跳到主要内容

移动平均法

一、直观理解：用邻域均值抹平瞬时抖动​

移动平均（Moving Average）可以理解为：不直接相信某一个时刻的读数，而是看它附近一小段时间的平均水平。

想象你在记录某路口每分钟的车流量。某一分钟刚好赶上红灯切换，计数突然冲高；下一分钟又回到常态。如果把每一分钟都当成“真实需求”，后续模型会被这种瞬时噪声带着跑。更稳妥的做法是：取当前时刻前后若干分钟的平均，用这个局部均值代表该点附近的趋势。

这就是简单移动平均的核心思想：

  • 选定窗口宽度 ww；
  • 对每个时刻，用窗口内观测值的算术平均替代原值；
  • 窗口越大，曲线越平滑，但对突变的反应越迟钝。

移动平均不会“创造”新的物理量，它只是把高频抖动压低，把较慢的趋势或周期留下来。因此它既可用于去噪可视化，也可作为构造趋势特征的基线方法。

需要区分两种常用形式：

  • 居中移动平均：窗口对称地取过去和未来，适合事后分析与绘图，不适合在线预测；
  • 因果（后向）移动平均：只用当前及过去的观测，适合预测、滤波和实时监控。

二、适用场景与优缺点​

类型说明
适用场景时间序列或等间隔采样信号存在高频噪声；需要提取日/周趋势；需要构造平滑后的解释变量；需要快速建立可复现的去噪基线。
核心优点原理透明、计算简单、结果易复核；窗口含义直观，便于与业务周期对应；对中等强度随机噪声通常有效。
局限与缺点会抹平真实尖峰与突变；引入相位滞后（尤其是后向平均）；窗口两端边界处理不唯一；对非等间隔采样需先重采样或改用加权方案。

使用移动平均前通常需要完成以下检查：

  1. 确认序列大致等间隔，或已完成重采样；
  2. 明确目标是“事后看趋势”还是“在线预测/特征构造”；
  3. 估计噪声时间尺度与关心的信号时间尺度；
  4. 检查是否存在不应被抹平的尖峰、故障点或制度突变；
  5. 若用于监督学习，平滑参数只能在训练集上选定，并按同样规则映射到测试集。

如果序列含季节性，简单移动平均只能压噪声，不能自动分离季节项；此时应考虑季节分解、STL 或更专门的滤波方法。

三、核心原理：局部算术平均​

设观测序列为 y1,y2,…,yny_1,y_2,\ldots,y_n。

1. 奇数窗口的居中移动平均​

取窗口宽度 w=2h+1w=2h+1，则居中移动平均为：

y^t=1w∑r=−hhyt+r,t=h+1,…,n−h\hat y_t=\frac{1}{w}\sum_{r=-h}^{h}y_{t+r},\qquad t=h+1,\ldots,n-h

例如 w=5w=5 时，h=2h=2，每个点用自身及前后各 2 个点求平均。

2. 后向（因果）移动平均​

预测或实时场景中不能使用未来值，应采用：

y^t=1w∑r=0w−1yt−r,t=w,…,n\hat y_t=\frac{1}{w}\sum_{r=0}^{w-1}y_{t-r},\qquad t=w,\ldots,n

此时平滑结果相对原信号会有滞后，滞后期大约为 (w−1)/2(w-1)/2 个采样间隔。

3. 边界处理​

序列两端无法凑满完整窗口。常见做法包括：

  • 缩小窗口（如 MATLAB movmean 默认在边缘使用可用点）；
  • 端点复制或对称延拓后再平均；
  • 直接将两端 hh 个点标为缺失，不参与后续建模。

无论采用哪种规则，都应在报告中写清楚，避免复现时出现长度不一致。

4. 与加权移动平均的关系​

普通移动平均对窗口内各点等权。若希望更强调近期观测，可使用指数加权移动平均（EWMA）：

y^t=αyt+(1−α)y^t−1\hat y_t=\alpha y_t+(1-\alpha)\hat y_{t-1}

其中 α∈(0,1]\alpha\in(0,1]。EWMA 仍是“局部平均”思想，只是权重随时间衰减。

四、关键决策：窗口如何选​

窗口宽度是移动平均最关键的超参数。

1. 与业务周期对齐​

  • 若要压掉日内噪声、保留日趋势，窗口可取若干个采样点对应的“几小时”；
  • 若数据是日频、希望平滑掉星期效应以外的毛刺，窗口可试 3、5、7；
  • 窗口明显长于关心的变化尺度时，趋势本身也会被削平。

2. 平滑强度与信息损失的权衡​

可同时观察：

  • 原序列与平滑序列的残差 et=yt−y^te_t=y_t-\hat y_t 是否近似像高频噪声；
  • 已知事件（促销、故障、政策节点）附近的峰是否被过度削平；
  • 不同窗口下，后续回归/预测指标的变化。

