下面的讨论中，用$\lbrace x_t\rbrace$表示原始的观察数据，用$ \lbrace s_t \rbrace $表示平滑后的数据。
移动平均法
移动平均(moving average)可以看做是最近k个观察值的均值。
较小的k值，产生的平滑效果不明显，使得最近的数据变化明显的反应到 $s_t$中。而交大的k值，会产生明显的平滑效果，并且在数据序列中有显著地延迟效果。移动平均的缺点是在不借助其他方法的前提下，不能用于数据序列中最开始的前k-1项数据。
权重移动平均法
假设有一个k项的权重序列$\lbrace w_1, w_2, … w_k \rbrace$，满足$\sum_{n=1}^{k} w_n = 1$,那么把该序列应用到数据序列中，可以得到:
在应用权重移动平均方法时，往往会把较大的权重赋值给最近的数据项，这样就可以使得最近的数据项可以较大的反应数据的变化状况。权重移动平均法并没有解决移动平均法所具有的缺点，而且计算过程更加复杂。
一次指数平滑法
简单的一次指数平滑(exponential smoothing)法具有如下的形式
其中$\alpha$为平滑因子，$0 < \alpha <1 $,较大的$\alpha$ 降低平滑效果，使得平滑后的数据具有较近数据更多地性质，而较小的平滑因子，会增大平滑效果，使得平滑后的数据具有较少的最近数据的特征。可以使用最小二乘法来优化 $\alpha $.指数平滑法的命名也是由$(1-\alpha)^n而来，并且由于 0 <(1-\alpha) < 1$,则当n越大时，表明越久远的数据对第t期的数据影响越小。
一次指数平滑预测公式为$x_{i+h}=s_i$,即预测未来的h期的数据为一条直线，不能反应具有趋势和季节性的数据序列。
指数平滑和移动平均的区别在于指数平滑会考虑所有的已有数据，而滑动平均只会考虑k个已有数据。从技术实现上来说，滑动平均需要维护已有的k个数据点，而指数平滑只需要维护最近预测过的一个数据点。
当样本数据量大于42个时，$s_0$可以取第一期的观察值，而当样本数据量小于42时，$s_0$可以取前几期的平均值。并且在使用一次指数平滑法进行预测时，是由滞后作用的。
二次指数平滑法
一次指数平滑不能较好地应用于具有趋势的数据序列上，但二次指数平滑可以较好地应用于具有趋势的数据上。
方法1
定义$\lbrace b_t \rbrace$ 表示数据的趋势序列，则二次指数平滑法可以表示如下
其中$\alpha$为数据平滑因子，$0 < \alpha <1 , \beta$为趋势平滑因子，且$0 < \beta <1 $.则为了预测$x_t$之后的数据，可以通过
其中$m>0，t+m$,为需要预测的项。$F_0$是未定义的，对于第0期，是没有预测值的。$b_0$的选择很重要，一个替代的方案是使用$b_0 = \frac{x_n - x_0}{n},n > 0$
方法2
此方法又称为布朗线性指数平滑(Brown’s linear exponential smoothing (LES))定义如下：
其中$a_t$为在t时刻的预测水平，$b_t$为在t时刻的预测趋势，定义如下:
三次指数平滑法
三次指数平滑法同时考虑到了趋势和季节性变化，又称为Holt Winters指数平滑法.定义$\lbrace b_t \rbrace$ 表示数据的趋势序列，令$\lbrace c_t \rbrace $表示季节修正因子序列。$c_t$表示在时期$ t mode L $中的周期中的趋势比例。其中L表示季节周期长度。则所需的数据量t需要满足$t > L $.三次指数平滑的计算方式可以由下面的公式给出：
设定季节指数$c_i$比较困难，如果N具有完整地季节周期长度，那么
其中$L(j-1)表示第j-1个周期中的数据下标$,则$A_j$表示在第在数据序列中第j个周期中的数据的平均值。