需求預測方法-(2)

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

需求預測方法 常用的物資需求預測方法主要包括基于時間序列模型的移動平均預測法、指數(shù)平滑預測法、趨勢外推預測法等;基于因果分析模型的回歸分析預測法，基于統(tǒng)計學習理論以及結(jié)構(gòu)風險最小原理的支持向量機預測方法，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：物資需求預測方法 一、 時間序列法 1.定義：將預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)，可以按照遠近分別賦權(quán)重0.2，0.3，0.5。那么第6個月的預測量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，簡單移動平均默認權(quán)重=1.） （2）指數(shù)平滑法 基本思想：預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。當時間數(shù)列無明顯的趨勢變化，可用一次指數(shù)平滑預測。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)平滑預測方法。如呈現(xiàn)拋物線趨勢，選用三次指數(shù)平滑法?；蛘撸敃r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)變動預測的方法很多，應用時應根據(jù)季節(jié)變動的類型選擇適應的預測方法 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 趨勢外推預測法是一種通過邏輯推理分析,以期達到預測效果的預測方法。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)展狀態(tài),就能夠遵循其發(fā)展規(guī)律來預測事物的未來發(fā)展趨勢。趨勢外推預測方法是一種探索型的預測方法,其主要適用于預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測。 4.時間序列建模 時間序列是同類型指標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 學習問題： 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)的當前值x，不僅受當前干擾的影響，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用，實際中的時間序列建模方法都是與特定應用相關(guān)的，由于應用的關(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)系來預測事物的發(fā)展和變化，通過對需求預測目標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測，而且還可以從事中、長期預測，也可以預測宏觀、中觀、微觀問題。 3.因果關(guān)系模型包括：回歸分析、經(jīng)濟計量模型、投入產(chǎn)出模型、灰色系統(tǒng)模型、系統(tǒng)動力學等。 ①回歸分析方法 回歸分析預測法是基于因果分析的預測方法,其主要通過分析與預測事物有關(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,來預測未來需求。按照回歸模型中自變量的多少,回歸分析預測模型可以劃分為一元以及二元回歸模型兩大類。 (a) 一元回歸預測模型 一元回歸預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)驗公式的預測方法。其首先需要確定唯一自變量,即找出影響預測目標的關(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行檢驗。 (b)多元回歸預測模型 一元回歸預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測模型來完成預測的實現(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)濟計量法 經(jīng)濟計量法是經(jīng)濟分析與數(shù)學方法相結(jié)合的一種預測方法。 通常將描述預測對象有關(guān)主要變量相互關(guān)系的一組聯(lián)立方程式稱為經(jīng)濟計量模型。 特點：經(jīng)濟系統(tǒng)，而不是單個經(jīng)濟活動；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)濟計量模型的方程形式： 單方程計量經(jīng)濟學模型，是用單一方程描述某一經(jīng)濟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)濟系統(tǒng)中諸因素之間的數(shù)量關(guān)系。它適用于復雜經(jīng)濟現(xiàn)象的研究，在復雜的經(jīng)濟現(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)濟分析、政策模擬、經(jīng)濟預測、計劃制定和經(jīng)濟控制等的數(shù)學分析方法。它是經(jīng)濟學與數(shù)學相結(jié)合的產(chǎn)物，屬交叉科學。 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行預測應用，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灰色預測模型 定義：灰色系統(tǒng)是指相對于一定的認識層次，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。 灰色預測是對灰色系統(tǒng)進行的預測，其特點是預測模型不是唯一的；一般預測到一個區(qū)間，而不是一個點；預測區(qū)間的大小與預測精度成反比，而與預測成功率成正比。 通?；疑A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，從而得到預測方程。 適用于：中長期預測。 應用：在預測應用上，如氣象預報、地震預報、病蟲害預報等，國內(nèi)學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)預測模型。預測準確度高。 (3)支持向量機預測模型 支持向量機(SVM)方法是一種小樣本的機器學習算法,其是在統(tǒng)計學習理論以及結(jié)構(gòu)風險最小原則的基礎(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,在模型復雜性(針對特定訓練樣本的學習精度)以及學習能力(準確識別樣本的能力)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)學習模型中最具代表性、應用最普遍的模型。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)便于依照學習法則，透過訓練以調(diào)整連結(jié)鏈加權(quán)值的方式來完成目標的收斂。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，適用于中長期的預測；優(yōu)點是逼近效果好，計算速度快，不需要建立數(shù)學模型，精度高；理論依據(jù)堅實，推導過程嚴謹，所得公式對稱優(yōu)美，具有強非線性擬合能力。缺點是無法表達和分析被預測系統(tǒng)的輸入和輸出間的關(guān)系，預測人員無法參與預測過程；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)品不存在重復購買或者替代購買。