Quelltext der Seite Exponentielle Glättung

Die '''exponentielle Glättung''' (''{{enS|exponential smoothing}}'') ist ein Verfahren der [[Zeitreihenanalyse]] zur kurzfristigen [[Extrapolation|Prognose]] aus einer Stichprobe mit periodischen Vergangenheitsdaten. Diese erhalten durch das exponentielle [[Glätten (Mathematik)|Glätten]] mit zunehmender Aktualität eine höhere Gewichtung. Die Alterung der Messwerte wird ausgeglichen, die Sicherheit der Vorhersage verbessert, insbesondere bei der Bedarfs-, Bestands- und Bestellrechnung. Grundlegend ist eine geeignete Datenbasis mit Messwerten aus Marktanalysen.

Die [[exponentiell]]e Glättung wird vor allem verwendet, wenn die [[Zeitreihenanalyse|Zeitreihe]] keinerlei systematisches Muster wie [[Linearität (Mathematik)|linearen]] Anstieg oder Ähnliches erkennen lässt. Das Verfahren wird beispielsweise in der [[Lagerhaltung]] verwendet, wenn es etwa darum geht, den Bedarf eines zu bestellenden Artikels im kommenden Jahr zu ermitteln. So hat die [[Schweizer Armee]] mit der exponentiellen Glättung gute Erfolge bei der Ermittlung der benötigten Gewehre im folgenden Jahr gemacht.

Man ermittelt mit der exponentiellen Glättung also [[Prognose]]werte. Man geht von dem Ansatz aus, dass der gegenwärtige Zeitreihenwert immer auch von den vergangenen Werten beeinflusst wird, wobei sich der Einfluss abschwächt, je weiter der Wert in der Vergangenheit liegt. Durch die Gewichtung der Zeitreihenwerte mit einem Glättungsfaktor werden starke Ausschläge einzelner beobachteter Werte auf der geschätzten Zeitreihe verteilt.

== Formales Modell ==

Gegeben ist eine Zeitreihe mit den [[Beobachtung]]en <math>y_1, y_2, \dotsc, y_t, \dotsc</math> zu den Zeitpunkten <math>t \in \N</math>. Im Zeitpunkt <math>t</math> wird für <math>y_t</math> ein geglätteter [[Schätzfunktion|Schätzwert]] <math>y^*_t</math> errechnet, der sich als [[Gewichtetes arithmetisches Mittel|gewichteter Durchschnitt]] ergibt aus dem aktuellen Zeitreihenwert <math>y_t</math> und dem Schätzwert der Vorperiode <math>y^*_{t-1}</math>. Die Gewichtung wird durch den Glättungsfaktor <math>\alpha</math> bestimmt, wobei <math>0 \leq \alpha \leq 1</math> sein muss. Man erhält

:<math>y^*_t = \alpha \cdot y_{t} + (1-\alpha) \cdot y^*_{t-1}</math>.

Für <math>\alpha = 1</math> ist der Vorhersagewert gleich dem Messwert (keine Glättung), für <math>\alpha = 0</math> bleibt die Vorhersage unverändert (Glättung zu einer Parallelen zur x-Achse).

Die Zeitreihe baut sich so [[rekursiv]] auf. Theoretisch ist die laufende Zeitreihe beim Zeitpunkt <math>t</math> bereits unendlich lang. Für die praktische Ermittlung des geglätteten Wertes wird man allerdings einen Startwert <math>y^*_0</math> vorgeben und von da an die geglättete Zeitreihe ermitteln.

Baut man nun beginnend bei <math>y^*_0</math> die geglättete Zeitreihe auf,

:<math>y_1^* = \alpha y_1 + (1-\alpha )y^*_0\;,</math>
:<math>y_2^* = \alpha y_2 + (1-\alpha )y^*_1\;,</math>
:<math>y_3^* = \alpha y_3 + (1-\alpha )y^*_2\;,</math>
:<math>\ldots</math>

erhält man, wenn man die Rekursion auflöst,

:<math> y^*_t = \alpha y_t + \alpha (1- \alpha ) y_{t-1} + \alpha (1- \alpha )^2 y_{t-2} + \dotsb + \alpha (1- \alpha )^{t-1} y_1 + (1- \alpha )^t y^*_0</math>.

