需求預(yù)測方法(2)

1、.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(jì)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(jī)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：趨勢變動，季節(jié)變動，循環(huán)變動，不規(guī)則變動。若以表示時間序列的季節(jié)因素，長期趨勢波動、季節(jié)性變動

2、、不規(guī)則變動則實(shí)際觀測值與它們之間的關(guān)系常用模型有加法模型：xtTtStI t乘法模型： xtTtStI ta)xtStTtI t混合模型： b)xtSt(TtI t )時間序列預(yù)測一般反映三種實(shí)際變化規(guī)律：趨勢變化、周期性變化、隨機(jī)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=。加權(quán)移動平均法：將每個時

3、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=（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(shí)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

4、滑、三次指數(shù)平滑。方法的選取： 指數(shù)平滑方法的選用，一般可根據(jù)原數(shù)列散點(diǎn)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(shí)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)變動水平型季節(jié)變動:是指時間序列中各項(xiàng)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

5、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)長期趨勢季節(jié)變動:是指時間序列中各項(xiàng)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,

6、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 Mar

7、kov 模型（ HMM ） (matlab 求解 )隱馬爾可夫模型（Hidden Markov Model ， HMM ）是統(tǒng)計(jì)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(diǎn)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(jì)模型，這種模型既能反映對象的隨機(jī)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(yàn)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

8、前向后算法 ) 12.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

9、能普遍適用于不同的應(yīng)用，實(shí)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(shí)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(jì)量模型、投入產(chǎn)出模型、灰色系統(tǒng)模型、系統(tǒng)動力

10、學(xué)等。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(yàn)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(yàn),即對回歸方程中自變量與因變量的密切程度進(jìn)行檢驗(yàn)。(b)多元回歸預(yù)測模型一元回歸預(yù)測模型是

11、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(shí)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(shí)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(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)等問題。經(jīng)濟(jì)計(jì)量法經(jīng)濟(jì)計(jì)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(jì)量模型。特點(diǎn) ：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

12、關(guān)系；必須用一組方程才能描述清楚。經(jīng)濟(jì)計(jì)量模型的方程形式：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(jì)劃制定

13、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(jì)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(jì)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(jì)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(jì)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(jì)劃期內(nèi)最終產(chǎn)品計(jì)劃任務(wù)矩陣Y，計(jì)算計(jì)劃期內(nèi)各產(chǎn)品的總產(chǎn)量列向量X，以及確保計(jì)劃完成所必須提供的各種外購資源H 矩陣?；疑A(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

14、信息部分已知，部分未知，即信息不完全，半開放半封閉的?；疑A(yù)測是對灰色系統(tǒng)進(jìn)行的預(yù)測，其特點(diǎn)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(diǎn)；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。通常灰色預(yù)測所用的模型為GM（ 1,1），該模型基于隨機(jī)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(shí)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(jī)預(yù)

15、測模型支持向量機(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(diǎn),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(jī)算法優(yōu)點(diǎn)較多,包括計(jì)算便捷、 通用性強(qiáng)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(shí)施運(yùn)算,因?yàn)橹С窒蛄?/p>

16、機(jī)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(jì)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(jì)算機(jī)的存儲空間且增加機(jī)器的運(yùn)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

17、較好的平衡，所以可實(shí)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(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)過程嚴(yán)謹(jǐn)，所得公式對稱優(yōu)美，具有強(qiáng)非線性擬合能力。缺點(diǎn)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