Holt 线性趋势模型，指数趋势模型和阻尼形式

1 Holt线性趋势模型
Holt 在1957年把简单的指数平滑模型进行了延伸，能够预测包含趋势的数据，该方法包含一个预测方程和两个平滑方程（一个用于水平，另一个用于趋势）：

$$\begin{align*} \text{Forecast equation}&& \hat{y}_{t+h|t} &= \ell_{t} + hb_{t} \\ \text{Level equation}&& \ell_{t} &= \alpha y_{t} + (1 - \alpha)(\ell_{t-1} + b_{t-1})\\ \text{Trend equation}&& b_{t} &= \beta^*(\ell_{t} - \ell_{t-1}) + (1 -\beta^*)b_{t-1} \end{align*}$$
其中$l_t$代表时刻t的预估水平，$b_t$代表时刻t的预测趋势（或坡度），$\alpha$是水平的平滑参数，$\beta^ *$是趋势的平滑参数。
这时候，预测函数不再是平的，而是具有趋势的。

2 指数趋势模型
另外一种Holt 线性模型的变体是指数趋势模型，这时水平和趋势不是相加的，而是相乘的。

$$\begin{align*} \hat {y}_{t+h|t} &= \ell_{t} b_{t}^h\\ \ell_{t} &= \alpha y_{t} + (1 - \alpha)(\ell_{t-1} b_{t-1})\\ b_{t} &= \beta^*\frac{\ell_{t}}{ \ell_{t-1}} + (1 -\beta^*)b_{t-1} \end{align*}$$
其中$b_t$代表预估的增长率（以相对的形式而不是绝对的形式）。这时候的趋势不是线性的，而是指数的。

3 阻尼趋势模型
经验表明，Holt的线性模型和指数模型倾向于对未来预测值过高，特别是对于长期预测。Gardner 和 McKenzie (1985)引入了一种阻尼效应，倾向于在未来保持一个水平的线。包含阻尼的趋势被证明是一种非常有效的预测方法。

除了Holt的方法中的$\alpha$和$\beta^*$，该方法还包含阻尼参数$0<\phi<1$:

$$\begin{align*} \hat {y}_{t+h|t} &= \ell_{t} + (\phi+\phi^2 + \dots + \phi^{h}) b_{t} \\ \ell_{t} &= \alpha y_{t} + (1 - \alpha)(\ell_{t-1} + \phi b_{t-1})\\ b_{t} &= \beta^*(\ell_{t} - \ell_{t-1}) + (1 -\beta^*)\phi b_{t-1}. \end{align*}$$
如果$\phi =1$，这种方法与Holt的线性模型相同。对于在0到1的值，$\phi$对趋势产生阻尼效应。实际上， 当$h→\infty$时对于任何的$0<\phi<1$预测值收敛于$l_T+\phi b_T/(1-\phi)$。
误差校正形式是：
$$\begin{align*} \ell_{t} &= \ell_{t-1} + \phi b_{t-1} + \alpha e_{t} \\ b_{t} &= \phi b_{t-1}+ \alpha \beta^*e_{t}. \end{align*}$$

4. 乘法阻尼趋势
Taylor(2003)引入了一种阻尼参数，建立了乘法阻尼趋势模型：

$$\begin{align*} \hat {y}_{t+h|t} &= \ell_{t}b_{t}^{(\phi+\phi^2 + \dots + \phi^{h})} \\ \ell_{t} &= \alpha y_{t} + (1 - \alpha)\ell_{t-1} b^\phi_{t-1}\\ b_{t} &= \beta^*\frac{\ell_{t}}{ \ell_{t-1}} + (1 -\beta^*)b_{t-1}^{\phi}. \end{align*}$$
这种方法的预测结果不像加法阻尼那么保守，误差校正形式是：
$$\begin{align*} \ell_{t} &= \ell_{t-1} b^\phi_{t-1}+\alpha e_{t}\\ b_{t} &= b^\phi_{t-1}+ \alpha \beta^*\frac{e_{t}}{\ell_{t-1}}. \end{align*}$$