---
title: "指數平滑法（Exponential Smoothing）"
slug: exponential-smoothing
language: zh-TW
source: https://aiterms.tw/terms/exponential-smoothing
updated_at: 2026-04-29
tags: [時序分析, 統計方法, 資料處理, AI基礎, 模型評估]
ipas_term: false
---

# 指數平滑法（Exponential Smoothing）

> **你有沒有看過店家預測明天要備多少貨，通常會更重視最近幾天的銷量？**
>
> 你可以把它想成，時間序列裡越新的資料越重要，舊資料不是沒用，而是權重會一層層變小。
>
> 指數平滑法很適合做簡單又穩定的預測，像銷售量、客服量、需求量這種會隨時間變動的資料。
>
> 你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。

### 容易混淆

> **指數平滑法 vs 移動平均法**
> 移動平均法會給固定時間窗內的資料差不多的權重。
> 指數平滑法讓最近資料權重更高，舊資料快速衰減。
> 最關鍵的區別：舊資料是不是一樣重要。
>
> **指數平滑法 vs ARIMA**
> ARIMA 會把自迴歸、差分、移動平均一起建模。
> 指數平滑法更簡單，通常更容易上手。
> 最關鍵的區別：模型複雜度和可解釋性。
>
> **指數平滑法 vs 季節性分解**
> 季節性分解是在拆趨勢、季節和殘差。
> 指數平滑法是在做加權平均式的預測。
> 最關鍵的區別：分析結構，還是直接預測。

### 記住這句就好

> 越新的資料，權重越大。

### 實際案例

> **零售備貨**
> 賣場看最近幾週的銷售，調整下週進貨量。
> Before：照上個月平均值備貨。After：把最近幾天的變化也算進去。
>
> **客服量預測**
> 客服中心會用最近的來電量，預測明天要安排多少人力。
> Before：只看長期平均。After：對近期尖峰更敏感。

### 算法與應用

> 簡單指數平滑法適合沒有明顯趨勢的序列，雙指數和三指數平滑則能處理趨勢與季節性。
>
> 平滑參數越大，模型越看重近期資料；參數越小，預測越平穩。
>
> 如果資料有強烈週期或複雜結構，通常要再搭配其他方法。

### 情境判斷

> **Q1（直覺題）：** 平滑參數變大，模型會變得怎樣？
>
> → 它會更看重最近資料，所以反應更快，但也可能更敏感。
>
> **Q2（判斷題）：** 指數平滑法適合所有時間序列嗎？
>
> → 看情況。若趨勢太複雜或季節性太強，就要考慮更完整的模型。

### 常見問題

> **Q：平滑參數怎麼選？**
> 通常用驗證集或交叉驗證去挑，不要只憑手感。
>
> **Q：和 ARIMA 有什麼差別？**
> ARIMA 偏向統計建模，指數平滑法偏向簡單的加權預測。
>
> **Q：什麼時候不適合用它？**
> 當資料有明顯複雜週期、非線性趨勢或很多突發事件時，就要考慮其他方法。

### 相關術語

> - **時間序列分析**：這是指數平滑法的大背景。
> - **差分整合移動平均**：常拿來和指數平滑法對比。
> - **先知預測模型**：如果你做時間序列預測，這個詞也值得一起看。
> - **季節性分解**：和指數平滑法一起看，會更容易分清楚用途。

---

來源：https://aiterms.tw/terms/exponential-smoothing
快查頁：https://aiterms.tw/terms/exponential-smoothing
最後更新：2026/04/29
深度解說：https://aiterms.tw/learning/what-is-exponential-smoothing