http://docs.gtlab.pro/index.php?action=history&feed=atom&title=Gtld_exponentialSmoothing 2026-09-09T10:28:57Z История изменений этой страницы в вики MediaWiki 1.40.0 http://docs.gtlab.pro/index.php?title=Gtld_exponentialSmoothing&diff=1374&oldid=prev 2026-08-11T07:20:06Z

<p>Новая страница: «== Краткое описание == Функция предназначена для формирования трендов для стационарного ряда. &lt;p style=&quot;color: red&gt;Cодержание функции может дополняться!&lt;/p&gt; == Синтаксис == Стандартная конструкция выглядит таким образом: &lt;pre style=&quot;color: purple&gt; let __exp = exponentialSmoothing(data, alpha, forec...»</p> <p><b>Новая страница</b></p><div>== Краткое описание ==<br /> Функция предназначена для формирования трендов для стационарного ряда. <br /> &lt;p style=&quot;color: red&gt;Cодержание функции может дополняться!&lt;/p&gt;<br /> <br /> == Синтаксис ==<br /> Стандартная конструкция выглядит таким образом:<br /> &lt;pre style=&quot;color: purple&gt;<br /> let __exp = exponentialSmoothing(data, alpha, forecastSteps = 0);<br /> &lt;/pre&gt;<br /> <br /> == Аргументы ==<br /> :&lt;code style=&quot;color: purple&gt;data&lt;/code&gt; - исходный массив данных;<br /> :&lt;code style=&quot;color: purple&gt;alpha&lt;/code&gt; - коэффициент сглаживания;<br /> &lt;pre&gt;<br /> Коэффициент сглаживания alpha<br /> alpha = 0 (близко к нулю):<br /> Новые данные почти не учитываются, сглаженный ряд почти не меняется, повторяет начальное значение.<br /> Подходит для почти стационарных процессов без тренда.<br /> <br /> alpha = 1 (близко к единице):<br /> Новые данные имеют максимальный вес, модель мгновенно реагирует на изменения. <br /> Может усиливать шум вместо сглаживания.<br /> <br /> alpha = (0.1-0.3) (типичные значения):<br /> Баланс между учётом новых данных и сглаживанием шума, плавная реакция на изменения тренда.<br /> Стандартный выбор для большинства практических задач.<br /> <br /> alpha = (0.3-0.5):<br /> Быстрая реакция на изменения, меньше сглаживания, больше следования за данными;<br /> Подходит для трендов с частыми изменениями.<br /> &lt;/pre&gt;<br /> :&lt;code style=&quot;color: purple&gt;forecastSteps &lt;/code&gt; - количество точек прогноза;<br /> <br /> == Содержание функции ==<br /> &lt;pre&gt;<br /> function exponentialSmoothing(data, alpha, forecastSteps = 0) {<br /> if (data.length === 0) return [];<br /> <br /> const result = [data[0]];<br /> let prevForecast = data[0];<br /> <br /> // Сглаживание исторических данных<br /> for (let i = 1; i &lt; data.length; i++) {<br /> const currentForecast = alpha * data[i] + (1 - alpha) * prevForecast;<br /> result.push(currentForecast);<br /> prevForecast = currentForecast;<br /> }<br /> <br /> // Прогноз: простое экспоненциальное сглаживание даёт константный прогноз<br /> const lastSmoothed = prevForecast;<br /> for (let i = 0; i &lt; forecastSteps; i++) {<br /> result.push(lastSmoothed);<br /> }<br /> <br /> return result;<br /> }<br /> &lt;/pre&gt;</div>

AlekseyCube