问题可能在于 Holt-Winters 是一种特定的模型形式，可能不适用于您的数据。除其他外，硬件模型假设以下内容。a) 一个且只有一个趋势 b) 数据中没有水平变化，即没有截距变化 3) 季节性参数不随时间变化 4) 没有异常值 5) 没有自回归结构或自适应模型结构 6) 具有恒定方差的模型误差当然 7）历史导致未来，即没有将价格/促销活动等作为帮助变量

根据您的描述，在我看来，可能需要一种混合频率的方法。我已经看到时间序列问题，其中一天中的小时效应和一周中的一天效应具有显着的交互项。您正试图将您的数据强制转换为不充分的结构，即不够概括的结构。估计参数并从一小组模型中进行选择并不能代替模型识别。您可能想在 www.autobox.com/pdfs/catchword.pdf 阅读有关自动建模的不同方法的文章。就更一般的方法而言，我建议您考虑一个 ARMAX 模型，也称为传递函数，它放宽了上述假设。

我认为你提到的 R 预测包比仅仅使用 Holt-Winters 更适合这个问题。您感兴趣的两个函数是ets()和auto.arima()。ets() 将拟合指数平滑模型，包括 Holt-Winters 和其他几种方法。它将为各种模型选择参数（alpha、beta 和 gama），然后返回具有最低 AIC（或 BIC，如果您愿意）的那个。auto.arima() 的工作方式类似。

但是，正如 IrishStat 指出的那样，这些模型可能不适合您的分析。在这种情况下，请尝试计算一些协变量，例如周末、节假日及其交互作用的虚拟变量。指定有意义的协变量后，使用 auto.arima() 查找 ARMAX 模型，然后使用forecast()进行预测。您最终可能会得到比在 python 中使用默认参数的简单 Holt-Winters 模型更好的东西。

您还应该注意 ets() 和 auto.arima 都可以拟合季节性模型，但您需要将数据格式化为季节性时间序列。如果您需要任何帮助，请告诉我。

您可以在此处阅读有关预测包的更多信息。