自Excel2016版本起，引入了更为先进的指数平滑预测函数FORECAST.ETS，替代了原先的线性预测函数FORECAST.LINEAR。接下来，我们将详细探讨如何基于时间序列数据进行预测操作。
我们的数据源为官方公布的确诊病例时间序列数据。
线性趋势预测的方法与图表中的趋势线相吻合。此函数操作简便，仅需三个关键参数：
- 待预测的x值，即时间点，例如我们要预测2020年2月8日的确诊病例数。
- 已知的x值，对应为日期序列。
- 已知的y值，即确诊病例的数量。
通过简单的函数操作，我们可以得出预测值。为了更直观地展示这一过程，我们绘制了相应的图表。趋势线的公式是基于一个6阶线性方程，将x=2020/2/8代入该方程，即可得到与FORECAST.LINEAR函数相似的结果。
在实际观察中，大家可能会对FORECAST.LINEAR函数的预测结果产生疑虑。我们进一步探讨指数平滑预测法，即FORECAST.ETS函数。
指数平滑预测法是一种高级预测技术。关于此方法的详细解释，大家可自行查询相关资料。虽然此函数参数较多，但核心的必选参数仍然只有三个，与指数平滑预测的参数用法相似。后面的参数主要用于预测修正。
必选参数的顺序与线性预测略有不同，请大家注意区分。
- 要预测的日期：例如，我们要预测2020年2月8日的确诊病例数。
- 值：即确诊病例的数据。
- 时间线：也就是日期列。
除此之外，还有几个可选参数供我们选择：
- 季节指数：用于判断历史数据是否呈现季节性变化规律。
- 缺值修正：针对数据中可能存在的缺失值，我们需决定是按零值计算，还是采用插值法进行修正。
- 聚合方法：若同一日期有多条数据，我们需要决定是求和、平均还是采用其他计算方法。
对于我们的案例而言，只需使用前三个核心参数即可达到预测目的。
在此，大家可能会对一些问题存在疑惑：
为了确定历史数据是否有季节性变化规律，我们可以使用FORECAST.ETS.SEASONALITY函数。此函数的结果可作为FORECAST.ETS的第四参数。若不确定数据是否有季节变化规律，可直接在第四参数位置使用此函数。由于我们的数据呈现单边上升趋势，无季节变化规律。
问题二：缺值修正如何选择？
在我们的案例中，数据完整无缺值，因此缺值修正的选择并不影响结果。
问题三：聚合方法应如何选择？
若我们的数据为非重复时间序列数据，例如要进行全国的数据预测而数据是分省的时间序列数据，那么聚合方法的选择（如SUM）则变得无关紧要。
问题四：FORECAST.ETS.CONFINT函数的用途是什么？
FORECAST.ETS.CONFINT函数用于计算置信区间。例如，若我们要计算预测结果的90%置信区间，则实际结果有约90%的可能性落在通过此函数计算得到的范围内。
问题五：FORECAST.ETS.STAT函数的作用是什么？
FORECAST.ETS.STAT函数提供预测相关的统计结果，即对预测结果进行评估。
经过精心选择的指数平滑预测法能够为我们提供更为可靠的预测结果，其90%的置信度区间将为我们提供更准确的预测参考。