该节点使用指数平滑法对时间序列进行训练，并输出用于预测的指数平滑模型。
指数平滑模型根据时间序列先前的观察值来预测未来，如根据销售历史记录来预测未来销售情况。该节点提供了自动、简单指数平滑、Holt线性趋势、简单季节模型、Winter加法和Winter乘法多种模型可以选择。其中自动是指节点会按照其他五个模型分别进行训练，然后输出效果最好的一个，所以自动选项运行耗时会相对长一些。  　　指数平滑节点与其他的节点稍有不同，用于分析的时间序列数据都是在均匀间隔的时间点下测量到的数据，时间序列的模型要求每个测量值之间要有一致的区间，所以，在指数平滑节点之前都要加一个时间区间节点以对时间区间有个规范的定义：指定要使用的时间区间（年、季度、月、日）。在模型训练或者预测的过程中将从时间区间生成的标准时间字段中获取相关的时间信息。
对话框选项
配置
目标
选择时间序列观测值字段，只能是数值型的字段。
模型
选择具体的分析模型，如果选择自动，将自动执行所有的模型并输出拟合精度最高的一个模型。
模型
简单指数
6.4.2. Y'_0 = Y_0
Y'_t = alpha*Y_t + (1-alpha)*Y'_t-1
Holt趋势
S_t = alpha*Y_t + (1-alpha)*(S_t-1 + b_t-1)
b_t = gama*(S_t - S_t-1) + (1-gama)*b_t-1
Y'_t+m = S_t + b_t*m
简单季节
S_t = alpha*(Y_t - I_t-L) + (1-alpha)*S_t-1
I_t = beta*(Y_t - S_t) + (1-beta)*I_t-L
Y'_t+m = S_t + I_t+m-L
Winter加法
S_t = alpha*(Y_t - I_t-L) + (1-alpha)*(S_t-1 + b_t-1)
b_t = gama*(S_t - S_t-1) + (1-gama)*b_t-1
I_t = beta*(Y_t - S_t) + (1-beta)*I_t-L
Y'_t+m = S_t + b_t*m + I_t+m-L
Winter乘法
S_t = alpha*(Y_t/I_t-L) + (1-alpha)*(S_t-1 + b_t-1)
b_t = gama*(S_t - S_t-1) + (1-gama)*b_t-1
I_t = beta*(Y_t/S_t) + (1-beta)*I_t-L
Y'_t+m = (S_t + b_t*m)*I_t+m-L
端口
输入端口

输出端口