移動平均預測

移動平均預測方法是一種比較簡單的預測方法。這種方法隨著時間序列的推移，依次取連續的多項數據求取平均值，每移動一個時間周期就增加一個新近數據，去掉一個遠期數據，得到一個新的平均數。由於它逐期向前移動，所以稱為移動平均法。由於移動平均可以平滑數據，消除周期變動和不規則變動的影響，使得長期趨勢顯示出來，因而可以用於預測。

例如，圖顯示了某企業近10個月的銷售數據，要以三個月為計算周期使用移動平均的方法來預測下一個月的銷售額，可以這樣操作：

在C4單元格中輸入下面的公式並向下複製填充至C11單元格：

=AVERAGE(B2：B4)

此時C列所得的序列就是這組銷售額以三個月為周期的移動平均值，其中最後一個C11單元格的移動平均值就是下一個月的銷售額預測值，如圖所示。

線性回歸預測

圖顯示了某生產企業近10個月的產量及其能耗數據，通過繪製X/Y散點圖可以發現，產量和能耗兩組數據基本呈線性關係。假定下一個月的計劃產量為 2100，要根據已知的數據對下一個月的能耗進行預測，可以使用下面的公式：

=TREND(C2：C11,B2：B11,2100)

TREND函數通過最小二乘法返回線性擬合的值，其語法為：

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

其中第一參數是已知的目標值序列，第二參數是已知的變數值序列，第三參數是需要預測的目標值所對應的變數值。將數據表中的數據代入就可以通過線性擬合運算得到相應的預測值。

除了TREND函數外，FORECAST函數也可以進行線性回歸的預測，其公式為：

=FORECAST(2100,C2：C11,B2：B11)

以下是FORECAST函數的語法，與TREND函數在參數的排列位置上稍有區別：

FORECAST(x,known_y’s,known_x’s)

上述公式的預測結果均為875.23，即表示採用線性回歸模型進行預測的情況下，產量達到2100時其能耗將達到875.23。

除此以外，還可以通過函數公式計算線性擬合方程y=kx+b中的斜率k和截距b的參數取值。

計算斜率可以使用函數SLOPE，其語法為：

SLOPE(known_y’s,known_x’s)

因此計算此例中線性擬合方程的斜率可以使用下述公式：

=SLOPE(C2：C11,B2：B11)

計算截距可以使用函數INTERCEPT，其語法為：

INTERCEPT(known_y’s,known_x’s)

因此計算此例中線性擬合方程的截距可以使用下述公式：

=INTERCEPT(C2：C11,B2：B11)

結合上述兩個函數的計算結果，產量達到2100時所需能耗的預測公式也可以變化為：

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