零售業是美國最大的產業之一，近年來科技進步以及網路購物擁有價格優勢、交易方便等優點，未來電子商務將成為主流的銷售形式之一，一般實體零售業者如何因應這股潮流是一大課題。 　　與本研究有關之美國服飾零售業，實體店家還是占市場的多數，因此，為了提升服飾零售實體店家的競爭優勢，我們預測來店人數，一方面調整人力資源的分配與進貨量，提供顧客優良的服務品質，另一方面視情況提出促銷方案吸引顧客上門，進而提升營運效率。 　　每年從感恩節到聖誕節這一個月的時間，是關乎全美零售業生存與否的重要時刻，這段時間的銷售額約占全年銷售總額的1/5，也就表示來店人數在這段期間會維持在一定的數值以上甚至達到全年巔峰，而如何不受影響達到精準預測？本研究欲找出指數平滑法中適合的模型精準預測來店人數的資料。 　　本研究旨在探討指數平滑法與延伸之狀態空間模型，指數平滑法屬於時間序列(Time series)的預測方法，是應用相當廣的一種預測方法，一般由趨勢(Trend)以及季節性(Seasonality)組合而成，而將指數平滑模型加入誤差項以後的狀態空間模型，過去一直沒有一個隨機模型做為架構納入概似估計與預測區間等，近幾年才發展出模型之最佳化準則來估計參數，而本研究想探討哪一個狀態空間模型適用於預測來店人數資料以及狀態空間模型之最佳化準則是否能使預測結果更準確。 　　本研究之資料為美國時尚精品服飾店2007年營業時間內每小時來店人數，而實證分析後發現Holt-Winters季節性加法模型ETS(A,A,A)蠻適合用來預測來店人數，此外ETS(A,A,A)模型之最佳化準則以AMSE準則與MLE準則表現最佳， MAE準則表現最差。