需求預(yù)測方法-(2)

《需求預(yù)測方法-(2)》由會員分享，可在線閱讀，更多相關(guān)《需求預(yù)測方法-(2)（8頁珍藏版）》請在裝配圖網(wǎng)上搜索。

需求預(yù)測方法 常用的物資需求預(yù)測方法主要包括基于時間序列模型的移動平均預(yù)測法、指數(shù)平滑預(yù)測法、趨勢外推預(yù)測法等;基于因果分析模型的回歸分析預(yù)測法，基于統(tǒng)計學(xué)習(xí)理論以及結(jié)構(gòu)風(fēng)險最小原理的支持向量機預(yù)測方法，基于人工智能技術(shù)的人工神經(jīng)網(wǎng)絡(luò)算法。歸納如圖1： 圖1：物資需求預(yù)測方法 一、 時間序列法 1.定義：將預(yù)測對象按照時間順序排列起來，構(gòu)成一個所謂的時間序列，從所構(gòu)成的這一組時間序列過去的變化規(guī)律，推斷今后變化的可能性及變化趨勢、變化規(guī)律，就是時間序列預(yù)測法。 2.概況： 時間序列法主要考慮以下變動因素：①趨勢變動，②季節(jié)變動，③循環(huán)變動，④不規(guī)則變動。 若以St，Tt，Ct，It表示時間序列的季節(jié)因素St，長期趨勢波動、季節(jié)性變動、不規(guī)則變動．則實際觀測值與它們之間的關(guān)系常用模型有 加法模型： 乘法模型： 混合模型： 時間序列預(yù)測一般反映三種實際變化規(guī)律：趨勢變化、周期性變化、隨機性變化。 3.時間序列常用分析方法：移動平均法、指數(shù)平滑法、季節(jié)變動法等 （1）移動平均法 ①簡單移動平均法：將一個時間段的數(shù)據(jù)取平均值作為最新時間的預(yù)測值。該時間段根據(jù)要求取最近的。例如：5個月的需求量分別是10，12，32，12，38。預(yù)測第6個月的需求量?？梢赃x擇使用3個月的數(shù)據(jù)作為依據(jù)。那么第6個月的預(yù)測量Q=32+12+383=27。 ②加權(quán)移動平均法：將每個時段里的每組數(shù)根據(jù)時間遠(yuǎn)近賦上權(quán)重。例如：上個例子，3個月的數(shù)據(jù)，可以按照遠(yuǎn)近分別賦權(quán)重0.2，0.3，0.5。那么第6個月的預(yù)測量Q=0.232+0.312+0.538=29（只是在簡單移動平均的基礎(chǔ)上考慮了不同時段影響的權(quán)重不同，簡單移動平均默認(rèn)權(quán)重=1.） （2）指數(shù)平滑法 基本思想：預(yù)測值是以前觀測值的加權(quán)和，且對不同的數(shù)據(jù)給予不同的權(quán)數(shù)，新數(shù)據(jù)給予較大的權(quán)數(shù)，舊數(shù)據(jù)給予較小的權(quán)數(shù)。 指數(shù)平滑法的通用算法： 指數(shù)平滑法的基本公式：St=aYt+(1-a)St-1 式中， 　　St--時間t的平滑值； 　　Yt--時間t的實際值； 　　St-1--時間t-1的平滑值； a--平滑常數(shù)，其取值范圍為[0,1] 具體方法：一次指數(shù)平滑、二次指數(shù)平滑、三次指數(shù)平滑。 方法的選?。褐笖?shù)平滑方法的選用，一般可根據(jù)原數(shù)列散點圖呈現(xiàn)的趨勢來確定。當(dāng)時間數(shù)列無明顯的趨勢變化，可用一次指數(shù)平滑預(yù)測。如呈現(xiàn)直線趨勢，選用二次指數(shù)平滑法；若實際數(shù)據(jù)序列呈非線性遞增趨勢，采用三次指數(shù)平滑預(yù)測方法。如呈現(xiàn)拋物線趨勢，選用三次指數(shù)平滑法。或者，當(dāng)時間序列的數(shù)據(jù)經(jīng)二次指數(shù)平滑處理后，仍有曲率時，應(yīng)用三次指數(shù)平滑法。 （3）季節(jié)變動法 根據(jù)季節(jié)變動特征分為：水平型季節(jié)變動和長期趨勢季節(jié)變動 ①水平型季節(jié)變動: 是指時間序列中各項數(shù)值的變化是圍繞某一個水平值上下周期性的波動。若時間序列呈水平型季節(jié)變動，則意味著時間序列中不存在明顯的長期趨勢變動而僅有季節(jié)變動和不規(guī)則變動。 季節(jié)指數(shù)=各年同季（月）平均數(shù)/總平均數(shù) 季節(jié)變差=各年同季（月）平均數(shù)-總平均數(shù) ②長期趨勢季節(jié)變動:是指時間序列中各項數(shù)值一方面隨時間變化呈現(xiàn)季節(jié)性周期變化，另一方面隨著時間變化而呈現(xiàn)上升(或下降)的變化趨勢。 季節(jié)指數(shù)=各年同季（月）平均數(shù)/趨勢值 季節(jié)變差=各年同季（月）平均數(shù)-趨勢值 季節(jié)變動預(yù)測的方法很多，應(yīng)用時應(yīng)根據(jù)季節(jié)變動的類型選擇適應(yīng)的預(yù)測方法 若時間序列呈長期趨勢季節(jié)變動，則意味著時間序列中不僅有季節(jié)變動、不規(guī)則變動，而且還包含有長期趨勢變動。 （4）趨勢外推法 趨勢外推預(yù)測法是一種通過邏輯推理分析,以期達(dá)到預(yù)測效果的預(yù)測方法。其主要以事物發(fā)展的規(guī)律性為假設(shè)前提,即認(rèn)為只要能夠正確地了解并且掌握事物歷史及現(xiàn)有的發(fā)展?fàn)顟B(tài),就能夠遵循其發(fā)展規(guī)律來預(yù)測事物的未來發(fā)展趨勢。趨勢外推預(yù)測方法是一種探索型的預(yù)測方法,其主要適用于預(yù)測那些時間序列隨著單位時間的增加或者減少,出現(xiàn)變化大致相同的長期需求預(yù)測。 4.時間序列建模 時間序列是同類型指標(biāo)值按時間順序排列而形成的數(shù)列。很多行業(yè)特別是金融行業(yè)會產(chǎn)生大量的時間序列，如經(jīng)濟(jì)數(shù)據(jù)、股市數(shù)據(jù)等。要從這些數(shù)據(jù)中得到有用的數(shù)據(jù)，需要采用數(shù)據(jù)挖掘的技術(shù)，而建模是影響數(shù)據(jù)挖掘效果的一個重要因素，對于時間序列數(shù)據(jù)而言更是如此。 以下是時間序列建模的常用方法。 典型的時間序列模型有ARMA，HMM等基于模型的表示方法。 1.隱Markov模型（HMM）(matlab求解) 隱馬爾可夫模型（Hidden Markov Model，HMM）是統(tǒng)計模型，它用來描述一個含有隱含未知參數(shù)的馬爾可夫過程。其難點是從可觀察的參數(shù)中確定該過程的隱含參數(shù)。然后利用這些參數(shù)來作進(jìn)一步的分析，例如模式識別。HMM是一種不完全數(shù)據(jù)的統(tǒng)計模型，這種模型既能反映對象的隨機性，又能反映對象的潛在結(jié)構(gòu)，便于利用對象的結(jié)構(gòu)與局部聯(lián)系性質(zhì)等方面的知識，以及對研究對象的直觀與先驗的了解。HMM理論的主要內(nèi)容包括3個基本問題及其算法： *1 評估問題： 前向算法 *2 解碼問題： Viterbi算法 *3 學(xué)習(xí)問題： Baum-Welch算法(向前向后算法)[1] 2.自回移動平局模型（ARMA）（可以用SPSS和matlab求解） ARMA用于對平穩(wěn)時間序列的建模，是一類基于自相關(guān)的時間序列分析模型。ARMA模型是AR模型和MA模型的綜合，描述了系統(tǒng)對過去自身狀態(tài)的記憶和系統(tǒng)對過去時刻進(jìn)入系統(tǒng)的噪聲的記憶。