生产运作需求预测分析.ppt

简单移动平均算例 周次 销售值（元） 3周 9周 1 2 3 800 1400 1000 4 5 6 7 8 9 1500 1500 1300 1800 1700 1300 1067 1300 1333 1433 1533 1600 10 11 12 13 14 15 1700 1700 1500 2300 2300 2000 1600 1567 1567 1633 1833 2033 1367 1467 1500 1556 1644 1733 简单移动平均 讨论： 你对简单移动平均法有什么认识？ 预测方法 结果： N越大，预测值越平滑，对干扰的灵敏性越低，稳定性好，预测值的响应性也就越差。 N越小，对干扰的灵敏性越高，稳定性差，预测值的响应性也就越好，预测值越接近实际观测值 。 N取什么值非常关键，直接影响预测的准确性。一般可以通过试算的方法找出预测误差最小的所对应的N为最佳值。 简单移动平均的各元素权重都相等 简单移动平均适用场合： 趋势变化不明显时 预测方法 2）加权移动平均(Weighted Moving Average) WMAt+1= (?t Xt + ? t-1 Xt-1…+ ? t-N+1 Xt-N+1 )/N 预测值=(前N次实测值的加权平均值) ?t、? t-1、 ?、 ? t-N+1称为加权因子，且 （?t +? t-1 + ? + ? t-N+1）/ N = 1 简单移动平均的各元素权重都相等，而加权移动平均的权重值可以不同。当然，其权重之和必须等于1。 权重的选择： 经验法和试算法是选择权重的最简单的方法。一般而言，最近期的数据最能预示未来的情况，因而其权重应大些。但是，其权重是季节性的，故权重也应是季节性的，一般对季节性产品季节权重系数要大。由于加权移动平均能区别对待历史数据，因而在这方面要优于简单移动平均。 预测方法 预测方法 结果：预测值的响应性较好，其结果与?和N的取值有关。 3)指数平滑法5,63,4 前两种预测方法（简单移动平均和加权移动平均）中，一个主要的问题是必须有大量连续的历史数据。随着模型中新数据的增添及过期数据的剔除，新的预测结果就可以预测出来。有的情况下，最近期的情况远比较早期的更能预测未来。假设越远当期其重要性就越低，如果这一前提正确，则指数平滑法就是逻辑性最强且最为简单的方法。 预测方法 一次指数平滑(Single Exponential Smoothing) 或者， 预测值=?(上次实测值)+(1-?)上次预测值 ?称为平滑常数，（0 ? ? ? 1） 指数平滑法 之所以称之为指数平滑是因为每靠前一期其权重就降低 1- ? 。例如，设?=0.05，则各个时期的权重如下所示 最近期的权重= ??（1- ? ）0 0.0500 近期的权重= ??（1- ? ）1 0.0475 次近期的权重= ??（1- ? ）2 0.0451 次次近期的权重= ??（1- ? ）3 0.0429 权重因子 预测值 预测方法 P66例3.2 预测方法 预测方法 结果：一次指数平滑预测值依赖于平滑常数?的选择，一般来言，?越大，预测值的响应性越好，?选得小些，则稳定性较好。 在所有预测方法中，指数平滑法是用得最多的一种。它也是计算机预测程序的一个有机部分。其优点体现在： 指数平滑法 优点： （1）指数模型的精度非常高 （2）建立指数模型相对容易 （3）用户能了解模型如何进行 （4）使用模型无须过多计算 （5）由于所用的历史数据有限，因而所需计算机内存很小 （6）检测模型执行精度的运算很容易 只需要三个数据就可预测未来：最近期的预测值、预测期的实际需求量和平滑常数。平滑常数决定了对预测值与实际值结果之间差异的响应速度。 指数平滑法 指数平滑法算例： 假设所研究的产品的长期需求相对稳定，平滑常数?=0.05也较合适，并假设上个月的预测值（ ）为1050个单位，如果实际需求为1000而不是1050，那么本月的预测值为： * * * * * 需求预测 一、预测的概念 二、预测方法 三、预测的监控 Demand Forecasting 一、预测的概念 预测是对未来可能发生的事情的估计与推测。 分类一般有科学预测、技术预测、经济预测、需求预测、社会预测。 本课程主要讨论——需求预测。 预测的概念 需求预测的意义 预测是为下一步计划做准备 预测是制定营销、生产 和库存、采购、人力资源等计划的基础。 预测对生产运作产生影响，所以