SonnetDB 的 Holt-Winters 平滑：holt_winters() 双指数平滑与趋势提取

在时序数据分析中，识别和分离趋势成分是预测和异常检测的基础。SonnetDB 提供了 holt_winters(field, alpha, beta) 窗口函数，实现了 Holt 加法双指数平滑，能够从数据中同时提取水平（level）和趋势（trend）两个分量。

算法原理

Holt 双指数平滑在简单指数平滑的基础上增加了趋势分量的递推。其核心更新公式如下：

• 水平更新：level_t = alpha * x_t + (1 - alpha) * (level_{t-1} + trend_{t-1})
• 趋势更新：trend_t = beta * (level_t - level_{t-1}) + (1 - beta) * trend_{t-1}
• 拟合值：fit_t = level_t + trend_t

其中 alpha 控制水平分量的平滑速度，beta 控制趋势分量的平滑速度，两者取值范围均为 (0, 1]。首行直接输出 x_t 自身；第二行使用初始趋势 x_t - x_{t-1}；第三行起开始完整的递推。

参数调优指南

选择 alpha 和 beta 是 Holt-Winters 平滑的核心：

SELECT time, daily_active_users,
       holt_winters(daily_active_users, 0.5, 0.1) AS smooth_dau
FROM product_analytics
WHERE product = 'app-x'
ORDER BY time;

• alpha = 0.5, beta = 0.1：水平更新较快，趋势更新较慢，适合用户活跃度这种短期波动大但长期趋势稳定的数据
• alpha = 0.2, beta = 0.3：水平平滑力度大，趋势响应快，适合有明显上升/下降趋势的数据
• alpha = 0.8, beta = 0.01：几乎不对水平做平滑，但趋势几乎不变，适合跟踪噪声数据中的微弱趋势

趋势提取与可视化

Holt-Winters 的输出是 level + trend，即每行的拟合值。通过对比原始值与拟合值，可以直观地看到去噪后的趋势线：

SELECT time, page_views,
       holt_winters(page_views, 0.3, 0.2) AS trend
FROM web_analytics
WHERE site = 'homepage'
  AND time > NOW() - 7d;

在实际应用中，可以使用拟合值与实际值的残差来做异常检测：当 |actual - fitted| 超过阈值时触发告警。

与 TVF forecast() 的关系

SonnetDB 还提供了表值函数 forecast(measurement, field, horizon, 'holt_winters')，用于基于 Holt-Winters 算法预测未来的数据点。窗口函数 holt_winters() 侧重于对历史数据的拟合（平滑），而 TVF forecast() 侧重于向未来外推预测值。两者结合可以实现完整的"平滑→趋势识别→预测"分析流水线。