The exponential smoothing provides

The exponential smoothing provides an idea that the most recent observations usually give the best guide to the future, therefore we want a weighting scheme with decreasing weights for older observations. The choice of the smoothing constant is important in determining the operating
characteristics of exponential smoothing. The smaller the value of a, the slower the response. Larger values of a cause the smoothed value to react quickly – not only to real changes but also random fluctuations [11]. Simple exponential smoothing model is only good for non-seasonal patterns with approximately zero trend and for short-term forecasting because if we extend past the next period, the forecasted value for that period has to be used as a surrogate for the actual demand for any forecast past the next period. Consequently, there is no ability to add corrective information (the actual demand) and any error grows exponentially.

ผลลัพธ์ (ไทย) 1:

เนนราบเรียบมีความคิดที่สังเกตล่าสุดมักให้คำแนะนำดีที่สุดเพื่ออนาคต ดังนั้น เราต้องแบบน้ำหนักกับการลดน้ำหนักสำหรับการสังเกตที่เก่า เลือกค่าคงการบริการนวดเป็นสิ่งสำคัญในการกำหนดทำลักษณะของการปรับให้เรียบแบบเลขชี้กำลัง ค่าขนาดเล็กของการ ช้าตอบสนอง ค่ามีขนาดใหญ่เป็นสาเหตุให้โค้งเรียบค่าการตอบสนองอย่างรวดเร็ว– ไม่เพียงแต่ การเปลี่ยนแปลงจริงแต่สุ่มยังผันผวน [11] รุ่นผืนเนนอย่างดีลวดลายไม่มีฤดูกาลมีประมาณศูนย์แนวโน้ม และคาดการณ์ระยะสั้นเนื่องจากถ้าเราขยายรอบระยะเวลาถัดไปที่ผ่านมา ค่าคาดการณ์สำหรับรอบระยะเวลาที่จะใช้เป็นตัวแทนสำหรับการคาดการณ์ใด ๆ ผ่านรอบระยะเวลาถัดไปเท่านั้น ดังนั้น ไม่สามารถเพิ่มแก้ไขข้อมูล (ความจริง) และข้อผิดพลาดใด ๆ ขึ้นเป็นทวีคูณเมื่อ

ผลลัพธ์ (ไทย) 2:

เรียบชี้แจงให้ความคิดที่ว่าข้อสังเกตที่ผ่านมาส่วนใหญ่มักจะให้คำแนะนำที่ดีไปในอนาคตดังนั้นเราจึงต้องการโครงการที่มีน้ำหนักลดลงน้ำหนักสำหรับข้อสังเกตที่มีอายุมากกว่า ทางเลือกของการปรับให้เรียบคงเป็นสิ่งที่สำคัญในการพิจารณาการดำเนินงาน
ลักษณะของการปรับให้เรียบชี้แจง ขนาดเล็กมูลค่าของที่ช้าลงการตอบสนอง ค่าของขนาดใหญ่ก่อให้เกิดมูลค่าเรียบที่จะตอบสนองได้อย่างรวดเร็ว - ไม่เพียง แต่จะมีการเปลี่ยนแปลงจริง แต่ยังผันผวนสุ่ม [11] รูปแบบเรียบง่ายเป็นชี้แจงดีสำหรับรูปแบบที่ไม่เป็นตามฤดูกาลมีประมาณศูนย์แนวโน้มและการคาดการณ์ในระยะสั้นเพราะถ้าเราขยายที่ผ่านมาในช่วงเวลาถัดไปค่าคาดการณ์ไว้สำหรับระยะเวลาที่จะต้องมีการใช้เป็นตัวแทนสำหรับความต้องการที่แท้จริงสำหรับการใด ๆ การคาดการณ์ที่ผ่านมาในช่วงเวลาต่อไป ดังนั้นไม่มีความสามารถในการเพิ่มข้อมูลการแก้ไข (ความต้องการที่แท้จริง) และความผิดพลาดใด ๆ ที่เติบโตขึ้นชี้แจง

ผลลัพธ์ (ไทย) 3:

อนุกรมเวลา ให้ความคิดว่า การสังเกตล่าสุดมักจะให้คำแนะนำที่ดีที่สุดเพื่ออนาคต ดังนั้น เราต้องการลดน้ำหนักแบบน้ำหนักตัวอย่างเก่า ทางเลือกของการปรับให้เรียบคงที่เป็นสิ่งสำคัญในการกำหนดปฏิบัติการ
ลักษณะของอนุกรมเวลา . ที่มีค่าของ ยิ่งการตอบสนองค่าขนาดใหญ่ของทำให้เรียบคุณค่าเพื่อตอบสนองอย่างรวดเร็วและไม่เพียง แต่การเปลี่ยนแปลงจริง แต่ยังสุ่มของ [ 11 ] ง่ายปรับให้เรียบแบบเอ็กซ์โปเนนเชียลแบบดีเท่านั้นไม่มีรูปแบบตามฤดูกาลที่มีประมาณศูนย์แนวโน้มและการพยากรณ์ระยะสั้น เพราะที่ผ่านมาถ้าเราขยายระยะเวลาต่อไปการพยากรณ์ค่าเวลาที่ได้จะใช้แทนความต้องการที่แท้จริงสำหรับการคาดการณ์ใด ๆที่ผ่านมาช่วงถัดไป จึงมีความสามารถในการเพิ่มข้อมูลแก้ไข ( ความจริง ) และข้อผิดพลาดใด ๆที่เติบโตชี้แจง