What is Holt-Winters exponential smoothing?

Holt-Winters (triple exponential smoothing) extends simple exponential smoothing with two extra recursive components: a trend term that tracks the local slope of the series, and a seasonal term that tracks a repeating additive offset per period (here, per day of the week). Three smoothing parameters — alpha for level, beta for trend, gamma for seasonal — control how quickly each component adapts to new observations versus how much it trusts its own history. This simulation implements the additive variant with the standard recursive update equations, not a scripted animation.

How is the forecast confidence band computed?

The band is not a fixed cosmetic width. The model records its one-step-ahead residuals (actual minus fitted value) over the training window and computes their standard deviation, sigma. For a forecast h days ahead, the uncertainty is modelled as growing with the square root of h — a standard approximation used in exponential-smoothing state-space forecasting — so the 95% band is the forecast plus or minus 1.96 times sigma times the square root of h. Widening the band correctly requires no drawing tricks, only the residual variance the model already computed while fitting.

What do the level, trend and seasonal components mean?

The level is the smoothed baseline demand with seasonality and noise removed. The trend is the estimated day-over-day change in that baseline — positive during the synthetic business's slow growth phase. The seasonal component is a repeating 7-value pattern (one offset per weekday) capturing the fact that Friday and Saturday order volume is structurally higher than midweek volume, independent of the overall growth trend. Multiplying or adding these three components back together reconstructs the fitted series.

How are MAE and RMSE used to judge forecast quality?

The simulation holds out the last block of days (the forecast horizon) from training and never lets the model see them while fitting. It then compares the forecast for those days against the real held-out values using Mean Absolute Error (average of |actual − forecast|) and Root Mean Squared Error (square root of the average squared error, which penalises large misses more heavily). Both update live as you move the alpha, beta, gamma or horizon sliders, showing directly how smoothing-parameter choices trade off against out-of-sample accuracy.

Why do restaurants need demand forecasting at all?

Order volume swings sharply by day of week (weekend spikes), grows or shrinks with the business over time, and is noisy day to day. Accurate short-horizon forecasts let a restaurant schedule the right number of staff, order the right amount of perishable stock and avoid both wasted food and stock-outs. Holt-Winters is popular in retail and hospitality precisely because it captures trend and weekly seasonality with only three tunable parameters and updates cheaply as new daily data arrives, without needing a full ARIMA identification process.

Головна▸ШІ та Машинне навчання▸Прогнозувальник Попиту для Ресторану

🍽️ Прогнозувальник Попиту для Ресторану — Часові Ряди Наживо

Спостерігайте, як справжній прогнозувальник у стилі експоненційного згладжування/ARIMA розкладає сезонну, трендову та шумову складові із синтетичної історії щоденних замовлень і прогнозує попит на наступний тиждень із живою довірчою смугою.

AI & Machine Learning3DСередній60 FPS

Про цю симуляцію

Цей симулятор генерує синтетичну 18-тижневу історію щоденної кількості замовлень для вигаданого ресторану — зі справжнім висхідним трендом зростання, повторюваним тижневим патерном (тихий будній день, різкий стрибок у п'ятницю/суботу, помірна неділя) та випадковим щоденним шумом плюс періодичні сплески у стилі акцій — а потім підганяє до неї справжню адитивну модель потрійного експоненційного згладжування Хольта-Вінтерса. Рівень, тренд і сезонна складові моделі оновлюються за стандартними рекурсивними рівняннями кожен тренувальний день, а підігнаний прогноз для відкладених останніх днів порівнюється зі справжніми відкладеними значеннями, щоб звітувати живу середню абсолютну похибку та середньоквадратичну похибку.

🔬 Що показано

Верхній графік накладає сирий ряд щоденних замовлень, підігнані на крок вперед значення моделі протягом тренувального вікна та прямий прогноз на відкладеному горизонті разом із 95% довірчою смугою. Ця смуга не має фіксованої декоративної ширини — вона виводиться зі стандартного відхилення власних залишків моделі на крок вперед, розширюючись із квадратним коренем горизонту прогнозу точно так, як передбачає теорія простору станів експоненційного згладжування. Нижній графік розкладає ряд на живі складові рівня, тренду й сезонності за днем тижня.

🎮 Як користуватися

Перетягніть повзунки α (рівень), β (тренд) і γ (сезонність), щоб змінити, наскільки швидко кожна складова адаптується до нових даних — низькі значення дають плавні, повільні складові; високі значення тісно відстежують шум. Повзунок горизонту прогнозу (7–28 днів) задає, скільки днів відкладається для перевірки. Повзунки сили сезонності й шуму керують генератором синтетичних даних; натисніть «Регенерувати» для свіжої випадкової історії або «Скинути», щоб відновити стандартні параметри згладжування.

