跨组织预测.pptVIP

加權移動平均法　在前述的簡單移動平均法中，每期需求對於平均數有相同的權數 1/n。在加權移動平均法（weighted moving average method）中，每項歷史需求值各有其權數，而權數和為 1.0。舉例來說，某三期加權移動平均模式中，最近一期的權數為 0.50，最近第二期的權數為 0.30，而最近第三期的權數為 0.2。各期數值乘上其權數，加總後可得平均數如下； 加權移動平均法的優點，是可增加最近需求的比重（藉由給予優先性較高的季節較高的權重，故可處理季節性的效應），故其預測值較簡單移動之預測值更能反應出需求數列平均數的變化。 加權移動平均法與簡單移動平均法具有相同之缺點：資料需要保留 n 期的需求量，用以計算每個時期的平均值。 P.518 第 13 章 預測 指數平滑法　指數平滑法（exponential smoothing method）是一種複雜的加權移動平均法，及賦予最近需求較高的權數，以計算時間序列的平均數。由於指數平滑法之方法簡單，僅需要少量的資料，故為最常使用的預測方法。 指數平滑法只需要三項資料：上期預測值、本期需求和平滑參數（α）；α介於 0 至 1.0 之間。在計算指數平滑法預測值時，只需要計算最近需求和上期計算之預測值的加權平均數即可。其預測方程式為： 或是 P.518 第 13 章 預測 指數平滑法需有初始預測值，才可以進行預測。取得初始預測值的方法有二：使用上一期需求；或使用歷史數據，然後計算最近期數的需求平均數。由於指數平滑法給予愈早之前資料的權重，呈等比級數減少，因此對於估計未來平均數的影響將愈來愈小。以下舉例說明。另 α ＝ 0.20，則第 t＋1 期的預測值是： 根據 Ft 的方程式，展開 Ft＋1 的方程式： 持續展開，可得 P.519 第 13 章 預測 範例 13.3 應用指數平滑法估計平均需求 a. 再次考慮範例 13.2 醫療中心的病患資料。現在是第 3 週週末， 假設α＝ 0.10，試計算第 4 週的指數平滑預測值。 b. 如果第 4 週的實際需求為 415 人，則第 4 週的預測誤差為何？ c. 計算第 5 週的預測值？ 解答 a. 指數平滑法需有初始預測值，若根據過去兩週之需求資料計算 平均數，則可得到 (400＋380)/2 ＝ 390 的初始預測值。使用α＝ 0.10，計算第 3 週週末的平均數，以找出第 4 週的預測值，即： 因此第 4 週的預測值為 392 位病人。 P.519 第 13 章 預測 範例 13.3 (續) b. 第 4 週的需求誤差為 c. 第 5 週的預測值為 或為 394 位病人。請注意，上式計算是使用 F4 之數值，而非第 4 週的整數值。一般僅在最終的結果才會四捨五入，以保持計算 之正確性。 決策重點　根據指數平滑法，分析人員第 4 週的病患人數為 392 位，而第 5 週的實際需求和其後的病患人數皆為 394 位。一旦 得知第 5 週的實際需求，則應更新第 6 週的預測值。 P.520 第 13 章 預測 考慮具有某種趨勢需求的時間序列。時間序列的趨勢是指指數列的平均數隨著時間有規則的增加或是減少。當趨勢出現時，指數平滑必須修正，否則預測值會一直高於或低於實際需求。 為了改良預測值，必須算出趨勢的估計值。首先找出本期所計算的數列平均數和上一期所計算平均數之間的差異，此即趨勢的目前預測值。然後計算目前預測值的平均數，以求出長期趨勢預測值，預測趨勢的方法類似利用指數平滑法估計需求平均數的方式。 考慮趨勢 Including a Trend P.520 第 13 章 預測 在指數平滑法預測加入趨勢的方法稱為趨勢調整指數平滑法（trend-adjusted exponential smoothing method）。為了使用這種方法，需有兩個平滑參數以同時平滑平均數預測值和趨勢預測值。以此方法計算每期的平均數和趨勢： P.521 第 13 章 預測 其中 At ＝ 第 t 期的平滑化之平均數 Tt ＝ 第 t 期趨勢的指數平滑化之平均數 α ＝ 平均數平滑參數，其值介於 0～1 之間 β ＝ 趨勢平滑參數，其值介於 0～1 之間 Ft＋1 ＝ 第 t＋1 期之預測值 為了求出下期以後的預測值，則趨勢預測值（Tt）乘以增加期數（即所預測的期數），然後再加上目前的平均數（At）即可。 第一個預測值所需的之前一期的平均數和趨勢的預測值，可從過去的資料推導；若無歷史資料，則需根據經驗猜測。為了找出α和β值，有時候必須有規則的調整α和β值，直到預測誤差為最低。 P.521 第 13 章 預測 範例 13.4 採用趨勢調整指數平滑法預測具有趨