需求預(yù)測(cè)方法

1、需求預(yù)測(cè)方法指數(shù)平滑預(yù)測(cè)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、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：物資需求預(yù)測(cè)方法基于因果分析模型基于統(tǒng)計(jì)學(xué)習(xí)理漱與結(jié)構(gòu)風(fēng)險(xiǎn)最小原理基于時(shí)間序列模型基于人工智能技術(shù)t移動(dòng)平均預(yù)測(cè)法-V指數(shù)平滑預(yù)測(cè)法f回歸分析預(yù)窩法支特向量機(jī)預(yù)測(cè)法工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)法.HL.tnI-.一;圖1:物資需求預(yù)測(cè)方法一、時(shí)間序列法1 .定義：將預(yù)測(cè)對(duì)象按照時(shí)間順序排列起來(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

2、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。2 .概況：時(shí)間序列法主要考慮以下變動(dòng)因素：趨勢(shì)變動(dòng)，季節(jié)變動(dòng)，循環(huán)變動(dòng)，不規(guī)則變動(dòng)。若以，表示時(shí)間序列的季節(jié)因素，長(zhǎng)期趨勢(shì)波動(dòng)、季節(jié)性變動(dòng)、不規(guī)則變動(dòng).則實(shí)際觀測(cè)值與它們之間的關(guān)系常用模型有加法模型：xt=TtSt.L乘法模型：xt=GLa)”I混合模型：b)x,=&。1)時(shí)間序列預(yù)測(cè)一般反映三種實(shí)際變化規(guī)律：趨勢(shì)變化、周期性變化、隨機(jī)性變化。3 .時(shí)間序列常用分析方法：移動(dòng)平均法、指數(shù)平滑法、季節(jié)變動(dòng)法等(1)移動(dòng)平均法簡(jiǎn)單移動(dòng)平均法：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。例如：5個(gè)月的需

3、求量分別是10,12,32,12,38。預(yù)測(cè)第6個(gè)月的需求量?？梢赃x擇使用3個(gè)月的數(shù)據(jù)作為依據(jù)。那么第6個(gè)月的預(yù)測(cè)量Q=。加權(quán)移動(dòng)平均法：將每個(gè)時(shí)段里的每組數(shù)根據(jù)時(shí)間遠(yuǎn)近賦上權(quán)重。例如：上個(gè)例子，3個(gè)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(gè)月的預(yù)測(cè)量Q=(只是在簡(jiǎn)單移動(dòng)平均的基礎(chǔ)上考慮了不同時(shí)段影響的權(quán)重不同，簡(jiǎn)單移動(dòng)平均默認(rèn)權(quán)重=1.)(2)指數(shù)平滑法基本思想：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)。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(shí)間t的平滑值；Y

4、t-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(diǎn)圖呈現(xiàn)的趨勢(shì)來(lái)確定。當(dāng)時(shí)間數(shù)選用二次指數(shù)平滑法；若如呈現(xiàn)拋物線趨勢(shì)，選用三仍有曲率時(shí)，應(yīng)用三次指列無(wú)明顯的趨勢(shì)變化，可用一次指數(shù)平滑預(yù)測(cè)。如呈現(xiàn)直線趨勢(shì),實(shí)際數(shù)據(jù)序列呈非線性遞增趨勢(shì)，采用三次指數(shù)平滑預(yù)測(cè)方法。次指數(shù)平滑法。或者，當(dāng)時(shí)間序列的數(shù)據(jù)經(jīng)二次指數(shù)平滑處理后,數(shù)平滑法。(3)季節(jié)變動(dòng)法根據(jù)季節(jié)變動(dòng)特征分為：水平型季節(jié)變動(dòng)和長(zhǎng)期趨勢(shì)季節(jié)變動(dòng)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

5、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)。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(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)。季節(jié)指數(shù)=各年同季（月）平均數(shù)/趨勢(shì)值季節(jié)變差=各年同季（月）平均數(shù)趨勢(shì)值季節(jié)變動(dòng)預(yù)測(cè)的方法很多，應(yīng)用時(shí)應(yīng)根據(jù)季節(jié)變動(dòng)的類型選擇適應(yīng)的預(yù)測(cè)方法若時(shí)間序列呈長(zhǎng)期趨勢(shì)季節(jié)變動(dòng)，則意味著時(shí)間序列中不僅有季節(jié)變動(dòng)、不規(guī)則變動(dòng)，而且還包含有長(zhǎng)期趨勢(shì)變動(dòng)。（4）趨勢(shì)外推法趨勢(shì)外推預(yù)測(cè)法是一種

6、通過(guò)邏輯推理分析，以期達(dá)到預(yù)測(cè)效果的預(yù)測(cè)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(lái)預(yù)測(cè)事物的未來(lái)發(fā)展趨勢(shì)。趨勢(shì)外推預(yù)測(cè)方法是一種探索型的預(yù)測(cè)方法淇主要適用于預(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)。4 .時(shí)間序列建模時(shí)間序列是同類型指標(biāo)值按時(shí)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(huì)產(chǎn)生大量的時(shí)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(gè)重要因素，對(duì)于時(shí)間序列數(shù)據(jù)而言更是如此。以下是時(shí)間序列建模的常用方法

