您有所谓的间歇性需求，即以“许多”零为特征的需求时间序列。（如果您的时间序列本身不是需求，那么下面的大部分内容仍然适用。）因此，在网络上搜索“预测间歇性需求”已经很有帮助了。Teunter 和 Duncan (2009, JORS)概述了间歇性需求预测方法。

预测间歇性需求的标准方法是 Croston 方法。分别对需求间间隔和非零需求规模使用指数平滑。那么点预测是平滑的非零需求与平滑的需求间间隔的比率。Syntetos 和 Boylan (2001, IJPE)注意到 Croston 有点偏颇并提出了修改，但这通常不会在实践中产生太大的影响。

另一种方法是整数自回归移动平均模型 (INARMA)，它修改了标准 ARIMA 时间序列模型。Maryam Mohammadipour 就这些问题写了一篇论文。

我个人对这种预期点预测的有用性有很大的怀疑。每隔一个时间段有 1 个需求的时间序列的期望值是 0.5 ......每四个时间段有 2 个需求的时间序列也是如此......等等 - 尽管这些是，当然，越来越少 Poisson-y . 我认为了解需求的整个未来（和预测性）分布更有用。所以我为你寻找预测区间鼓掌！

但是，您发现的公式仅适用于连续数据的单指数平滑，通过 ARIMA 模型 SES 是最佳的。所以不适合统计数据。我更愿意建议您采用点预测的泊松分布的分位数。这仍然忽略了参数估计的不确定性（以及模型选择的不确定性等），但这是一种简单的可能性，并且可能比您拥有的公式更好。$\alpha(n-2)$$\hat{y}$$\lambda=\hat{y}$

Shenstone 和 Hyndman (2005, JoF)指出，没有一致的随机模型可以使 Croston 的方法是最优的 - 所有候选模型都是 (1) 连续的，而不是离散的，并且 (2) 可以产生负值。然而，对于那些候选模型，Shenstone 和 Hyndman 提供了预测区间。

最后，请注意：不要使用 MAD 来评估计数数据预测的准确性，尤其是对于间歇性需求。预期的 MAD 会被您未来分布的中位数（而不是其均值）最小化，如果您写出 65% 的数据为零，那么中位数为零......这意味着您可能会得到最低的 MAD零预测，这是严重的偏见，可能无用。这是我在去年的国际预测研讨会上就这个问题发表的演讲。或者看看Morlidge (2015, Foresight)。

最后一段无耻的自我推销：我在 IJF（Kolassa，2016 年）上发表了一篇文章，该文章着眼于预测低容量数据（主要是间歇性的），采用不同的准确度度量和不同的预测方法，包括各种 Poisson 模型。这可能对您有用。