物資需求預(yù)測(cè)方法

物資需求預(yù)測(cè)方法

目錄1主要需求預(yù)測(cè)方法概述2預(yù)測(cè)模型的提出3需求預(yù)測(cè)的過(guò)程4不同預(yù)測(cè)方法結(jié)果比較5模型的修正主要物資需求預(yù)測(cè)方法概述常用的物資需求預(yù)測(cè)方法主要包括基于時(shí)間序列模型的移動(dòng)平均預(yù)測(cè)法、指數(shù)平滑預(yù)測(cè)法、趨勢(shì)外推預(yù)測(cè)法等;基于因果分析模型的回歸分析預(yù)測(cè)法，基于統(tǒng)計(jì)學(xué)習(xí)理論以及結(jié)構(gòu)風(fēng)險(xiǎn)最小原理的支持向量機(jī)預(yù)測(cè)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：定量分析文本一時(shí)間序列法定義

將預(yù)測(cè)對(duì)象按照時(shí)問(wèn)順序排列起來(lái)，構(gòu)成一個(gè)所謂的時(shí)間序列，從所構(gòu)成的這一組時(shí)間序列過(guò)去的變化規(guī)律，推斷今后變化的可能性及變化

趨勢(shì)、變化規(guī)律，就是時(shí)間序列預(yù)測(cè)法。優(yōu)點(diǎn)簡(jiǎn)單易行，便于掌握，能夠充分運(yùn)用原時(shí)間序列的各項(xiàng)數(shù)據(jù)，計(jì)算速度快，對(duì)模型參數(shù)有動(dòng)態(tài)確定的能力，精度較好，采用組合的時(shí)間序列或者把時(shí)間序列和其他模型組合效果更好。缺點(diǎn)不能反映事物的內(nèi)在聯(lián)系，只適合做短期預(yù)測(cè)。時(shí)間序列法主要方法：移動(dòng)平均法、指數(shù)平滑法、季節(jié)變動(dòng)法、趨勢(shì)外推法移動(dòng)平均法移動(dòng)平均法主要包括：簡(jiǎn)單移動(dòng)平均和加權(quán)移動(dòng)平均。簡(jiǎn)單移動(dòng)平均：將一個(gè)時(shí)間段的數(shù)據(jù)取平均值作為最新時(shí)間的預(yù)測(cè)值。該時(shí)間段根據(jù)要求取最近的。加權(quán)移動(dòng)平均：預(yù)測(cè)值是以前觀測(cè)值的加權(quán)和，且對(duì)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)。時(shí)間序列法主要方法：移動(dòng)平均法、指數(shù)平滑法、季節(jié)變動(dòng)法、趨勢(shì)外推法移動(dòng)平均法指數(shù)平滑法定義：預(yù)測(cè)值是以前觀測(cè)值的加權(quán)和，且對(duì)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)。通用算法：St=aYt+(1-a)St-1注：St--時(shí)間t的平滑值；