近年來，許多成果將ARMA模型與時間序列挖掘方法相結(jié)合，用于研究時間序列的預(yù)測、分類、聚類以及相似查找等。 ARMA模型的基本思想是，時間序列數(shù)據(jù)的當(dāng)前值x，不僅受當(dāng)前干擾的影響，還與歷史數(shù)據(jù)以及歷史干擾緊密相關(guān)。一旦時間序列的這種自相關(guān)性能夠被定量確定，就可以對其建立合適的ARMA模型。 綜上所述，沒有一個模型能普遍適用于不同的應(yīng)用，實際中的時間序列建模方法都是與特定應(yīng)用相關(guān)的，由于應(yīng)用的關(guān)注角度不同，實際的時間建模方法也有顯著的差異。 二、 因果分析法 1.定義：是根據(jù)事物之間的因果關(guān)系來預(yù)測事物的發(fā)展和變化，通過對需求預(yù)測目標(biāo)有直接或間接影響因素的分析找出其變化的規(guī)律，并根據(jù)這種變化規(guī)律來確定預(yù)測值。因果關(guān)系模型用于研究不同變量之間的相關(guān)關(guān)系，用一個或多個自變量（多括時間）的變化來描述因變量的變化。 2.因果關(guān)系模型與時間序列模型不同：它不僅可以從事短期預(yù)測，而且還可以從事中、長期預(yù)測，也可以預(yù)測宏觀、中觀、微觀問題。 3.因果關(guān)系模型包括：回歸分析、經(jīng)濟(jì)計量模型、投入產(chǎn)出模型、灰色系統(tǒng)模型、系統(tǒng)動力學(xué)等。 ①回歸分析方法 回歸分析預(yù)測法是基于因果分析的預(yù)測方法,其主要通過分析與預(yù)測事物有關(guān)的現(xiàn)象的變化趨勢,從因果關(guān)系出發(fā),探究預(yù)測事物及其相關(guān)影響因子間的相互聯(lián)系,通過回歸方程的構(gòu)建,來預(yù)測未來需求。按照回歸模型中自變量的多少,回歸分析預(yù)測模型可以劃分為一元以及二元回歸模型兩大類。 (a) 一元回歸預(yù)測模型 一元回歸預(yù)測模型是指通過采用最小二乘法,尋找唯一自變量與因變量之間經(jīng)驗公式的預(yù)測方法。其首先需要確定唯一自變量,即找出影響預(yù)測目標(biāo)的關(guān)鍵因素,然后通過最小二乘法求出回歸方程系數(shù),最后還需進(jìn)行顯著性檢驗,即對回歸方程中自變量與因變量的密切程度進(jìn)行檢驗。 (b)多元回歸預(yù)測模型 一元回歸預(yù)測模型是影響因素通過關(guān)鍵影響因素作為唯一自變量來解釋因變量的變化的預(yù)測方法,但在實際情況中,致使因變量變化的因素可能涉及多個,這就需要引入多元回歸預(yù)測模型來完成預(yù)測的實現(xiàn)了,通過引用若干個影響因子作為自變量來解釋因變量的變化趨勢。雖然,多元回歸的原理與一元回歸模型沒有區(qū)別,但是在計算上卻更為復(fù)雜,不僅需要考慮所有自變量與因變量之間的相關(guān)性檢驗,還需要研究自相關(guān)、偏相關(guān)、多變量共相關(guān)等問題。 ②經(jīng)濟(jì)計量法 經(jīng)濟(jì)計量法是經(jīng)濟(jì)分析與數(shù)學(xué)方法相結(jié)合的一種預(yù)測方法。 通常將描述預(yù)測對象有關(guān)主要變量相互關(guān)系的一組聯(lián)立方程式稱為經(jīng)濟(jì)計量模型。 特點：經(jīng)濟(jì)系統(tǒng)，而不是單個經(jīng)濟(jì)活動；相互依存、互為因果，而不是單向因果關(guān)系； 必須用一組方程才能描述清楚。 經(jīng)濟(jì)計量模型的方程形式： 單方程計量經(jīng)濟(jì)學(xué)模型，是用單一方程描述某一經(jīng)濟(jì)變量與影響該變量變化的諸因素之間的數(shù)量關(guān)系。