Java实现数据平滑处理（小白也能学会的移动平均与时间序列平滑算法教程）

1. 简单移动平均（Simple Moving Average, SMA）

这是最基础的平滑方法。它通过计算连续若干个数据点的平均值，来生成一个新的、更平滑的数据序列。

假设我们有以下原始数据：[10, 12, 13, 15, 14, 16, 18]，窗口大小为3，则第一个平滑值为 (10+12+13)/3 = 11.67。

Java代码实现

import java.util.Arrays;public class SmoothingAlgorithms {    /**     * 简单移动平均算法     * @param data 原始数据数组     * @param windowSize 滑动窗口大小     * @return 平滑后的数据数组     */    public static double[] simpleMovingAverage(double[] data, int windowSize) {        if (data == null || data.length == 0 || windowSize <= 0) {            throw new IllegalArgumentException("输入参数无效");        }                // 平滑后的数组长度 = 原始长度 - windowSize + 1        double[] smoothed = new double[data.length - windowSize + 1];                for (int i = 0; i <= data.length - windowSize; i++) {            double sum = 0;            for (int j = 0; j < windowSize; j++) {                sum += data[i + j];            }            smoothed[i] = sum / windowSize;        }                return smoothed;    }    public static void main(String[] args) {        double[] rawData = {10, 12, 13, 15, 14, 16, 18};        int window = 3;                double[] result = simpleMovingAverage(rawData, window);                System.out.println("原始数据: " + Arrays.toString(rawData));        System.out.println("平滑后数据 (窗口=" + window + "): " + Arrays.toString(result));    }}

2. 加权移动平均（Weighted Moving Average, WMA）

简单移动平均对窗口内所有点一视同仁，但有时我们希望近期数据更重要。加权移动平均给近期数据赋予更高权重。

例如，窗口大小为3时，可设权重为 [1, 2, 3]，越靠后的数据权重越大。

Java代码实现

public static double[] weightedMovingAverage(double[] data, int windowSize) {    if (data == null || data.length == 0 || windowSize <= 0) {        throw new IllegalArgumentException("输入参数无效");    }        // 生成权重：[1, 2, 3, ..., windowSize]    int[] weights = new int[windowSize];    int weightSum = 0;    for (int i = 0; i < windowSize; i++) {        weights[i] = i + 1;        weightSum += weights[i];    }        double[] smoothed = new double[data.length - windowSize + 1];        for (int i = 0; i <= data.length - windowSize; i++) {        double weightedSum = 0;        for (int j = 0; j < windowSize; j++) {            weightedSum += data[i + j] * weights[j];        }        smoothed[i] = weightedSum / weightSum;    }        return smoothed;}

3. 指数平滑（Exponential Smoothing）

指数平滑是一种递归算法，只需保存上一个平滑值即可计算当前值，非常适合实时数据流处理。公式如下：

S_t = α × X_t + (1 - α) × S_t-1

其中 α 是平滑因子（0 < α < 1），α 越大，对最新数据越敏感。

Java代码实现

public static double[] exponentialSmoothing(double[] data, double alpha) {    if (data == null || data.length == 0 || alpha <= 0 || alpha >= 1) {        throw new IllegalArgumentException("输入参数无效");    }        double[] smoothed = new double[data.length];    smoothed[0] = data[0]; // 初始值设为第一个数据点        for (int i = 1; i < data.length; i++) {        smoothed[i] = alpha * data[i] + (1 - alpha) * smoothed[i - 1];    }        return smoothed;}

如何选择合适的平滑算法？

总结

通过本教程，你已经掌握了三种常用的Java平滑算法：简单移动平均、加权移动平均和指数平滑。这些技术广泛应用于数据平滑处理、移动平均算法优化以及时间序列平滑等场景。

建议你动手运行代码，尝试不同参数，观察输出结果的变化。实践是掌握算法的最佳方式！

提示：在实际项目中，可结合 Apache Commons Math 或 Weka 等库进行更复杂的平滑处理。