Man sieht, wie wegen <math>\alpha < 1</math> die Einflüsse der Vergangenheit immer mehr verschwinden.

α wird deshalb auch Gegenwartsfaktor genannt. Je größer <math>\alpha</math>, desto stärker ist bei der Berechnung der Bezug auf die aktuelleren Werte.

Der Schätzwert <math>y^*_t</math> liefert dann den Prognosewert für den Zeitpunkt <math>t+1</math>. Liegt also der beobachtete Zeitreihenwert <math>y_t</math> der Gegenwart vor, kann die Prognose für die nächste Periode getroffen werden.

== Beispiel für den exponentiell geglätteten DAX ==
[[Datei:DaxGraph.png|mini|Graph der geglätteten DAX-Werte]]
Es soll mit den monatlichen Durchschnittswerten des [[Aktienindex]] [[DAX]] für die Monate Januar 1977 bis August 1978 eine exponentielle Glättung berechnet werden. Die Daten liegen nebst den geglätteten Zeitreihenwerten vor:

<div style="font-size:smaller; line-height:1.1em;">
 DAX-Werte und ihre exponentielle Glättung (α = 0,3)
 Monat Zeitpunkt t DAX Vt Glättung y*t
 1977 Jan 0 512,3 512,3
 1977 Feb 1 496,2 507,5
 1977 Mrz 2 509,8 508,2
 1977 Apr 3 551,9 521,3
 1977 Mai 4 539,9 526,9
 1977 Jun 5 524,9 526,3
 1977 Jul 6 530,3 527,5
 1977 Aug 7 540,9 531,5
 1977 Sep 8 541,3 534,4
 1977 Okt 9 554,2 540,4
 1977 Nov 10 557,5 545,5
 1977 Dez 11 549,3 546,7
 1978 Jan 12 549,4 547,5
 1978 Feb 13 552,9 549,1
 1978 Mrz 14 549,7 549,3
 1978 Apr 15 532,1 544,1
 1978 Mai 16 545,5 544,5
 1978 Jun 17 553,0 547,1
 1978 Jul 18 582,1 557,6
 1978 Aug 19 583,1 565,2
</div>

Der erste Wert wird mit 512,3 als Startwert <math> y_0^*</math> genommen. Wir verwenden einen Glättungsfaktor α = 0,3.

Es ergeben sich die geglätteten Werte

:<math>y_1^* = 0{,}3 \cdot 496{,}2 + 0{,}7 \cdot 512{,}3 = 507{,}5 \;,</math>
:<math>y_2^* = 0{,}3 \cdot 509{,}8 + 0{,}7 \cdot 507{,}5 = 508{,}2 \;,</math>
:<math>y_3^* = 0{,}3 \cdot 551{,}9 + 0{,}7 \cdot 508{,}2 = 521{,}3 \;,</math>
: …

Die Schätzung <math>y_1^*</math> ist jetzt der Prognosewert für die Periode 2 und so weiter.

Die Grafik zeigt die Glättung für α = 0,3 und α = 0,7. Man sieht, dass der kleinere Glättungsfaktor die Zeitreihe stärker glättet, denn hier geht der aktuelle Wert jetzt nur mit einem Gewicht von 0,3 ein, wogegen die „mittleren“ Vergangenheitswerte weiterhin mit 0,7 berücksichtigt werden.

== Doppelte exponentielle Glättung ==

Die exponentielle Glättung ist dann ein empfehlenswertes Verfahren, wenn die Zeitreihenwerte einen chaotischen Eindruck machen und keinerlei Systematik erkennen lassen. Liegen allerdings Beobachtungen vor, die einen [[Trend (Statistik)|Trend]] beinhalten, d.&nbsp;h. die laufend steigen oder fallen, "schleppen" die geglätteten Werte "hinterher", wie man auch teilweise in der Grafik erkennen kann. So sieht man deutlich, wie zwischen t = 7 und t = 12 die Schätzwerte immer systematisch unter den beobachteten Werten liegen. Man kann diesem Problem mit der so genannten "doppelten exponentiellen Glättung" abhelfen.