它適用于單一經(jīng)濟(jì)現(xiàn)象的研究，揭示其中的單向因果關(guān)系。 聯(lián)立方程模型則用多個方程描述經(jīng)濟(jì)系統(tǒng)中諸因素之間的數(shù)量關(guān)系。它適用于復(fù)雜經(jīng)濟(jì)現(xiàn)象的研究，在復(fù)雜的經(jīng)濟(jì)現(xiàn)象中，諸因素之間是相互依存、互為因果的。 單一方程式：例如：Y=X1+X2+X3 聯(lián)立方程式：例如：Y1=X1;Y2=Y1+X2+X3;Y3=Y2+X2 ③投入產(chǎn)出分析法 投入產(chǎn)出分析法是反映經(jīng)濟(jì)系統(tǒng)各部分（如各部門、行業(yè)、產(chǎn)品）之間的投入與產(chǎn)出間的數(shù)量依存關(guān)系，并用于經(jīng)濟(jì)分析、政策模擬、經(jīng)濟(jì)預(yù)測、計劃制定和經(jīng)濟(jì)控制等的數(shù)學(xué)分析方法。它是經(jīng)濟(jì)學(xué)與數(shù)學(xué)相結(jié)合的產(chǎn)物，屬交叉科學(xué)。 在收集資料確定本期企業(yè)投入產(chǎn)出平衡表基礎(chǔ)上，可以計算出各種消耗系數(shù)。假設(shè)企業(yè)設(shè)備和技術(shù)條件不變的條件下，就可以根據(jù)投入產(chǎn)出表建立的綜合平衡模型進(jìn)行預(yù)測應(yīng)用，為計劃管理、生產(chǎn)安排提供信息依據(jù)。 常見的有以下兩種應(yīng)用 ： a)已知計劃期內(nèi)各種自產(chǎn)產(chǎn)品總產(chǎn)量列向量X，求最終產(chǎn)品量列向量Y，以及為確保計劃完成所必須準(zhǔn)備的各種外購資源消耗總量的矩陣H。 b)已知計劃期內(nèi)最終產(chǎn)品計劃任務(wù)矩陣Y，計算計劃期內(nèi)各產(chǎn)品的總產(chǎn)量列向量X，以及確保計劃完成所必須提供的各種外購資源H矩陣。 ④灰色預(yù)測模型 定義：灰色系統(tǒng)是指相對于一定的認(rèn)識層次，系統(tǒng)內(nèi)部的信息部分已知，部分未知，即信息不完全，半開放半封閉的。 灰色預(yù)測是對灰色系統(tǒng)進(jìn)行的預(yù)測，其特點是預(yù)測模型不是唯一的；一般預(yù)測到一個區(qū)間，而不是一個點；預(yù)測區(qū)間的大小與預(yù)測精度成反比，而與預(yù)測成功率成正比。 通?；疑A(yù)測所用的模型為GM（1,1），該模型基于隨機的原始時間序列，經(jīng)累加生成新的時間序列，其中所呈現(xiàn)的規(guī)律用一階線性微分方程的解來逼近，從而得到預(yù)測方程。 適用于：中長期預(yù)測。 應(yīng)用：在預(yù)測應(yīng)用上，如氣象預(yù)報、地震預(yù)報、病蟲害預(yù)報等，國內(nèi)學(xué)者做出了許多有益的研究。 優(yōu)勢：所需樣本少，樣本不需要有規(guī)律性分布，更能動態(tài)地反映系統(tǒng)最新的特征，這實際上是一種動態(tài)預(yù)測模型。預(yù)測準(zhǔn)確度高。 (3)支持向量機預(yù)測模型 支持向量機(SVM)方法是一種小樣本的機器學(xué)習(xí)算法,其是在統(tǒng)計學(xué)習(xí)理論以及結(jié)構(gòu)風(fēng)險最小原則的基礎(chǔ)上探討所得的一種算法。通過對有限樣本信息的分析研究,在模型復(fù)雜性(針對特定訓(xùn)練樣本的學(xué)習(xí)精度)以及學(xué)習(xí)能力(準(zhǔn)確識別樣本的能力)之間尋求一個最佳平衡點,以獲得最佳的推廣能力。