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.

시계열이 수평형태를 보일 때 적절한 지수평활법과 달리 시계열에 선형추세가 존재한다면
이를 고려할 수 있는 Brown의 이중지수평활모형이나 Holt의 선형지수평활모형도 많이 활용된다.
하지만 이들 모형들은 계절성을 고려하지 못하는 단점이 있기 때문에 Winters는 Holt 모형을 확장하여
계절성을 설명할 수 있도록 모형을 제안하였다.

Winters 모형은 평균수준, 추세성분, 계절성분 등에 대한 평활방정식으로 구성되어 있으며, 계절성분을
표현하는 방식에 따라 승법모형 (multiplicative model)과 가법모형 (additive model)으로 구별된다.

분산이 시간의 흐름에 따라 일정하면 가법계절모형(Addwinters 모형)을 분산이 시간의 흐름에 따라 변동하면
승법계절모형(Winters 방법)을 사용한다

승법모형은 평균수준과 추세성분을 더한 결과에 계절성분을 곱하여 이를 예측값으로 한다.
가법모형은 평균수준과 추세성분을 더한 결과에 계절성분을 더하여 이를 예측값으로 한다.
승법모형을 활용한 분석 방법이 일반적이다.

Winters의 방법은 각 기간에서의 수준 성분, 추세 성분 및 계절 성분을 사용한다.
또한 세 개의 가중치 또는 평활화 모수를 사용하여 각 기간의 성분을 업데이트한다.
수준 및 추세 성분의 초기 값은 시간에 대한 선형 회귀 분석을 통해 얻는다. 계절 성분의 초기 값은
추세 제거된 데이터를 사용하는 지시 변수 회귀 분석을 통해 얻는다.

Holt-Winters 지수 평활 방법으로 데이터를 평활한다.
이 절차는 추세와 계절성이 존재하고 이 두 성분이 가법적이거나 승법적일 때 사용한다.
Winters의 방법에서는 수준, 추세, 계절 등 세 가지 성분에 대한 동적 추정치를 계산한다.

예측값의 길이는 짧음내지 중간이며, 프로파일은 계절 패턴이 있는 추세로 나타난다