一句话定义：指数平滑（Exponential Smoothing）是一类时间序列预测方法：它把历史数据按“越近的权重越大、越远的权重越小”的方式加权平均，用这个加权结果来预测下一个值。
怎么算的
最基础的一次指数平滑（Simple Exponential Smoothing）只有一行公式：
> 新预测 = α × 本期实际值 + (1 − α) × 上期预测值
α 是 0 到 1 之间的平滑系数。把这个式子反复往前代入，就会展开成对全部历史数据的加权求和，权重按 (1 − α) 的幂次一轮轮衰减，这就是“指数”二字的来历：不用记住所有历史，只要保留上一期的预测值，就能等价地表达整段历史。
生活化的比方
判断今天出门穿什么，你不会把一个月前的天气和昨天同等看待。α 就是你“有多信最新消息”：α 接近 1，几乎只看眼前这一天，曲线跟着数据剧烈跳动；α 接近 0，你很固执，只信长期平均水平，曲线平得像一条直线。选 α，本质是在“反应快”和“抗噪声”之间调档位。
家族里还有谁
- 一次平滑：只有“水平”项，适合没有明显趋势和季节的数据；
- 二次、即 Holt 方法：多一个趋势方程，能顺着斜率往前推；
- 三次、即 Holt-Winters：再加季节项，适合有明显周期的数据（日周期、周周期、年度旺季）。
这里的“二次、三次”指有几个平滑方程，不是数学上的平方和立方。
和相邻概念的区别
| 方法 | 权重分配 | 存储成本 | 模型假设 |
|---|---|---|---|
| 移动平均 Moving Average | 窗口内等权，窗口外丢弃 | 要存整个窗口 | 无 |
| 指数平滑 | 连续指数衰减，永不归零 | 只存一个上期预测值 | 启发式 |
| ARIMA | 由自回归、差分、移动平均项决定 | 要存参数与历史 | 明确的统计模型 |
和指数加权移动平均（EWMA）基本是同一套数学，只是叫法侧重不同：EWMA 多用于“平滑与监控”（如延迟分位数、控制图），指数平滑多用于“向前预测”。
对从业者的实际意义
凡是默认“近期更重要”的指标，比如接口延迟、日活、转化率、门店销量，都可以先用指数平滑做一个基线，比“直接取上周同期”靠谱得多，几行代码就能跑起来。它也是很好的对照组：复杂模型打不过它，说明模型没学到真东西。α 通常用历史数据最小化预测误差来拟合，具体实现各家库不同，以官方文档为准。
局限也要知道：遇到结构性突变反应滞后；对异常值敏感，一次异常会被 α 带进后面几期预测；多步预测会迅速被拉平，慢慢地就不再体现趋势。普通人则在 Excel 的预测功能、各类 BI 报表的“预测”按钮里见过它：看懂“越近权重越大”，就明白那条平滑曲线为什么总慢半拍。