基本方法
移動平均法只是利用過去一部分序列來進行預測的，而且用的是算術平均值，即認為起作用的數據點對未來預測值起同等作用。這是不太合理的。為了彌補這些缺點，就產生了指數滑動平均法。指數滑動平均法是時間序列預測中的一種重要方法，也是一種簡單而有效的預測手段 。
指數滑動平均法是對整個時間序列進行加權平均的一種方法。加權平均就是每一個已知數據都對未來值貢獻一部分力量。
指數滑動平均法 
指數滑動平均法 已知一個時間序列 ，它的一次加權平均值 為：
指數滑動平均法 
指數滑動平均法 其中； 為加權係數。
指數滑動平均法 若令 ，通過數學論證，則有
指數滑動平均法 指數滑動平均法 
指數滑動平均法 其中： 為第t周期的一次指數平滑值， 為加權係數。
指數滑動平均法 以一次指數平滑值為新的時間序列，再一次進行指數平滑，就可得二次指數平滑值 。 ·
指數滑動平均法 如果統計數據有線性變化趨勢，則線性平滑預測公式為：
指數滑動平均法 
指數滑動平均法 
指數滑動平均法 
指數滑動平均法 其中： 為 周期的預測值； 為乎滑係數。
指數滑動平均法 通過對具有線性關係的數據點進行分析，可以求出平滑係數。
指數滑動平均法 
指數滑動平均法 指數滑動平均法 指數滑動平均法 其中：為t周期的一次指數平滑值，為t周期的二次指數平滑值。
指數滑動平均法 在運用公式(3)進行預測時，需要注意兩個問題，一是加權係數的選取，一是初始值的估算。
加權係數
在平滑值公式(1)，(2)中，相當於：
指數滑動平均法 
指數滑動平均法 平滑值=(新數據)+()(原平滑值)
指數滑動平均法 指數滑動平均法 指數滑動平均法 指數滑動平均法 指數滑動平均法 因為原平滑值與舊數據有關，所以加權係數是新舊數據在平滑中的分配比值。取值的大小，實際上體現了不同時期的數據在預測中所起的不同作用。越大，新數據所起的作用也就越大。若過大，適應新水平過快，靈敏度高，容易對異常現象過敏，過小，比較保守，容易落後於新的發展趨勢。
指數滑動平均法 指數滑動平均法 指數滑動平均法 指數滑動平均法 掌握好值，是用好平滑法預測的重要環節。一般多採用幾個值計算，進行多方案分析。根據實際預測經驗，一般取值在0.01~0.30之間，在實際計算中，可取0.30，0.20、0.10、0.05等幾個數值。
初始值
由(1)式可知，當t=1時，則有
指數滑動平均法 
指數滑動平均法 同理：
指數滑動平均法 已知統計數據點數是從1開始的，所以分別為一，二次指數平滑值的初始值。·
指數滑動平均法 指數平滑值就是加權平均值，值的加權作用可用下式說明：
指數滑動平均法 
指數滑動平均法 其中：
指數滑動平均法 所以
繼續以同樣的方式推導，可得
指數滑動平均法 指數滑動平均法 
指數滑動平均法 
指數滑動平均法 
指數滑動平均法 由(6)式可以看出，指數平滑值就是加權平均值，時間越遠，各期加權係數值就越小，值對較遠數據的加權作用很小。因為，當時，。
指數滑動平均法 當數據點較多時，如t>10，初始值的作用很小，可以取
當數據點較少時，如t
