مقدمه : 

روش های مختلفی برای پیش بینی فروشِ وابسته به زمان وجود دارد. یکی از این روش هموارسازی (smoothing) است. از بین روش های هموارسازی، مدل های هموارسازی نمایی(exponential smoothing) از اهمیت بیشتری برخوردار هستند. در این مدل ها به دوره های زمانی نزدیک تر وزن بیشتری اختصاص داده می شود تا تاثیر اتفاقات، نوسانات و یا تغییرات دوره های اخیر در پیش بینی دوره های آتی برجسته تر شوند. بعبارت دیگر در این مدل ها می خواهیم حساسیت پیش بینی را به وقایع اخیر بیشتر کنیم.

تعریف و اجزای مدل هالت - وینترز : 

پیش‌بینی داده‌های سری زمانی و مدل‌سازی برای آن‌ها، با بهره‌گیری از هموارسازی و مدل «هالت -  وینترز» (Holt-Winters) بسیار جذاب و البته نوآورانه است. ولی متاسفانه عدم آگاهی از نحوه به کارگیری و آشنایی با این مدل در بین بسیاری از تحلیل‌گرهای داده (Data Scientists) کمتر به کار گرفته شده است.همانطور که گفته شد، مدل هالت - وینترز روشی برای بررسی داده‌های وابسته به زمان است. پیش‌بینی رفتار داده‌های تصادفی، احتیاج به یک مدل آماری دارد که معمولا پارامترهای این مدل توسط داده‌ها، شناسایی و برآورد می‌شود.

مدل هالت - وینترز، شامل سه بخش است:

 بخش اول، میانگین (مقدار ثابت) نامیده می‌شود که رفتار کلی مدل را نشان می‌دهد و مقادیر پیرامون آن نوسان می‌کنند.

بخش دوم ، روند (شیب خط) است که برحسب زمان ثابت است ولی به عنوان مضرب برای متغیر در نظر گرفته می‌شود.

بخش سوم، نیز که بصورت تناوبی تغییر می‌کند، برای نمایش تغییرات فصلی به کار گرفته می‌شود. پیش‌بینی در روش هالت - وینترز به کمک هموارسازی نمایی صورت می‌گیرد، به این ترتیب اثر داده‌های نزدیک به نقطه پیش‌بینی، بیشتر از داده‌هایی است که در گذشته دور از آن واقع شده‌اند.

از آنجایی که سه محور یا سه مولفه یا ویژگی (میانگین، روند و تغییرات فصلی) در مدل سری زمانی هالت  - وینترز وجود دارد، آن را گاهی به نام هموارسازی نمایی سه‌تایی (Triple Exponential Smoothing) نیز می‌شناسند. در این مدل، پیش‌بینی مقدار آینده توسط ترکیب این سه مولفه، صورت می‌پذیرد. چنین مدلی دارای سه پارامتر است. این گروه از پارامترها در این روش با α,β,γ شناخته می‌شوند. به این ترتیب α، ضریب هموارسازی دوره ها، β ضریب تغییرات روند و γ تعداد دوره‌های تغییرات فصلی دوره ها نیز به عنوان پارامترهای مدل هالت  - وینترز محسوب می‌شوند.

نکته: ممکن است در یک مدل سری زمانی، احتیاج به پیش‌بینی داده‌های آینده برای مثلا یک ساعت بعد داشته باشید. در این حالت اگر می‌خواهید مدلی‌ پیش‌بین برای هفته‌های آینده را برحسب ساعت داشته باشید باید مدلی با طول فصل 168 ساعت و دوره‌های یک ساعته ایجاد کنید.

به منظور استفاده این روش در پیش بینی های فروش، می توانید از طریق لینک زیر با آموزش پیاده سازی این مدل در اکسل آشنا شوید. 

https://aparat.com/v/5hOeK