METODE DE NIVELARE

EXPONENTIALA, PE TERMEN
SCURT

Exponential Smoothing Methods

 METODE DE NIVELARE
EXPONENTIALA
• datele mai recente contin mai multe
informatii decât cele mai vechi, ponderile
lor scad într-o forma exponentiala, de
unde vine si numele acestor metode.

• inventata în timpul celui de-al doilea razboi

mondial, de Robert G. Brown,în domeniul
militar, metoda de aplatizare exponentiala,
a fost larg utilizata odata cu revolutia
calculatoarelor, în anii '60.
 Tipuri de modele de aplatizare
exponentiala
• Modelele de nivel constant presupun ca nu exista nici
un trend. Media este constanta si previziunea este o
dreapta orizontala pentru orice perioada în viitor.

• Modelele cu trend liniar presupun ca dreapta de

crestere este valabila pentru orice perioada în viitor.

• Modelele cu trend exponential se utilizeaza în prima

etapă a ciclului de viata al unui produs.

• Modele cu trend boltit (saturat) reprezintă cea mai

buna alegere pentru previziunile pe termen mai lung, si
dupa cum sugereaza si numele, produc un declin gradat
în creşterile fiecarei perioade.
 Notaţii
Seria poate fi:
- cu sezonalitate aditiva
- cu sezonalitate multiplicativa

Notatii corespunzatoare acestor profile de previziune:

Xt - valoarea observata a seriei în perioada t
Xt(m) - previziunea facuta la sfârsitul perioadei t pentru m
perioade înainte
et - eroarea de previziune în perioada t
St - nivelul (media) seriei la sfârsitul lui t
Tt - trendul la sfârsitul perioadei t
It - indexul sezonalitatii pentru perioada t
h1, h2, h3 - parametru de aplatizare pentru nivelul seriei, trend,
index de sezonalitate
φ - parametru de modificare a trendului
p- numar de perioade în fiecare sezon
 Modele de nivel constant (1)
Modelul are urmatoarele ecuatii:
(1) et = Xt - Xt-1(1)
(2) St = St-1 + h1· et
(3) Xt(m) = St

(1) eroarea de previziune este data reala (actuala) minus previziunea la

sfârsitul perioadei t -1 facută pentru o perioadă înainte (m=1), deci
previziunea pentru perioada t.
(2) St este noul nivel sau valoarea medie a seriei cronologice la sfârsitul
anului t; este nivelul anterior St-1 plus o fractie a erorii de previziune. h1
este parametrul de aplatizare (netezire) al nivelului seriei si este cuprins
în intervalul [0,1].
(3) Xt(m) este previziunea la sfârsitul perioadei t pentru m perioade înainte

Modelul de nivel constant se comporta ca un pilot automat sau un termostat.

 Modelul de nivel constant (2)
t y
Se calculeaza eroarea de previziune:
1 28
- Daca et > 0 (ultima
2 27
previziune a fost prea mica), se
3 34
măreşte previziunea.
4 26
- Daca et < 0 (ultima
5 32
previziune a fost prea mare), se
6 33
reduce previziunea.
7 27
8 30
Erorile sunt folosite pentru a îndrepta
9 27
previziunea spre un anumit nivel,
10 34
adevaratul nivel al seriei.
11 25
12 33
Se presupune initial h1 =0.1 , t=12.
media 29,6667
h1 0,1
 Modelul de nivel constant (3)
Pentru t=13, S13 va fi previziunea pentru orice perioada în viitor.
S0 si h1 sunt selectati să păstreze media aritmetica simpla. Daca prima
previziune S0, nu este reprezentativa pentru date, urmatoarele
previziuni, vor fi distorsionate. Prima previziune are un mare grad de
influenta în alegerea lui h1. Daca se alege alta valoare S0, atunci se va
modifica h1 pentru a ajunge la date. Întotdeauna se alege media
datelor ca fiind prima previziune S0.

