季节性线性回归（SLR）最近在IBP需求1908版本中引入，该版本基于线性函数计算季节性预测。

它可以考虑历史数据中确定的趋势和季节性模式。

而IBP需求从最初版本即也用于处理包含季节性成分的时间序列数据。该方法基于三个平滑方程：平稳分量，趋势，和季节性。

很多时候，预计SLR可能会产生比三重指数平滑算法（也可用于趋势或季节性）更稳健的结果。

让我们看看这两种模型在确定季节性数据预测时的表现。为了比较这些模型的预测能力，选择了两个季节性时间序列样本数据。

使用管理预测模型应用程序为这两种算法创建了预测模型。

对于图形分析分析，通过选择Create–>Analytics，使用IBP Analytics Advanced应用程序绘制时间序列历史数据和预期预测数据图表

时间序列数据1：

实际销售数量，系统计算的事后预测，以及根据时间序列数据1的两种算法生成的12个期间的预测，如下所示。时间序列图清楚地显示了数据序列中既有季节性成分又有趋势性成分。

因此可以清楚地看到，这两种算法在确定趋势和季节性方面都做得很好。趋势性和季节性很好地反映在过去和未来的值中，

但查看业务日志中的误差指标MAPE（即平均绝对百分比误差）值，电子商务数据分析，表明季节性线性回归算法在模型拟合中，对该时间序列数据留下了三指数平滑算法，这并不是那么简单通过图形图观察两种算法的事后预测

时间序列数据2：根据时间序列数据2的两种算法，实际销售数量、计算的事后预测和生成的12个期间的预测如下所示。时间序列图清楚地显示了数据序列只具有极端的季节性，且趋势可以忽略不计。

因此，物联网的，在这里可以清楚地观察到，与季节性线性回归相比，大淘客cms，此时间序列数据算法三指数平滑做得不错。

一个图形图，以及MAPE值，大数据平台，在业务日志中给出了一个清晰的图像，即三次指数平滑对该时间序列数据有很好的效果。

结论季节性线性回归是一种非常强大的算法，最近在1908年发布的IBP需求中加入了这种算法，trustdata大数据，它也可以产生比我们分析中所见的时间序列数据1的某些时间序列数据的三次指数平滑更强大的结果。该算法完美地捕捉了季节性和趋势，以反映在未来的预测中。

参考文献：https://help.sap.com/viewer/feae3cea3cc549aaa9d9de7d363a83e6/1908/en-US/2a90abfc64409ab47b1f8e35c7a8.html？q=季节性%20线性%20回归