3 需求测(修改).pptVIP

* * 简单移动平均 当产品需求既不快增长也不快下降，且不存在季节性因素时，移动平均法能有效消除预测中的随机波动。选择移动平均的最佳区间很重要。 其主要缺点是在于若区间周期太长，则太复杂。 简单移动平均的计算公式为： —— 对下一期的预测值； —— 移动平均的时期个数； —— 前期、前两期、前三期直至前n期的实际值 * * 简单移动平均算例 周次 需求A 3周F 9周F 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 800 1400 1000 1500 1500 1300 1800 1700 1300 1700 1700 1500 2300 2300 2000 1067 1300 1333 1433 1533 1600 1600 1567 1567 1633 1833 2033 1367 1467 1500 1556 1644 1733 * * 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，其数据是季节性的，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。 加权移动平均法 * * 加权移动平均法公式及算例 计算公式 第t-1,t-2,t-3期实际销售额的权重 计算实例 一家百货店发现在某4个月的期间内，其最佳预测结果由当月实际销售额的40%，倒数第2个月销售额的30%，倒数第3个月的20%和倒数第4个月的10%，其四个月的销售额分别为100,90,105,95。第五个月的预测值为 * * 一次指数平滑法 * * * * 二次指数平滑法 * * * * 定义：两个或两个以上相关变量之间的函数关系。线性关系是指变量呈严格直线关系的一种特殊回归形式。 优点：对主要事件或综合计划的长期预测很有用 局限性：假设历史数据和未来预测值都在一条直线上。 用处：时间序列预测和因果预测中都用线性回归。 例子：手拟回归直线、最小二乘分析和模型分解。 线性回归分析法 * * 例： 某公司某产品过去3年12季度的销售量如下表所示， 该企业希望预测第4季度的销售情况： 线性回归分析法——手拟趋势线 季度 销售量 季度 销售量 1 600 2 1550 3 1550 4 1500 5 2400 6 3100 7 2600 8 2900 9 3800 10 4500 11 4000 12 4900 * * y = a+bx a = 400 b = (4950-750)/(12-1) = 382 y = 400+382x 解：首先建立坐标系统，取横坐标为季度，众坐标为销售额，则将过去12个季度的销售额对应的数据点在坐标系统中画出，相应散点图，如图所示，这就是回归直线，下一步是确定截距a和斜率b。 线性回归分析法——手拟趋势线 * * 设 为实测值，y 为公式值，则 为误差，令 根据最小二乘法，则： 基本思想是试图使各数据点与回归直线上的相应点间的垂直距离平方和最小.手拟趋势线是根据图中确定截距a和斜率b，而最小二乘法求解的公式为： 得： 令： 线性回归分析法——最小二乘法 * * 根据最小二乘回归的思想，可以计算出上例中a和b的值， 最终得b=359.6，a=441.6，这表明x每变化1单位，y改变359.6单位。严格按上述方程计算，可以可以推广到后一年的四个季度，下面的结果分别对应第1，2，3，4季度： 最小二乘法 * * 时间序列可定义为按时间顺序排列的数列，它包含一个或多个需求量分量：趋势，季节性，周期性，自相关性和随机性 趋势项：y = a + bx 由散点图可以很容易找出 季节性分量可以通过历年相同时期比较得到 周期性（几月或几年）、自相关和随机分量的确定比较困难。其余的无法讲清的因素统称为随机项 时间序列分解法 * * 相加式季节变动 在相加式季节变动中，假设无论趋势效应或平均值如何变化，季节变动量恒为常数 趋势性预测和季