Simple Exponential Smoothing时序预测predict输出重复值问题

在Python中使用Simple Exponential Smoothing（简单指数平滑，简称SES）方法对带季节性的时序销售数据开展预测时，对拟合完成的模型调用predict函数，指定预测区间内的输出全部为重复的同一数值，需调整方法以得到合理预测结果。

关联素材 #

• 待预测的季节性时序数据：
  
• 初始模型拟合代码：

fit4 = SimpleExpSmoothing(Holt_Data, initialization_method="heuristic").fit(
smoothing_level=0.8, optimized=False
)

fcast4 = fit4.forecast(3).rename(r"$\alpha=0.8$")

• 初始模型拟合效果：
  
• 预测调用代码：

fit4.predict(start='2022-01-01',end='2023-01-01')

• 异常预测结果可视化：
  

简单指数平滑输出常数预测是算法本身的固有特性，不是代码bug。SES的设计目标是适配无趋势、无季节性的平稳时序，它对未来任意步长的预测值都是历史观测值的指数加权平均，完全不具备刻画趋势变动、季节性周期波动的能力，只要预测范围超出训练集，输出必然是固定常数，没有任何参数调整空间能让SES输出带波动的预测结果。
你的销售数据存在非常明显的周期性季节波动，和SES的适用场景完全不匹配，才会出现不符合预期的预测结果。

直接替换为适配带季节性时序的指数平滑模型即可，使用statsmodels库的ExponentialSmoothing（即霍尔特-温特斯模型），根据数据特征配置参数：

• 参数选择逻辑
  • 若数据只有季节性波动、无明显长期上升/下降趋势：设置trend=None，根据序列波动特征选择seasonal="add"（加法季节性，波动幅度不随序列水平变化）或seasonal="mul"（乘法季节性，波动幅度随序列数值水平同步放大/缩小），同时指定季节周期长度seasonal_periods（月度年度周期填12、季度年度周期填4，根据实际业务周期调整）
  • 若数据同时存在长期趋势和季节性波动：设置trend="add"（线性趋势），搭配上述季节性参数即可
• 修正后参考代码（以月度数据、线性趋势、加法季节性场景为例）

from statsmodels.tsa.holtwinters import ExponentialSmoothing

# 替换为支持趋势+季节性刻画的霍尔特-温特斯模型
fit4 = ExponentialSmoothing(
    Holt_Data,
    trend="add",
    seasonal="add",
    seasonal_periods=12, # 按实际数据周期修改
    initialization_method="heuristic"
).fit(
    smoothing_level=0.8,
    optimized=False # 若需要自动搜索最优平滑参数可改为True
)

# 执行区间预测
pred_result = fit4.predict(start='2022-01-01',end='2023-01-01')

内容的提问来源于stack exchange，提问作者Cosmickid