移动平均预测

移动平均预测方法是一种比较简单的预测方法。这种方法随着时间序列的推移，依次取连续的多项数据求取平均值，每移动一个时间周期就增加一个新近数据，去掉一个远期数据，得到一个新的平均数。由于它逐期向前移动，所以称为移动平均法。由于移动平均可以平滑数据，消除周期变动和不规则变动的影响，使得长期趋势显示出来，因而可以用于预测。

例如，图显示了某企业近10个月的销售数据，要以三个月为计算周期使用移动平均的方法来预测下一个月的销售额，可以这样操作：

在C4单元格中输入下面的公式并向下复制填充至C11单元格：

=AVERAGE(B2：B4)

此时C列所得的序列就是这组销售额以三个月为周期的移动平均值，其中最后一个C11单元格的移动平均值就是下一个月的销售额预测值，如图所示。

线性回归预测

图显示了某生产企业近10个月的产量及其能耗数据，通过绘制X/Y散点图可以发现，产量和能耗两组数据基本呈线性关系。假定下一个月的计划产量为 2100，要根据已知的数据对下一个月的能耗进行预测，可以使用下面的公式：

=TREND(C2：C11,B2：B11,2100)

TREND函数通过最小二乘法返回线性拟合的值，其语法为：

TREND(known_y&’s,known_x&’s,new_x&’s,const)

其中第一参数是已知的目标值序列，第二参数是已知的变量值序列，第三参数是需要预测的目标值所对应的变量值。将数据表中的数据代入就可以通过线性拟合运算得到相应的预测值。

除了TREND函数外，FORECAST函数也可以进行线性回归的预测，其公式为：

=FORECAST(2100,C2：C11,B2：B11)

以下是FORECAST函数的语法，与TREND函数在参数的排列位置上稍有区别：

FORECAST(x,known_y&’s,known_x&’s)

上述公式的预测结果均为875.23，即表示采用线性回归模型进行预测的情况下，产量达到2100时其能耗将达到875.23。

除此以外，还可以通过函数公式计算线性拟合方程y=kx+b中的斜率k和截距b的参数取值。

计算斜率可以使用函数SLOPE，其语法为：

SLOPE(known_y&’s,known_x&’s)

因此计算此例中线性拟合方程的斜率可以使用下述公式：

=SLOPE(C2：C11,B2：B11)

计算截距可以使用函数INTERCEPT，其语法为：

INTERCEPT(known_y&’s,known_x&’s)

因此计算此例中线性拟合方程的截距可以使用下述公式：

=INTERCEPT(C2：C11,B2：B11)

结合上述两个函数的计算结果，产量达到2100时所需能耗的预测公式也可以变化为：

=SLOPE(C2：C11,B2：B11)*2100+INTERCEPT(C2：C11,B2：B11)