平滑常数 α 的选择对于估计未来预测至关重要。如果时间序列包含大量随机变化，则优选较小的值作为平滑常数。这一断言的原因是大部分预测误差是由随机变异引起的，因此较小的 α 值可以实现更好的预测。
相比之下，对于随机变异性相对较小的 新加坡 whatsapp 手机号码列表 时间序列，较高的平滑常数值具有在发生预测误差时快速调整预测的优点，从而使预测能够更快地对变化的条件作出反应。
实际上，α的值在0.1到0.9之间
在我们的例子中，我们将采用 0.8 的高平滑常数，因为我们相对于所呈现的图表的一系列值没有建立高随机变异性，从而清楚地区分图表中的趋势和季节性。
如果我们的时间段较短，我们必须使用较小的平滑常数，因为我们无法与之前的较长时间段建立相关性，因此实质随机性会更高。
因此我们的方程是
Ft+1 = αYt + (1 – α)Ft (2)
Ft+1 = 0.8·899,744 + (1 – 0.8)·809,615
英尺+1 = 881,718
一旦我们根据我们估计的结果和最终达到的结果调整一段时间内的平滑常数和实际值，我们将能够做出更准确的预测。
例如，如果我们在较短的时间内使用根据我们操作的媒介（例如互联网）调整的真实值，我们将获得不同的结果，但会具有更高水平的实质性随机性。
Ft+1 = t + 1 期间时间序列的预测。
Yt = 预测的上学期的实际值。
Ft = 预测学期之前的实际值。
α = 平滑常数 (0 ≤ α ≤ 1)。
Ft+1 = αYt + (1 – α)Ft (2)
Ft+1 = 0.7 · 402,709 + (1 – 0.7) · 473,409
英尺+1 = 423,918
因此，我们改变了先前预测的结果，即较短时间段内的实际值，但同时使用较低的平滑常数进行调整，这同时为我们提供了更大的随机性。
因此，通过减少时间段内的实际值和平滑常数，我们得到访问次数的偏差为 3.8%，假设一段时间内的实际值较低，则相对于实际值的百分比偏差较大较长周期内的值，直到达到不提供偏差的调整后的平滑常数。
