7

SUM


Noteikon

Selv om tidslinjen kræver et konstant mellemrum mellem datapunkter, vil funktionerne samle flere punkter, som har det samme tidsstempel.


stat_type (obligatorisk): En numerisk værdi fra 1 til 9. En værdi indikerer hvilken statistik der returneres for de givne værdier og x-område

Følgende statistikker kan returneres:

stat_type

Statistikker

1

Alfa udglatningsparameter fra ETS-algoritmen (basis)

2

Gamma-udglatningsparameter fra ETS-algoritmen (tendens)

3

Beta-udglatningsparameter fra ETS-algoritmen (periodisk afvigelse)

4

Middeltal for absolut skaleret fejl (MASE) - en måling af forudsigelsers nøjagtighed.

5

Symmestrisk middeltal for absolut procentvis fejl (SMAPE) - en nøjagtighedsmåling baseret på procentvise fejl

6

Middeltal for absolut fejl (MAE) -- en måling af forudsigelsers nøjagtighed.

7

Roden af middeltal af kvadrat på fejl (RMSE) - en måling af forskelle mellem forudsagte og observerede værdier.

8

Trinlængden på den detekterede tidslinje (x-område). Hvis der opdages en trinlængden i måneder/kvartaler/år, er trinlængden i måneder, ellers er trinlængden i dage i tilfælde af en dato(tidspunkt)-tidslinje og numerisk i andre tilfælde.

9

Antal stikprøver i periode -- dette er det samme som argumentet periode_længde, eller det beregnede antal i tilfælde af, at periode_længde er 1.


Troværdigheds_niveau (krævet): En numerisk værdi mellem 0 og 1 (eksklusiv), standard er 0,95. En værdi som indikerer et niveau for troværdighed af det beregnede forudsigelsesinterval.

Noteikon

Med værdier <= 0 or ><= 1, vil funktionerne returnere en #NUM-fejl.


periode_længde (valgfri): En numerisk værdi >= 0, standarden er 1. Et positivt heltal, der indikerer antallet af stikprøver i en periode.

Noteikon

En værdi på 1 indikerer, at Calc skal bestemme antallet af stikprøver i en periode automatisk,
En værdi på 0 indikerer ingen periodisk eftekter, en forudsigelse beregnes med EDS-algoritmer.
For alle andre positive værdier beregnes forudsigelser med ETS-algoritmer.
For værdier, som ikke er et positivt heltal, vil funktionerne returnere en #NUM!-fejl.


prognose = basisværdi + tendens * ∆x + periodisk afvigelse.

prognose = (basisværdi + trend*∆x) * periodisk_afvigelse.

Eksempel

Tabellen herunder indeholder en tidslinje og dens tilknyttede værdier:

A

B

1

Tidslinje

Værdier

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