德尔菲法与指数平滑法

两者都靠”反复迭代”提升预测精度，但迭代的对象不同。德尔菲法针对的是”人的判断”：先匿名向多位专家分别做问卷调查，汇总结果后再反馈给专家进行下一轮追加问卷，如此循环直到意见趋于一致——匿名和多轮反馈的设计能有效避免权威压制、群体盲从这类偏误，靠集体智慧发现单个专家容易忽略的漏洞。指数平滑法针对的是”数值序列”：新的预测值=α×上一次真实值+(1-α)×上一次预测值，α（0到1之间）决定重视最新真实值还是重视此前的预测惯性，α越接近1对新数据反应越灵敏，越接近0越平滑抗噪。二者的共性在于都不追求”一次性算对”，而是承认单次判断/单次数据都有噪声，用结构化的重复修正去逼近更可靠的结果。