== Eigenschaften der exponentiellen Glättung ==
Ein Vorteil der exponentiellen Glättung ist es, dass die Berechnung in der Form

:<math>y^*_t = \alpha \cdot (y_{t} - y^*_{t-1}) + y^*_{t-1} </math>

nur jeweils eine Multiplikation, Addition und Subtraktion benötigt und nur einen gespeicherten Wert :<math>y^*_{t-1}</math>. Daher ist diese Filterung für [[Eingebettetes System| eingebettete Systeme]] mit wenig Speicher und Rechenleistung interessant.

Bei einer gaußverteilten Eingangsgröße nimmt die Streuung bei einem einfachen gleitenden Mittelwert über <math> N </math> Werte mit <math>  \frac{1}{\sqrt N}</math> ab. Die gleiche Dämpfung der Streuung erhält man bei exponentieller Glättung mit <math> \alpha = 2 / (N + 1) </math>.

== Glättungsverfahren ==

Unterschieden werden die exponentielle Glättung 1. Ordnung, 2. Ordnung und 3. Ordnung. Hier beschrieben ist die exponentielle Glättung 1. Ordnung. Die Variante der 2. Ordnung berücksichtigt einen Trend in der Zeitreihe.

== Anwendung der exponentiellen Glättung ==

Die exponentielle Glättung kann im [[Lagerhaltung|Bestandsmanagement]] als heuristische Alternative zu [[ARMA-Modell|komplexen Zeitreihenanalysen]] angewandt werden. Hierbei wird der Prognosewert <math>y^*_t</math> einer Periode mit dem realen Wert abgeglichen und damit parallel auch die geglättete [[Varianz (Stochastik)|Varianz]] der Schätzung ermittelt. Die Prognose von Mittelwert und Varianz kann basierend auf Welford's Online-Algorithmus wie folgt berechnet werden:<ref>{{cite web|last1=Finch|first1=Tony|title=Incremental calculation of weighted mean and variance|url=https://fanf2.user.srcf.net/hermes/doc/antiforgery/stats.pdf|website=University of Cambridge |language=en |access-date=2020-12-29}}</ref>

:<math>d = y_{t}- y^*_{t-1}</math>
:<math>y^*_t = (1 - \alpha) \cdot y^*_{t-1} + \alpha \cdot d</math>
:<math>\sigma^2_t = (1-\alpha) \cdot (\sigma^2_{t-1}+\alpha \cdot d^2)</math>.

Die Abweichung zwischen Prognosewert und realem Wert wird durch <math>d</math> dargestellt und <math>\sigma^2_t</math> entspricht der Varianz in Periode <math>t</math>. Als Startwerte sind <math>\sigma_0=0</math> und <math>y^*_0=y_0</math> zu setzen.

Im Bestandsmanagement kann mit diesen Informationen der optimale Lagerbestand <math>y_\text{opt}</math> abgeschätzt werden, um während der Zeit <math>t_\text{lead}</math> zwischen zwei Bestell- bzw. Produktioonszyklen lieferfähig zu bleiben:

:<math>y_\text{opt} = y^*_t \cdot t_\text{lead} + z(s) \cdot \sqrt{\sigma^2_t \cdot t_\text{lead}}</math>

Hierbei stellt der erste Summand den durchschnittlichen Bedarf dar. Der zweite Summand ergänzt einen [[Sicherheitsbestand]], um zwischenzeitliche Schwankungen aufzufangen. <math>z(s)</math> stellt einen vom Service Level <math>s</math> abhängigen Sicherheitsfaktor dar.

== Siehe auch ==
* [[Gleitender Mittelwert]]
* [[ARMA-Modell]]

== Weblinks ==
{{Wikibooks|Statistik: Glättungsverfahren#Exponentielle Glättung|Glättungsverfahren: Exponentielle Glättung}}

== Einzelnachweise ==
<references />

[[Kategorie:Zeitreihenanalyse]]
[[Kategorie:Materialbedarfsermittlung]]