时间序列技术包括分析历史数据类型和动态的各种方法，根据具体特征，可以使用各 种变化复杂的技术。

 

        移动平均 移动平均预测法使用近时期销售量的平均数。该平均数可以包含任何目的的前期时间。常见的是一期、二期、三期、四期和十二期。一期移动平均通过 上一期销售量预计产生下一期的预测。十二期的移动平均诸如每月使用的是前十二期的平 均数。每一次可以得到一个新时期的实际数据。用它来替代老一个时期的数据。因此， 包括在平均数里的时期次数被看作是个常数。

 

        尽管移动平均数很容易计算但它们有几个限制，其中重要的是，他们对变化反应迟 钝或行动迟缓。而且必须维持和更新大量的历史数据来计算预测。如果历史的销售量变化 很大，就不能靠平均数或平均值来做出有效的预测。除了基本成分，移动平均数不考虑前 面所讨论的预测成分。

 

        为了部分地克服以上缺陷，引入了加权移动平均，以此作为一种更精确的方法。该权 数更强调新的观测数值。指数平滑代表了加权移动平均的一种形式。

 

        指数平滑 指数平滑是根据以前的需求水平和预测水平的加权平均数估算的未来销售量为基础的。新的预测是因以往预测与实际实现的销售量之间的差别，而形成的预测的增加部分的函数。
 
        指数平滑的主要优点在于它可以快速计算新的预测，无需大量的历史记录和更新资 料。因此，指数平滑高度适用于计算机化的预测。根据平滑常数的值，它还有可能监督和 改变技术敏感性。

 

        使用指数平滑法的关键在于选择恰当的阿尔发因素。如果使用的因素为 员，实际上是 将近时期的物流需求量用做下一时期的预测值。如果使用非常低的值，例如 园郾园员，产生 的预测效果是将预测下降到几乎是一种简单移动平均。大的阿尔发因素使预测对变化非常 敏感，因而具有高度的敏感性；而小的阿尔发因素则对变动反应迟缓，因此对随机波动的 反应减到低限度。因此，指数平滑并不排除需要通过判断做出决策。在选择阿尔发因素 的值时，预测者面临着排除随机波动，让预测对需求变化做出充分反应之间的优选问题。

 

        外延平滑 外延平滑可以外延到包括趋势值和季节波动等要考虑的因素。这类技术分别被称作趋势指数平滑和季节性指数平滑。 外延指数平滑在能够识别这些成分的具体数值时，便结合进了趋势和季节的影响。外延平滑的计算类似于基本平滑模型的计算，除非存在三种成分和三种平滑常数来表现基本 趋势和季节成分。

 

        类似于基本指数平滑，外延平滑可以用低限度的记录保存，迅速地计算新的预测。 做出反应的技术能力取决于平滑常数值。较高的数值提供快速的反应，但会导致过度反 应。外延技术的主要特点是，它们直接考虑趋势值和季节因素成分。虽然这肯定是一种优 点，但它也是一种弱点。外延技术常常被认为过分敏感，因为人们没有能力正确地细分每 一项预测成分。这种过于敏感的反应会产生预测精度的问题。

 

        适应性平滑 适应性平滑对阿尔法因素的有效性进行定期考察。阿尔法因素可以在每一次预测结束时进行考察，以便确定能产生完美预测的精确数值。一旦得到确定， 杭州防水补漏工程用于产生预测的阿尔发因素就相应被调整到将会产生精确预测的一个数值。于是，管理上 的判断部分地被一种系统而又一致的阿尔法因素更新方法所取代。

 

        更复杂的适应性平滑法还包括了一种自动跟踪信号，以控制误差。当误差过大而启动 信号时，该常数就自动增加，使预测对近期的平滑做出更大的反应。如果近期的物流需求 量变动较大时，所增加的反应将会减少预测的误差。随着预测误差的减少，跟踪信号会自 动地将平滑常数返回到其原始数值上去。

        适应性平滑技术可以对当前形势的敏感性进行调整。虽然适应性技术被用来对误差做 出系统化调整，但缺点是，它们有时反应过度，把随机误差解释成为趋势值或季节因素。 这种误解会进一步加大以后预测的误差。