其核心思想是通過非線性變換將輸入空間變換到一個高維空間,然后在新空間中求取最好的線性分類面,非線性變換的完成主要是依靠準(zhǔn)確定義合適的內(nèi)積函數(shù),其最優(yōu)分離超平面,如圖2所示。 圖2：最優(yōu)分離超平面 支持向量機算法優(yōu)點較多,包括計算便捷、通用性強等。但其也存在一定的缺陷,即無法對大規(guī)模訓(xùn)練樣本實施運算,因為支持向量機算法是通過二次規(guī)劃來進(jìn)行求解的,二次規(guī)劃求解過程中要涉及多階矩陣的計算問題,當(dāng)階數(shù)過大的條件下,將會在很大程度上損耗計算機的存儲空間且增加機器的運算時間。 （4）BP神經(jīng)網(wǎng)絡(luò)模型 BP神經(jīng)網(wǎng)絡(luò)模型，是目前神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)模型中最具代表性、應(yīng)用最普遍的模型。BP神經(jīng)網(wǎng)絡(luò)架構(gòu)是由數(shù)層互相連結(jié)的神經(jīng)元組成，通常包含了輸入層、輸出層及若干隱藏層，各層包含了若干神經(jīng)元。 神經(jīng)網(wǎng)絡(luò)便于依照學(xué)習(xí)法則，透過訓(xùn)練以調(diào)整連結(jié)鏈加權(quán)值的方式來完成目標(biāo)的收斂。所得的神經(jīng)網(wǎng)絡(luò)構(gòu)架結(jié)構(gòu)基本形式.BP神經(jīng)網(wǎng)絡(luò)的神經(jīng)采用的傳遞函數(shù)一般都是Sigmoid(S壯彎曲)型可微函數(shù)，是嚴(yán)格的遞增函數(shù)，在線性和非線性之間顯現(xiàn)出較好的平衡，所以可實現(xiàn)輸入和輸出間的任意非線性映射，適用于中長期的預(yù)測；優(yōu)點是逼近效果好，計算速度快，不需要建立數(shù)學(xué)模型，精度高；理論依據(jù)堅實，推導(dǎo)過程嚴(yán)謹(jǐn)，所得公式對稱優(yōu)美，具有強非線性擬合能力。缺點是無法表達(dá)和分析被預(yù)測系統(tǒng)的輸入和輸出間的關(guān)系，預(yù)測人員無法參與預(yù)測過程；收斂速度慢，難以處理海量數(shù)據(jù)，得到的網(wǎng)絡(luò)容錯能力差，算法不完備(易陷入局部極小)。 三、新產(chǎn)品市場需求預(yù)測模型 巴斯模型 巴斯模型基礎(chǔ)假設(shè)及適用條件 1. 巴斯模型假設(shè)：新產(chǎn)品在市場上擴(kuò)散速度會受到兩種方式的影響：一種是大眾傳播媒介，另一種是口碑傳播。 2. 巴斯模型的適用條件：（1）企業(yè)已經(jīng)引入了新產(chǎn)品或者新技術(shù)，并且已經(jīng)觀察到它最初幾個時期的銷售情況。（2）企業(yè)還沒有引入該產(chǎn)品或者新技術(shù)，但是該產(chǎn)品或者技術(shù)在某些方面同已有一些銷售歷史的某種現(xiàn)有產(chǎn)品或技術(shù)很相似。 巴斯模型有幾個關(guān)鍵的假設(shè)條件，巴斯模型最重要的假設(shè)條件極其可能的擴(kuò)展如下： （1）市場潛量保持恒定。 （2）支持新產(chǎn)品的營銷策略不影響新產(chǎn)品的采用過程。 （3）消費者決策過程是二元的（只有 “接受”和“不接受”兩種答案）。 （4）q的值在新產(chǎn)品的整個生命周期里保持固定不變。 （5）模仿常具有積極作用。 （6）創(chuàng)新產(chǎn)品的采用不受其他創(chuàng)新是否被采用的影響。 （7）該創(chuàng)新產(chǎn)品不存在重復(fù)購買或者替代購買。