指数平滑预测法的优点：对不同时间的数据的非等权处理较符合实际情况。实用中仅需选择一个模型参数，即可进行预测，简便易行。具有适应性，也就是说预测模型能自动识别数据模式的变化而加以调整。
指数平滑预测法的缺点：对数据的转折点缺乏鉴别能力，但这一点可通过调查预测法或专家预测法加以弥补。长期预测的效果较差，故多用于短期预测。
适应范围
指数平滑法进一步加强了观察期近期观察值对预测值的作用，对不同时间的观察值所赋予的权数不等，从而加大了近期观察值的权数，使预测值能够迅速反映市场实际的变化。权数之间按等比级数减少，此级数之首项为平滑常数a，公比为(1-a)。
指数平滑法对于观察值所赋予的权数有伸缩性，可以取不同的a值以改变权数的变化速率。如a取小值，则权数变化较迅速，观察值的新近变化趋势较能迅速反映于指数移动平均值中。因此，运用指数平滑法，可以选择不同的a值来调节时间序列观察值的均匀程度(即趋势变化的平稳程度)。
扩展资料
指数平滑法的计算中，关键是α的取值大小，但α的取值又容易受主观影响，因此合理确定α的取值方法十分重要，如果数据波动较大，α值应取大一些，可以增加近期数据对预测结果的影响。如果数据波动平稳，α值应取小一些。
1、当时间序列呈现较稳定的水平趋势时，应选较小的α值，可在0.05～0.20之间取值。
2、当时间序列有波动，但长期趋势变化不大时，可选稍大的α值，常在0.1～0.4之间取值。
3、当时间序列波动很大，长期趋势变化幅度较大，呈现明显且迅速的上升或下降趋势时，宜选择较大的α值，如可在0.6～0.8间选值，以使预测模型灵敏度高些，能迅速跟上数据的变化。
4、当时间序列数据是上升（或下降）的发展趋势类型，α应取较大的值，在0.6~1之间。
参考资料来源：百度百科-指数平滑法
参考资料来源：百度百科-指数平滑预测法