7、。典型的時(shí)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（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。其難點(diǎn)是從可觀察的參數(shù)中確定該過(guò)程的隱含參數(shù)。然后利用這些參數(shù)來(lái)作進(jìn)一步的分析，例如模式識(shí)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(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。HMM理論的主要內(nèi)容包括3個(gè)基本問(wèn)題及其算法：* 1評(píng)估問(wèn)題：前向算法* 2解碼問(wèn)題：Viterbi算法*

8、 3學(xué)習(xí)問(wèn)題：Baum-Welch算法（向前向后算法）12 .自回移動(dòng)平局模型（ARMA）（可以用SPSS口matlab求解）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。ARMA模型是AR模型和MA模型的綜合，描述了系統(tǒng)對(duì)過(guò)去自身狀態(tài)的記憶和系統(tǒng)對(duì)過(guò)去時(shí)刻進(jìn)入系統(tǒng)的噪聲的記憶。近年來(lái)，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。綜上所述

9、，沒有一個(gè)模型能普遍適用于不同的應(yīng)用，實(shí)際中的時(shí)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(shí)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(lái)預(yù)測(cè)事物的發(fā)展和變化，通過(guò)對(duì)需求預(yù)測(cè)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(lái)確定預(yù)測(cè)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(gè)或多個(gè)自變量（多括時(shí)間）的變化來(lái)描述因變量的變化。2 .因果關(guān)系模型與時(shí)間序列模型不同：它不僅可以從事短期預(yù)測(cè)，而且還可以從事中、長(zhǎng)期預(yù)測(cè)，也可以預(yù)測(cè)宏觀、中觀、微觀問(wèn)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

10、統(tǒng)模型、系統(tǒng)動(dòng)力學(xué)等?；貧w分析方法回歸分析預(yù)測(cè)法是基于因果分析的預(yù)測(cè)方法，其主要通過(guò)分析與預(yù)測(cè)事物有關(guān)的現(xiàn)象的變化趨勢(shì)從因果關(guān)系出發(fā)，探究預(yù)測(cè)事物及其相關(guān)影響因子間的相互聯(lián)系，通過(guò)回歸方程的構(gòu)建，來(lái)預(yù)測(cè)未來(lái)需求。按照回歸模型中自變量的多少，回歸分析預(yù)測(cè)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(cè)模型一元回歸預(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。其首先需要確定唯一自變量，即找出影響預(yù)測(cè)目標(biāo)的關(guān)鍵因素，然后通過(guò)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(duì)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(cè)模型一元回歸預(yù)測(cè)

11、模型是影響因素通過(guò)關(guān)鍵影響因素作為唯一自變量來(lái)解釋因變量的變化的預(yù)測(cè)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(gè)，這就需要引入多元回歸預(yù)測(cè)模型來(lái)完成預(yù)測(cè)的實(shí)現(xiàn)了，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。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(cè)方法。通常將描述預(yù)測(cè)對(duì)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(gè)經(jīng)濟(jì)活動(dòng)；相互依存、互為因果，而不是單向因果關(guān)系；必

12、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：?jiǎn)畏匠逃?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。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(cè)、計(jì)劃制定和經(jīng)濟(jì)控

13、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(cè)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(gòu)資源消耗總量的矩陣Hob）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(gòu)資源H矩陣。灰色預(yù)測(cè)模型定義：灰色系統(tǒng)是指相對(duì)于一定的認(rèn)識(shí)層次，系統(tǒng)內(nèi)部的信息部分已知，部

14、分未知，即信息不完全，半開放半封閉的。灰色預(yù)測(cè)是對(duì)灰色系統(tǒng)進(jìn)行的預(yù)測(cè)，其特點(diǎn)是預(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。通?；疑A(yù)測(cè)所用的模型為GM（1,1）,該模型基于隨機(jī)的原始時(shí)間序列，經(jīng)累加生成新的時(shí)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(lái)逼近，從而得到預(yù)測(cè)方程。適用于：中長(zhǎng)期預(yù)測(cè)。應(yīng)用：在預(yù)測(cè)應(yīng)用上，如氣象預(yù)報(bào)、地震預(yù)報(bào)、病蟲害預(yù)報(bào)等，國(guó)內(nèi)學(xué)者做出了許多有益的研究。優(yōu)勢(shì)：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。（3）支持向量機(jī)預(yù)測(cè)模型支持向量機(jī)（

15、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。其核心思想是通過(guò)非線性變換將輸入空間變換到一個(gè)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。分陽(yáng)必平山圖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(wú)法對(duì)大規(guī)模訓(xùn)練樣本實(shí)施運(yùn)算，因?yàn)橹С窒蛄繖C(jī)算法是通過(guò)二次規(guī)劃來(lái)進(jìn)

16、行求解的，二次規(guī)劃求解過(guò)程中要涉及多階矩陣的計(jì)算問(wèn)題，當(dāng)階數(shù)過(guò)大的條件下，將會(huì)在很大程度上損耗計(jì)算機(jī)的存儲(chǔ)空間且增加機(jī)器的運(yùn)算時(shí)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(guò)訓(xùn)練以調(diào)整連結(jié)鏈加權(quán)值的方式來(lái)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)采用的彳遞函數(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(shí)現(xiàn)輸入和輸出間的任意非線性映射，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?。?。三、新產(chǎn)品市場(chǎng)需求預(yù)測(cè)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(chǎng)上擴(kuò)散速度會(huì)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