💡 Чи знали ви?

Метод Хольта-Вінтерса був розроблений у 1950-60-х роках Чарльзом Хольтом та його студентом Пітером Вінтерсом спеціально для прогнозування попиту, і сьогодні він залишається стандартним базовим методом у системах управління запасами роздрібної торгівлі та готельного бізнесу, бо потребує лише трьох настроюваних параметрів, але охоплює і тренд, і сезонність — властивості, які наївне ковзне середнє чи проста модель експоненційного згладжування самі по собі відобразити не можуть.

Часті питання

Що таке експоненційне згладжування Хольта-Вінтерса?

Метод Хольта-Вінтерса (потрійне експоненційне згладжування) розширює просте експоненційне згладжування двома додатковими рекурсивними складовими: трендовим членом, що відстежує локальний нахил ряду, і сезонним членом, що відстежує повторюваний адитивний зсув за період (тут — за днем тижня). Три параметри згладжування — α для рівня, β для тренду, γ для сезонності — керують тим, наскільки швидко кожна складова адаптується до нових спостережень порівняно з тим, наскільки вона довіряє власній історії. Ця симуляція реалізує адитивний варіант зі стандартними рекурсивними рівняннями оновлення, а не сценарну анімацію.

Як обчислюється довірча смуга прогнозу?

Смуга не має фіксованої декоративної ширини. Модель фіксує свої залишки на крок вперед (фактичне значення мінус підігнане) протягом тренувального вікна й обчислює їхнє стандартне відхилення σ. Для прогнозу на h днів вперед невизначеність моделюється як зростаюча з квадратним коренем h — стандартне наближення, що використовується в прогнозуванні простору станів експоненційного згладжування — тож 95% смуга дорівнює прогнозу ± 1,96·σ·√h. Коректне розширення смуги не потребує жодних графічних хитрощів, лише дисперсію залишків, яку модель уже обчислила під час підгонки.

Що означають складові рівня, тренду й сезонності?

Рівень — це згладжений базовий попит без сезонності та шуму. Тренд — це оцінена зміна цього базового рівня день за днем — позитивна під час фази повільного зростання синтетичного бізнесу. Сезонна складова — це повторюваний патерн із 7 значень (по одному зсуву на день тижня), що відображає той факт, що обсяг замовлень у п'ятницю й суботу структурно вищий за обсяг у будні, незалежно від загального тренду зростання. Додавання цих трьох складових назад відтворює підігнаний ряд.

Як MAE і RMSE використовуються для оцінки якості прогнозу?

Симуляція відкладає останній блок днів (горизонт прогнозу) від тренування й ніколи не дає моделі побачити їх під час підгонки. Потім вона порівнює прогноз для цих днів із реальними відкладеними значеннями за допомогою середньої абсолютної похибки (середнє |фактичне − прогноз|) і середньоквадратичної похибки (квадратний корінь із середньої квадратичної похибки, яка сильніше карає великі промахи). Обидва показники оновлюються наживо, коли ви рухаєте повзунки α, β, γ або горизонту, безпосередньо показуючи, як вибір параметрів згладжування впливає на точність поза вибіркою.

Навіщо ресторанам взагалі прогнозування попиту?

Обсяг замовлень різко коливається за днем тижня (сплески у вихідні), зростає або скорочується разом із бізнесом із часом і є шумним день у день. Точні короткострокові прогнози дозволяють ресторану планувати правильну кількість персоналу, замовляти правильну кількість швидкопсувних запасів і уникати як марного витрачання їжі, так і дефіциту. Метод Хольта-Вінтерса популярний у роздрібній торгівлі та готельному бізнесі саме тому, що охоплює тренд і тижневу сезонність лише трьома настроюваними параметрами й дешево оновлюється з надходженням нових щоденних даних, без потреби в повному процесі ідентифікації ARIMA.

⚙ Під капотом

Справжня адитивна модель потрійного експоненційного згладжування Хольта-Вінтерса зі справжніми рекурсивними рівняннями оновлення рівня/тренду/сезонності розкладає синтетичний ряд щоденних замовлень і прогнозує вперед із довірчою смугою, виведеною з дисперсії залишків.

Canvas 2DHolt-WintersЧасові рядиПрогнозуванняДовірчий інтервал

3D · рушій Three.js / WebGL · ціль 60 кадрів/с · працює повністю на клієнті, без встановлення