3. 预测场景必须用因果形式​

比赛或工程里若要用 tt 时刻信息预测 t+1t+1，特征中的移动平均不能偷偷用到 yt+1,yt+2,…y_{t+1},y_{t+2},\ldots。居中平均只适合回顾性分析。

4. 缺失值与异常值​

窗口内若存在缺失，简单平均会偏向剩余点；若存在极端异常，均值会被拉偏。更稳健时可先做异常处理，或改用移动中位数。

五、MATLAB 示例​

下面用一条含噪声和尖峰的短序列，比较不同窗口与居中/后向平滑。

% 构造示例序列：缓慢趋势 + 正弦 + 噪声 + 一个尖峰
rng(1);
t = (1:40)';
y = 0.05*t + sin(2*pi*t/12) + 0.25*randn(size(t));
y(20) = y(20) + 3;   % 人为尖峰，观察平滑是否过度抹平

% 窗口宽度
w = 5;

% 居中移动平均（事后分析）
yCenter = movmean(y, w);              % 默认居中，边缘自动缩窗

% 后向移动平均（因果，可用于预测特征）
yCausal = movmean(y, [w-1, 0]);       % 使用过去 w-1 个点与当前点

% 对照：更大窗口
yCenter9 = movmean(y, 9);

figure;
plot(t, y, "-o", "DisplayName", "原始序列");
hold on;
plot(t, yCenter, "-s", "LineWidth", 1.5, "DisplayName", "居中 MA (w=5)");
plot(t, yCausal, "-d", "LineWidth", 1.5, "DisplayName", "后向 MA (w=5)");
plot(t, yCenter9, "-", "LineWidth", 1.5, "DisplayName", "居中 MA (w=9)");
xline(20, "--", "尖峰位置");
xlabel("时间 t");
ylabel("观测值");
title("移动平均：窗口与因果性的影响");
legend("Location", "best");
grid on;

% 残差：可粗略判断“被去掉的是不是高频成分”
resid = y - yCenter;
fprintf("居中MA残差的标准差 = %.4f\n", std(resid));
fprintf("原始序列标准差     = %.4f\n", std(y));

若序列在表中，也可直接对表变量做滚动统计：

tbl = table(t, y, yCenter, yCausal, ...
    "VariableNames", ["t", "y", "yCenter", "yCausal"]);
disp(tbl(1:8, :));   % 查看边缘缩窗后的前几项

六、如何解释结果​

解释移动平均结果时，重点不是“曲线变好看了”，而是说明平滑改变了什么、保留了什么。

完整报告通常应包括：

  1. 原始采样频率与是否等间隔；
  2. 窗口宽度及其业务含义（对应多长时间）；
  3. 采用居中还是后向平均，以及原因；
  4. 边界如何处理；
  5. 平滑前后关键统计量（均值、方差、峰位置）的变化；
  6. 是否误伤了真实事件峰；
  7. 平滑结果在后续模型中的角色（仅可视化 / 作为特征 / 作为标签的预处理）。

若把平滑序列送入回归或分类模型，还应比较“不平滑”与“平滑”两种输入在验证集上的表现，防止为了好看而损失预测信息。

七、常见误区​

1. 在预测特征里使用居中移动平均​

居中平均用了未来观测，会造成严重的数据泄漏，验证指标会虚高，线上失效。

2. 窗口拍脑袋取很大​

窗口过大时，不仅噪声消失，连要研究的趋势拐点、周期峰谷也会被削平，模型学到的是过度模糊的信号。

3. 把平滑值当成原始测量上报​

论文或赛题解答中若讨论测量误差、达标判定，应明确区分原始观测与滤波结果，否则量纲和不确定度都会被误解。

4. 忽略非等间隔采样​

传感器掉点、交易日休市会导致时间间隔不等。此时直接对下标做 movmean，物理时间尺度是扭曲的。

5. 用同一组全样本先选窗再评估​

窗口也是超参数。应在训练折内选择，再固定到验证/测试折，否则平滑强度本身会过拟合。

八、小结​

移动平均的核心思想可以概括为：

用局部邻域的平均值代替单点观测，压低高频噪声，突出较慢变化的趋势。

它适合作为时间序列去噪和趋势特征的第一基线：实现简单、参数少、便于答辩解释。代价是可能滞后、可能削峰，并且窗口选择必须与任务的时间尺度和因果约束一致。

实际建模中，可先用小窗口后向移动平均建立可复现基线；若必须保留峰形与局部斜率，再考虑 Savitzky-Golay 等更专门的平滑方法。