LBFGS
1 LBFGS是解决非线性优化问题的方法，应用到我们的工程中，就是在于αβγ取何值，与实际预测误差最小。
2 在python程序的应用中，用到了MSE（均方差）的方法判定参数的标准，方差越小，估计值越好。
3 在试用python程序时，参数含义，x[]表示提供的数据，m表示周期（几个点数为一个周期），fc要预测的未来的点数。
4 考虑到未来使用时可能会消除异常点，这就会有一个问题，现在的周期数为表示的点数，即去除异常点后，会影响周期性，所以异常点必须要被替代。我的想法是找周边两点，先判断周边两点不是异常值，那么取平均值替代异常点。
三次平滑预测（Holt-Winters）
1 三次平滑针对有趋势和季节性的预测：αβγ分别有其对应的意义。α对应周期内各个数据的权重，α越接近0，平滑后的值越接近前i个数据的平滑值；β对应数据的趋势性；γ对应数据的周期性。
2 在找到αβγ后，数据的迭代方式为，明确αβγ后经过迭代求出预测值。
* St[i] = alpha * y[i] / It[i - period] + (1.0 - alpha) *
(St[i - 1] + Bt[i - 1])
* Bt[i] = gamma * (St[i] - St[i - 1]) + (1 - gamma) *
Bt[i - 1]
* It[i] = beta * y[i] / St[i] + (1.0 - beta) * It[i -
period]
* Ft[i + m] = (St[i] + (m * Bt[i])) * It[i - period + m]
3 相应的在java程序中相应的初始值，其中y[0]的初始值，java程序给了两种选定方式，一种是完整周期点书的平均值，一种是y[0]，初始值的选项只对预测的开始阶段有作用，经过迭代后预测效果差异不明显。
4 采样数据
1）testjson.json为一周的实际数据，getJson类采样的json文件的程序。共11252个点，将近一周采样数值，我取点放入data.txt文件中。
2）test2得到采用数据data.txt后，进行Holt-Winters数据预测。alpha、beta、gamma为python数据取得的参数。period为一个周期点，因为假设为每天一个周期，每分钟采点一次，所以period取60*24=1440。m为预测未来点数，我采用1440。（此处m我需要继续研究，因为程序中用到m迭代取1440即周期数预测是相对准确的。）
3）如图，Holt-Winters预测有范围，当我预测未来的点数过多（预测超过一个周期），会出现“断崖式”的下跌。我分析原因，是因为程序的预测是建立在上一个周期的样本点的基础上，当预测到第二个周期时，第一个周期的实际值已经不存在了，就无法预测。另外，图三per为误差百分比图。
消去异常点算法（IsolationForest）
1）IsolationForest算法的思想就是不断对数据进行随机切割，异常点有较大的概率在早期被切割出去。
2）查阅pyhon有相应的库可用，java在git上也有相应代码。
3）根据Holt-Winters算法预测效果，判断暂时还不需要使用IsolationForest排除异常点，故不细述。
以上