Yt--時(shí)間t的實(shí)際值；

St-1--時(shí)間t-1的平滑值；a--平滑常數(shù)，其取值范圍為[0,1]時(shí)間序列法主要方法：移動(dòng)平均法、指數(shù)平滑法、季節(jié)變動(dòng)法、趨勢(shì)外推法移動(dòng)平均法季節(jié)變動(dòng)法①水平型季節(jié)變動(dòng):是指時(shí)間序列中各項(xiàng)數(shù)值的變化是圍繞某一個(gè)水平值上下周期性的波動(dòng)。若時(shí)間序列呈水平型季節(jié)變動(dòng)，則意味著時(shí)間序列中不存在明顯的長(zhǎng)期趨勢(shì)變動(dòng)而僅有季節(jié)變動(dòng)和不規(guī)則變動(dòng)。②長(zhǎng)期趨勢(shì)季節(jié)變動(dòng):是指時(shí)間序列中各項(xiàng)數(shù)值一方面隨時(shí)間變化呈現(xiàn)季節(jié)性周期變化，另一方面隨著時(shí)間變化而呈現(xiàn)上升(或下降)的變化趨勢(shì)。時(shí)間序列法主要方法：移動(dòng)平均法、指數(shù)平滑法、季節(jié)變動(dòng)法、趨勢(shì)外推法移動(dòng)平均法趨勢(shì)外推法趨勢(shì)外推預(yù)測(cè)方法是一種探索型的預(yù)測(cè)方法,其主要適用于預(yù)測(cè)那些時(shí)間序列隨著單位時(shí)間的增加或者減少,出現(xiàn)變化大致相同的長(zhǎng)期需求預(yù)測(cè)。時(shí)間序列建模主要模型：HMM模型和ARMA模型HMM模型隱馬爾可夫模型（HiddenMarkovModel，HMM）是統(tǒng)計(jì)模型，它用來(lái)描述一個(gè)含有隱含未知參數(shù)的馬爾可夫過(guò)程。這種模型既能反映對(duì)象的隨機(jī)性，又能反映對(duì)象的潛在結(jié)構(gòu)，便于利用對(duì)象的結(jié)構(gòu)與局部聯(lián)系性質(zhì)等方面的知識(shí)，以及對(duì)研究對(duì)象的直觀與先驗(yàn)的了解。ARMA用于對(duì)平穩(wěn)時(shí)間序列的建模，是一類基于自相關(guān)的時(shí)間序列分析模型。許多成果將ARMA模型與時(shí)間序列挖掘方法相結(jié)合，用于研究時(shí)間序列的預(yù)測(cè)、分類、聚類以及相似查找等。ARMA模型的基本思想是，時(shí)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(shí)間序列的這種自相關(guān)性能夠被定量確定，就可以對(duì)其建立合適的ARMA模型。因果分析法Businesscooperation回歸分析法經(jīng)濟(jì)計(jì)量模型投入產(chǎn)出模型灰色預(yù)測(cè)模型因果分析法---回歸分析法一元回歸分析一元回歸預(yù)測(cè)模型是指通過(guò)采用最小二乘法,尋找唯一自變量與因變量之間經(jīng)驗(yàn)公式的預(yù)測(cè)方法。多元回歸分析通過(guò)引用若干個(gè)影響因子作為自變量來(lái)解釋因變量的變化趨勢(shì)。雖然,多元回歸的原理與一元回歸模型沒(méi)有區(qū)別,但是在計(jì)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(yàn),還需要研究自相關(guān)、偏相關(guān)、多變量共相關(guān)等問(wèn)題。因果分析法---經(jīng)濟(jì)計(jì)量模型單方程計(jì)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(gè)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。主要形式：?jiǎn)我环匠淌剑豪纾篩=X1+X2+X3聯(lián)立方程式：例如：Y1=X1;Y2=Y1+X2+X3;Y3=Y2+X2經(jīng)濟(jì)計(jì)量模型主要有：?jiǎn)畏匠棠Ｐ秃吐?lián)立方程模型因果分析法---投入產(chǎn)出模型單投入產(chǎn)出分析法是反映經(jīng)濟(jì)系統(tǒng)各部分（如各部門(mén)、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(cè)、計(jì)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)。特點(diǎn)因果分析法---灰色預(yù)測(cè)模型優(yōu)點(diǎn)預(yù)測(cè)模型不是唯一的；一般預(yù)測(cè)到一個(gè)區(qū)間，而不是一個(gè)點(diǎn)；預(yù)測(cè)區(qū)間的大小與預(yù)測(cè)精度成反比，而與預(yù)測(cè)成功率成正比。中長(zhǎng)期預(yù)測(cè)所需樣本少，樣本不需要有規(guī)律性分布，更能動(dòng)態(tài)地反映系統(tǒng)最新的特征，這實(shí)際上是一種動(dòng)態(tài)預(yù)測(cè)模型。預(yù)測(cè)準(zhǔn)確度高。適用TheTask支持向量機(jī)預(yù)測(cè)模型SVM支持向量機(jī)(SVM)方法是一種小樣本的機(jī)器學(xué)習(xí)算法,其是在統(tǒng)計(jì)學(xué)習(xí)理論以及結(jié)構(gòu)風(fēng)險(xiǎn)最小原則的基礎(chǔ)上探討所得的一種算法。通過(guò)對(duì)有限樣本信息的分析研究,在模型復(fù)雜性(針對(duì)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(shí)別樣本的能力)之間尋求一個(gè)最佳平衡點(diǎn),以獲得最佳的推廣能力。最優(yōu)分離超平面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)適用于中長(zhǎng)期的預(yù)測(cè)優(yōu)點(diǎn)是逼近效果好，計(jì)算速度快，不需要建立數(shù)學(xué)模型，精度高；理論依據(jù)堅(jiān)實(shí)，推導(dǎo)過(guò)程嚴(yán)謹(jǐn)，所得公式對(duì)稱優(yōu)美，具有強(qiáng)非線性擬合能力。缺點(diǎn)是無(wú)法表達(dá)和分析被預(yù)測(cè)系統(tǒng)的輸入和輸出間的關(guān)系，預(yù)測(cè)人員無(wú)法參與預(yù)測(cè)過(guò)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(cuò)能力差，算法不完備(易陷入局部極小)。

預(yù)測(cè)模型的提出物資需求有個(gè)體性和共性1）共性因素作用下的物資需求，可以通過(guò)區(qū)分不同工程類別，構(gòu)建恰當(dāng)?shù)念A(yù)測(cè)模型和算法，取得滿意的預(yù)測(cè)結(jié)果。2）個(gè)體性因素作用下的物資需求，往往單體預(yù)測(cè)模型無(wú)法滿足精度要求，需采用多項(xiàng)目匯總的方式，控制總體預(yù)