需求预测方法.docx

需求预测方法
常用的物资需求预测方法主要包括基于时间序列模型的移动平均预测法、指数平滑预测法、趋势外推预测法等;基于因果分析模型的回归分析预测法,基于统计学习理论以及结构风险最小原理的支持向量机预测方法,基于人工智能技术的人工神经网络算法。归纳如图1:
图1:物资需求预测方法
时间序列法
:将预测对象按照时间顺序排列起来,构成一个所谓的时间序列,从所构成的这一组时间序列过去的变化规律,推断今后变化的可能性及变化趋势、变化规律,就是时间序列预测法。
:
时间序列法主要考虑以下变动因素:①趋势变动,②季节变动,③循环变动,④不规则变动。
若以St,Tt,Ct,It表示时间序列的季节因素St,长期趋势波动、季节性变动、
加法模型:
乘法模型:
混合模型:
时间序列预测一般反映三种实际变化规律:趋势变化、周期性变化、随机性变化。
:移动平均法、指数平滑法、季节变动法等
(1)移动平均法
①简单移动平均法:将一个时间段的数据取平均值作为最新时间的预测值。该时间段根据要求取最近的。例如:5个月的需求量分别是10,12,32,12,38。预测第6个月的需求量。可以选择使用3个月的数据作为依据。那么第6个月的预测量Q=32+12+383=27。
②加权移动平均法:将每个时段里的每组数根据时间远近赋上权重。例如:上个例子,3个月的数据,,,。那么第6个月的预测量Q=×32+×12+×38=29(只是在简单移动平均的基础上考虑了不同时段影响的权重不同,简单移动平均默认权重=1.)
(2)指数平滑法
基本思想:预测值是以前观测值的加权和,且对不同的数据给予不同的权数,新数据给予较大的权数,旧数据给予较小的权数。
指数平滑法的通用算法:
指数平滑法的基本公式:St=aYt+(1-a)St-1 式中,
St--时间t的平滑值;
Yt--时间t的实际值;
St-1--时间t-1的平滑值;
a--平滑常数,其取值范围为[0,1]
具体方法:一次指数平滑、二次指数平滑、三次指数平滑。
方法的选取:指数平滑方法的选用,一般可根据原数列散点图呈现的趋势来确定。当时间数列无明显的趋势变化,可用一次指数平滑预测。如呈现直线趋势,选用二次指数平滑法;若实际数据序列呈非线性递增趋势,采用三次指数平滑预测方法。如呈现抛物线趋势,选用三次指数平滑法。或者,当时间序列的数据经二次指数平滑处理后,仍有曲率时,应用三次指数平滑法。
(3)季节变动法
根据季节变动特征分为:水平型季节变动和长期趋势季节变动
①水平型季节变动: 是指时间序列中各项数值的变化是围绕某一个水平值上下周期性的波动。若时间序列呈水平型季节变动,则意味着时间序列中不存在明显的长期趋势变动而仅有季节变动和不规则变动。
季节指数=各年同季(月)平均数/总平均数
季节变差=各年同季(月)平均数-总平均数
②长期趋势季节变动:是指时间序列中各项数值一方面随时间变化呈现季节性周期变化,另一方面随着时间变化而呈现上升(或下降)的变化趋势。
季节指数=各年同季(月)平均数/趋势值
季节变差=各年同季(月)平均数-趋势值