Alegerea lui h1 se face testând un interval de valori astfel încât sa

minimizeze abaterea medie patratica δ (pot fi folosiţi şi alţi indicatori,
precum: eroarea absoluta minima sau procentul de eroare). Prima data
se calculeaza abaterea medie patratica pentru h1 = 0.33 si 0.67.
Se alege cel mai bun h1. Apoi se alege un interval de ± 0.17 în jurul
acestuia. Se actualizeaza cel mai bun h1 daca este necesar.
Se continua cautarea din acest punct cu intervale progresiv mai mici ( ±
0.08, ± 0.04, ± 0.02, ± 0.015, ± 0.0005) pâna schimbarea în abaterea
medie patratica δ, este mai mica decât 1%. Se fixează o limita
inferioara pentru h1 de cel putin 0.1 pentru a permite sa se raspunda la
viitoarele schimbari în seria cronologica.
Daca h1 = 0 prima previziune nu se schimba niciodata, St = St-1 .
Modelul de nivel constant (4) - exerciţiu
t y St et Prev. W=0,1
1 28 29,00 -1,00 29,000 29
2 27 28,900 -1,900 28,900 28,90
3 34 28,710 5,290 28,710 28,71
4 26 29,239 -3,239 29,239 29,24
5 32 28,915 3,085 28,915 28,92
6 33 29,224 3,776 29,224 29,22
7 27 29,601 -2,601 29,601 29,60
8 30 29,341 0,659 29,341 29,34
9 27 29,407 -2,407 29,407 29,41
10 34 29,166 4,834 29,166 29,17
11 25 29,650 -4,650 29,650 29,65
12 33 29,185 3,815 29,185 29,18
13 29,566 29,566
media 29,67
h1 0,1
 Modelul de netezire simplă:
Ft = yt + (1- )Ft-1 , unde =0,1
Evolutia fenomenului y
36

34

32

30

28

26

24
1 2 3 4 5 6 7 8 9 10 11 12 13
y yex
 Forma exponenţială
Exista doi factori care interactioneaza unul cu altul pentru a determina
parametrul de netezire cel mai bun:
• cantitatea de zgomot din serie (perturbatiile aleatoare) - cu cât va fi mai
mare, cu atât parametrul va fi mai mic pentru a contracara reactia la
zgomot;
• stabilitatea mediei - daca este relativ constanta, h1 va fi mai mic; daca se
schimba, h1 va fi mai mare , ca sa tina pasul cu schimbarile;
• la limita h1 va fi 1, ceea ce înseamna ca noua previziune este egala cu
ultima data observata;
• valorile lui h1 controleaza ponderile asignate la datele din trecut, ponderi
ce pot fi gasite cu o ecuatie de forma (2):

St = h1Xt + h1(1- h1)Xt -1+ h1(1- h1)2Xt-2+ h1(1- h1)3Xt-3+ ...+ h1(1- h1)kXt-k
Ponderile pentru datele mai vechi sunt mai mici.
 Modele cu trend liniar (1)
• este o extensie a modelului de regresie, cu timpul, t, ca variabila
independenta: X = a + bt
• a corespunde St si b, panta dreptei, corespunde lui Tt,
Modelul are urmatoarele ecuatii:
(1) et = Xt - Xt-1(1)
(5) St = St-1 + Tt-1 + h1 et
(6) Tt = Tt-1 + h2 et
(7) Xt(m) = St + m Tt
• (1) se calculeaza eroarea de previziune
• (5) se actualizeaza nivelul seriei si se adauga si trendul anterior.
• (6) se actualizeaza trendul, cu Tt-1 în originea pentru perioada curenta
• (7) se numeste trend netezit, Tt; este analog constantei b din regresie.
• parametri separati de aplatizare: h1 si h2 , pentru nivel, respectiv trend.
In fiecare perioada este produs un nou trend. Previziunea numai cu un pas
înainte (m = 1), dar la orice timp, previziunea poate fi facuta pentru
orizonturi mai mari (ex: m= 6, Xt(6) = St + 6 Tt).
 Modele cu trend liniar (2)
• Pentru initializarea liniei de trend se recomanda procedura regresiei
liniare în functie de timp: S0 = a; si T0 = b; X = a + bt.
• h1 si h2 se determina prin cautare gradata, pentru minimizarea δ,
h1 = 0.33 ; 0.67 si h2 = 0.33 ; 0.67. Apoi se calculeaza δ, la punctele
±0.17, în jurul celei mai bune combinatii de parametri. Se continua
progresiv, daca e necesar, cu intervale mai mici
• (±0.08, ±0.04, ±0.02, ±0.015, ±0.0005), pâna când schimbarea lui δ este
mai mica de 1%.
• Cel mai bun parametru h2 pentru trend este gasit de obicei sa fie mai mic
decât h1 , pentru nivel. Explicatia este aceea ca în comparatie cu nivelul,
cantitatea de trend pentru fiecare perioada este foarte mica. Daca
adunam aceeasi fractie a erorii atât la trend cât si la nivel, previziunea
poate fi instabila.
• Se fixeză o limita inferioara pentru: h1 = 0.1 si h2 = 0.01.
Model cu trend liniar – exerciţiu (1)
TIMP DATE_ACT FIT_1 ERR_1
1 54.00 54.95455 -0.95455
2 55.00 56.69182 -1.69182
3 57.00 58.22002 -1.22002
4 60.00 59.69780 0.30220
5 66.00 61.35197 4.64803
6 62.00 63.81258 -1.81258
7 59.00 65.48211 -6.48211
8 65.00 66.16612 -1.16612
9 69.00 67.28844 1.71156
10 70.00 68.83546 1.16454
11 63.00 70.42093 -7.42093
12 75.00 70.55419 4.44581
Model cu trend liniar – exerciţiu (2)
Initial values: Series Trend
53,04545 1,90909
DFE = 10.
The 10 smallest SSE's are: Alpha Gamma SSE
,1000000 ,8000000 152,74144
,1000000 ,6000000 152,88282
,1000000 1,000000 154,15470
,1000000 ,4000000 155,74678
,1000000 ,2000000 163,47411
,2000000 ,2000000 163,47484
,2000000 ,4000000 165,75465
,2000000 ,0000000 171,05706
,2000000 ,6000000 171,71315
,3000000 ,0000000 175,14811
The following new variables are being created:
NAME LABEL
FIT_1 Fit for DATE_ACT from EXSMOOTH, MOD_12 HO A ,10 G ,80
ERR_1 Error for DATE_ACT from EXSMOOTH, MOD_12 HO A ,10 G ,80
Model cu trend liniar – exerciţiu (3)
80

