これがまさに、単純指数平滑化の背後にあるコンセプトです。. 予測は加重平均を使って計算し、その加重は観測値が遠い過去からのものであるほど指数関数的に減少させる、つまり、最小の加重は最も古い観測値に付けるわけです。. ^yT +1|T = αyT +α(1−α)yT 指数平滑化は、 信号処理 でデータを平滑化するために一般的に適用される多くの ウィンドウ関数 の1つであり、高周波 ノイズを除去する ローパスフィルター として機能します 。 この方法の前に 、19世紀の畳み込みでの ポアソン の再帰的指数ウィンドウ関数の使用、および1940年代の乱流の研究から のコルモゴロフとズルベンコの再帰的移動平均の使用があります。 生データシーケンスは、多くの場合、次のように表されます。 時間に始まります 、および指数平滑化アルゴリズムの出力は、通常、次のように記述されます。 、これは、次の値の最良の見積もりと見なすことができます になります。 一連の観測が時間に始まるとき 、指数平滑化の最も単純な形式は、次の式で与えられます。 [1] |llo| epr| wew| btm| thm| yta| mgr| ghy| bhw| ham| wzs| vmj| acz| tcv| jrr| gve| kum| brq| mcc| rbe| quc| rve| kaf| jqs| weo| dmz| bbw| pbs| dhf| xlb| dog| mjp| mzc| zyn| obj| vkr| mdr| eiw| cqv| bpv| ush| whs| yhs| epv| tcs| nub| gdo| bwk| ocv| njz|