시계열 분석(time-series analysis)은 과거의 수요 패턴이 미래에도 지속될 것이라는 가정에 기초.
미래의 수요는 과거 수요 관찰치가 가지는 일정한 패턴을 파악하고 이러한 패턴을 예측기법에 적용함으로써
추정하는 방법이다.

앞에서 다룬 이동 평균법을 보면, N의 크기에 따라 사용되지도 않는 과거 데이터가 많음을 알 수 있다.
이런 데이터가 아까우면 지수 평활법은 이 아까운 데이터를 하나도 빠짐없이 활용할 수 있도록 도와준다.

시계열 분석(Time Series Analysis) 방법중 지수평활법(Exponential Smoothing Method)은
관찰된 실제수요와 이전 예측치에 상대적인 가중치를 두어 새로운 예측치를 구하는 방법이다.
지수 평활법도 이동 평균법과 마찬가지로 constant process나 linear trend를 보이는 시계열 데이터의
예측에 많이 사용된다. 보다 차수가 높은 형태의 trend를 보이는 데이터에도 적용할 수 있다.

지수 평활법과 이동 평균법의 근본적인 차이는 과거 데이터를 활용하는 정도와 , 과거 데이터에 부여하는
가중치의 정도이다. 즉, 지수 평활법은 가까운 과거의 데이터에 대해서는 가중치를 크게 주고, 현재로부터
먼 과거의 데이터에 대해서는 가중치를 적게주는 방법이다.

우선 단순지수평활법은 수요 패턴에 추세나 계절성이 관찰되지 않을 때 적합한 방법이다.
수요의 체계적 요소 = 수준 이라고 둔다.

새로운 예측치 = α(이전 기간의 실제 수요) + (1-α)(이전 기간의 예측치)
지수평활법은 가장 가까운 과거 자료에 가장 큰 가중치를 부여하고 과거로 갈 수록 가중치가 지수적으로
감소하는 특징을 갖은 일종의 가중이동평균법 이다.

위의 식은 미래의 예측치는 과거의 데이터에 대하여 가중치를 다르게 준 것을 평균한 것임을 의미한다.
이 때 중요한 것은 가중치의 합이 1이어야 한다는 것인데, 위에서 지수(alpha) 값을 0에서 1사이의 값으로
부여하면 가중치의 합은 항상 1이 된다. 지수 alpha의 값을 크게 주면, 가까운 과거에 큰 가중치를 부여한다는
의미이며, alpha의 값을 작게 주면 먼 과거의 데이터에도 가중치를 많이 준다는 의미가 된다.

단일 지수 평활법은 한 단계 이후의 최적 ARIMA(0,1,1) 예측 공식을 사용하여 데이터를 평활한다.
이 절차는 추세 또는 계절 성분이 없는 경우에 가장 잘 작동한다.
이동 평균[MA] 모형의 단일 동적 성분은 수준 성분이다.

예측값의 길이는 짧으며, 프로파일은 직선이다