平滑算法经常被用来同时保持长期趋势从数据集中删除周期分量。对于每月一次经常表现出季节性波动被采样例如，时间序列数据。同时保持长期趋势一个12个月的移动平均滤波器将去除季节性成分。

可替代地，平滑算法可用于生成用于探索性数据分析的描述性模型。经常使用这种技术时，是不切实际的规定，描述了一组变量之间的关系的参数模型。

信号或时间序列平滑技术范围学科，包括信号处理，系统识别，统计，和计量经济学的使用。

常见的平滑算法包括：

• LOWESS和黄土：利用当地的回归模型非参数平滑方法
• 核平滑：非参数建模方法的平稳分布函数
• 平滑样条曲线：进行曲线拟合非参数统计分析
• 自回归移动平均（ARMA）滤波器：过滤器使用时，数据呈现串行自相关
• Hodrick普里斯科特过滤器：过滤器中使用通过提取季节性部件以平滑的计量时间序列
• Savitzky-Golay平滑滤波器：过滤器使用时的信号具有应当保留高频信息
• 巴特沃斯滤波器：在信号处理中使用的过滤器，以除去高频噪声

有关平滑的更多信息，请参阅统计和机器学习工具箱™，曲线拟合工具箱™，计量经济学工具箱™，系统辨识工具箱™和信号处理工具箱™。