70

60

DA T E _ A CT

50 Fi t DA T E _ A
1 2 3 4 5 6 7 8 9 10 11 12

TI M P
 Modele cu trend neliniar (1)
• Modelul cu trend liniar poate fi adaptat la trenduri
neliniare.
• Se adaugă un nou parametru de control la rata de
crestere din previziune, φ - parametru de
modificare a trendului. Ecuatiile modelului sunt:
(1) et = Xt - Xt-1(1)
(8) St = St-1 + φTt-1 + h1 et
(9) Tt = φTt-1 + h2 et
(10) Xt(m)= St + Σi=1 φi Ti

• In ecuatiile (8) si (9), vechiul trend se înmulteste

cu φ.
 Modele cu trend neliniar (2)
• Daca φ > 1, trend crescator, exponential
• Daca φ < 1, trend descrescator

Procedura de obtinere a valorilor pentru modelul neliniar:

S0 = a si T0 = b din regresia liniara.
Se efectueaza o cautare din aproape în aproape pentru determinarea
parametrilor h1, h2, si φ:
• φ = 0.33 ; 0.67 ; 1 ; 1.33 ; si 1.67
• h1= 0.33 ; 0.67
• h2= 0.33 ; 0.67.

Se calculeaza δ la punctele ±0.17; se continua progresiv cu intervale mai

mici (± 0.08, ±0.04, ±0.02, ±0.015, ±0.0005), pâna când schimbarea lui
δ este mai mica de 1%.
 Model cu trend neliniar – acelaşi
exerciţiu
80

70

F it f or DA T E _ A C T
EXSM O O T H, M O D
60
F it f or DA T E _ A C T
EXSM O O T H, M O D

DA T E _ A CT

F it f or DA T E _ A C T
50 EXSM O O T H, M O
1 2 3 4 5 6 7 8 9 10 11 12

TI M P
 Concluzii
• Modelul neliniar deseori produce previziuni care sunt
aproximativ la fel cu cele obtinute prin:
- modelul cu nivel constant φ = 0,
- modelul liniar φ = 1.
• Modelul neliniar se poate utiliza în general pentru serii
cronologice fara sezonalitate; cele patru cazuri fiind:
1. φ ~ 0 - nivel constant,
2. φ < 1 - trend în declin (saturat),
3. φ ~ 1 - trend liniar,
4. φ > 1 - trend exponential.

Un trend exponential poate fi reglat prin restrictionarea

cautarii parametrului φ în intervalul (0,1). In procedura
de cautare, valorile initiale ale lui φ vor fi în intevalul
[0.33 , 0.67].