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.

이동평균법의 주된 결점은 회귀분석기법에서도 마찬가지이지만 방대한 양의 과거자료를 계속
보유해야 한다는 점이다. 이러한 기법들은 계속적으로 새로운 자료가 추가되면 가장 오래된 자료를 차례로
제거해 가면서 새로운 예측치를 산출해 낸다는 것이 공통적인 특징이다.


이는 최근의 실적치가 과거의 실적치보다 미래의 예측에 더 크게 영향을 미친다고 보기 때문이다.
이처럼 과거로 거슬러 올라 갈수록 자료의 중요성이 감소한다는 가정하에서 가장 논리적이고 이용하기가
편리한 예측기법이 곧 지수평활법(exponential smoothing method)이다



지수평활법은 일정의 가중이동평균법으로서 그 명칭은 과거 자료에 가중치를 부여하는 방법에서 유래하였다.
이 기법에서는 가장 최근의 실적치에 가중치의 대부분을 부여하며 과거의 자료를 거슬러 올라 갈수록 가중치가
지수적으로(exponentially) 감소한다고 가정한다.

시계열 자료가 추세(trend)가 존재하는 경우 단순 지수평활법 적용하면
수요의 상향추세의 경우 너무 낮은 예측치가 적용되고 수요의 하향추세의 경우 너무 높은 예측치 적용된다
그러므로 시계열 자료가 추세(trend)가 존재하는 경우 사용하며 단순지수 평활법을 두 번 연속 적용하는
이중지수 평활법 (Double Exponential Smoothing)을 사용하면 된다.

한 단계 이후의 최적 ARIMA(0,2,2) 예측 공식을 사용하여 데이터를 평활한다.
이 절차는 추세가 있는 경우에 잘 작동하지만 일반적인 평활 방법의 역할을 할 수도 있다.
이중 지수 평활에서는 수준과 추세, 두 가지 성분에 대한 동적 추정치를 계산한다.

예측값의 길이는 짧으며, 프로파일은 마지막 추세 성분 추정치와 기울기가 같은 직선이다