一次移动平均法、一次指数平滑预测模型、预测精确性的衡量标准.docVIP

他 一次移动平均法、一次指数平滑预测模型 一次移动平均法 一次移动平均法是在算术平均法的基础上加以改进的。其基本思想是，每次取一定数量周期的数据平均，按时间顺序逐次推进。每推进一个周期时，舍去前一个周期的数据，增加一个新周期的数据，再进行平均。设Xt为t周期的实际值，一次移动平均值 =(Xt+Xt－1+……+Xt－N+1)/N= （4.2.1） 其中N为计算移动平均值所选定的数据个数。t+1期的预测值取为 （4.2.2） 如果将作为第t+1期的实际值，于是就可用（4.2.2）式计算第t+2期的预测值，一般地，可相应地求得以后各期的预测值。但由于误差的积累，使得对越远时期的预测，误差越大，因此一次移动平均法一般只应用于一个时期后的预测（即预测第t+1期）。 例4.1 某市汽车配件销售公司某年1月—12月的化油器销售量（只）的统计数据如表4.1中第二行所示，试用一次移动平均法，预测下一年一月的销售量。 解 分别取N=3和N=5，按预测公式 =(Xt+Xt－1+Xt－2)/3 和 =(Xt+Xt－1+ Xt－2+ Xt－3+Xt－4)/5 计算3个月和5个月移动平均预测值。见表4.1，预测图如图4.1。 表4.1 化油器销售量及移动平均预测值表 月 份 1 2 3 4 5 6 7 8 9 10 11 12 1 423 358 434 445 527 429 426 502 480 384 427 446 405 412 469 467 461 452 469 456 430 419 437 439 452 466 473 444 444 452 由图4.1可以看出，实际销售量的随机波动较大，经过移动平均法计算后，随机波动显著减少，而且求取平均值所用的月数越多，即N越大，修匀的程度越强，波动也越小。但是在这种情况下，对实际销售量的变化趋势反应也越迟钝。反之，如果N取得越小，对销售量的变化趋势反应越灵敏，但修匀性越差，容易把随机干扰作为趋势反映出来。因此，N的选择甚为重要，N应该取多大，应根据具体情况做出抉择。当N等于周期变动的周期时，则可消除周期变化的影响。 在实用上，一般用对过去数据预测的均方误差S来作为选取N的准则。 当N=3时， == 3210.33 当N=5时， == 1591.86 计算结果表明：N=5时，S较小，所以选取N=5。预测下年一月的化油器销售量为452只。 在使用一次移动平均法时，应注意如下两点： 第一，一次移动平均法一般只适应于平稳模式，当被预测的变量的基本模式发生变化时，一次移动平均法的适应性比较差。 第二，一次移动平均法一般只适用于下一时期的预测。典型例子之一是生产经理要根据某一品类中的几百种不同产品的需求预测来安排生产。在许多这样的情况下，所需要的是一种很容易使用到每一个项目上去并能提供良好预测值的方法，移动平均法就是这样一种方法。当然这在本质上的必然前提是所要预测的变量在一个较短的时间范围之内表现为一个相当平稳的时间序列 指数平滑法 移动平均法计算简单易行，但存在明显的不足。第一，每计算一次移动平均值，需要存储最近N个观察数据，当需要经常预测时有不便之处。第二，移动平均实际上是对最近的N个观察值等权看待，而对t－N期以前的数据则完全不考虑，即最近N个观察值的权系数都是，而t－N以前的权系数都为0。但在实际经济活动中，最新的观察值往往包含着最多的关于未来情况的信息。所以，更为切合实际的方法是对各期观察值依时间顺序加权。指数平滑法正是适应于这种要求，通过某种平均方式，消除历史统计序列中的随机波动，找出其中的主要发展趋势。根据平滑次数的不同，有一次指数平滑、二次指数平滑、三次指数平滑和高次指数平滑之分，但高次很少用。指数平滑法最适合用于进行简单的时间序列分析和中、短期预测。 4.3.1 一次指数平滑法 设为时间序列观察值，为时间t的观察值的指数平滑值。则一次指数平滑值为 (4.3.1) 式中为平滑系数，。 观察上式，实际值、、的权系数分别为、、.依次类推，离现在时刻越远的数据，其权系数越小。指数平滑法就是用平滑系数来实现不同时间的数据的非等权处理的。因为权系数是指数几何级数，指数平滑法也由此而得名。 上式略加变换，得 (4.3.2) 式(4.3.2)可改写为 (4.3.3) 预测公式： (4.3.4) 或 = (4.3.5) 下面我们来比对移动平均值和指数平滑值。 假定样本序