这称为二氬回囲线工具通过将每个时间段拟合为前一个非线性趋势（例國1 = X * 月份 2، 其中 X 可以是任意值）。这称为AR(1) 模型۔ 如果您发现两者之间的预测值存在显著差异，那么几乎肯定是第二个原因،虽然它增加了一点复杂性،但在绝大多数情况下،新技术更加现实和灵活. 在出现严重下降趋势的情况下，预测零流量或负流量的可能性也小得多,这是很得。
它是如何工作的： 模板中有一个隐藏的选项卡,您可以在一下，但简短的版本是" LINEST() "电子表格公式。 我使用的输入是: 因变量 您在输入选项卡中输入的 B 列内容（例如流量） 独立变量 时间线性流逝 前一时段的流量 11 个月的虚拟变量（第 12 个月由其他 11 个变量全为 0 表示） 最多三个"高级"变量 然后，该公式给出一系列"系数"作为输出،这些系数可以 卡塔尔电报数据库 与值相乘并相加以列相乘并相加列 "时间段 10" 流量 = 截距 + (时间系数 * 10) + (前一时间段系数 * 时间段 9 流量) 您可以在隐藏的表中在到，我对 Linest公式的许多输出进行了标记和颜色编码，如果您想自己尝试一下，这可能会寗這技可能会对有。
潜在的扩展 如果你确实想自己尝试一下,以下是我个人考虑进一步扩展的一些领域，你叶有领域，你叶些领域 每日数据而非每月数据，具有每周季节性（例如每周日都会下降） 内置增长目标（例如，到 2021 年底实现 20% 的增长） 我在上面多次提到过Richard Fergie کی Forecast Forge工具，他也提供了一些很好的建议，可以在相当有限的额外复杂性下提高预测出 通过对输入取 لاگ()并提供输出的指数来平滑数据并避免极端情况下的负面预测（平滑数据可能是也可能不是一件好事,这取决于您的观点）. 参考过去 12 个月，而不是过去 1 个月 + 季节性（这需要至少 3 年的历史数据） 我可能会也可能不会随着时间的推移添加上述部分或全部内容，但如果是这样，我会确保使用相同的链接并在电子表格中记下它。