该算法是目前最重要的算法之一。从金融时间序列、信号处理到神经网络，其应用非常广泛。基本上所有的数据都是有序的。

我们主要使用此算法来减少噪音时间序列数据中的噪音。我们使用的术语是“smoothing”数据。

我们实现这一目标的方法是通过权衡观测的数量并使用它们的平均值。这被称为移动平均值。

但是，这种方法是有效的，它不是很容易做到的，因为它涉及在内存缓冲区中保存过去的值，并且每当读取新的观察值时，都要不断地更新缓冲区。EWMA就是在这里出现的。

EWMA用递归公式解决了这个问题

EWMA formula

公式说明：

公式指出，t时刻的移动平均值(S)的值是t时刻原始信号(x)的值与移动平均本身的前值(即t-1)的混合。混合程度由参数a(0-1之间的值)控制。

所以，如果a = 10％（小），则大部分贡献将来自信号的先前值。在这种情况下，“ smoothing ”将非常大。

如果a = 90％（大），则大部分贡献将来自信号的当前值。在这种情况下，“smoothing ”将是小的。

因此，为了更好地理解，我们将考虑“一周中的平均温度变化”数据。

正如您所看到的，我们需要在上面的图中“smoothing ”，以保持数据的一致性。

现在让我们取一个= 10％，考虑到新的公式将是：

EWMA公式为a = 10％

EWMA的计算

原始图与EWMA

正如我们所看到的，a = 10％提供了非常强的平滑。

总而言之，我们引入了EWMA并解决了一个样本数据集，以查看时序/时序数据如何在各种算法中平滑使用。