2019年物流需求预测课件.pptVIP

第三节 定量预测方法 定量需求预测方法分为两大类： （1）回归预测法。如果数据与时间的关系可以用一个解析函数来近似描述，而数据之间的关系可以用一种数学模型来近似描述，基于这种条件建立的预测方法称为回归预测法。即根据事物之间的因果关系来预测事物的发展和变化。 （2）时间序列预测法。它是根据市场需求的历史统计数据，预测需求的未来发展和变化。 第三节 定量预测方法 时间序列包含的三种因素 1．发展趋势：市场需求的一种长期变化趋势，可以是增长、下降或停滞等。其中增长的趋势可以是直线增长，也可能是指数增长（或称为递增趋势）。 2．季节性波动：随季节的变化增加或减少，具有重复发生的规律。 3．随机波动：是由多种因素综合作用的结果，它在需求预测中是一种干扰信息，应设法将其滤除掉。 第三节 定量预测方法 一、简单指数平滑法 设x0，x1，…，xn为对应时间t=0，1，…，n的时间序列观察值，xt+1为预测值，如果xt+1是利用下式求得的； xt+1=xt+α（xt－xt）（t=1，2，…，n） 式中的α称为平滑常数，其取值范围是 0＜α＜1。 简单指数平滑公式也可以改写成下面的形式： xt+1=αxt+（1－α）xt 则称这种方法为简单指数平滑法。 第三节 定量预测方法 二、多项式预测模型 （一）一次多项式预测模型 下述形式的预测模型，称为一次多项式预测模型。 xt+τ=a0+a1τ 式中，τ：向前预测的步数，通常τ可分别取τ=1，2，3，4，5（预测的步数越多，误差越大，故τ不宜取较大的值） xt+τ：第t+τ时刻的预测值； a0和a1为系数。 第三节 定量预测方法 a0和a1的估算公式 a0=2St1（x）－St2（x） （9—7） a1=α/β[St1（x）－St2（x）] （9—8） 式中，α：指数平滑公式的平滑常数； β=1-α； St1（x）和St2（x）的计算公式为： St1（x）=αxt+βSt－11（x） （9—9）St2（x）=αSt1（x）+βSt－12（x） （9—10） 式（9—9）即简单（一阶）指数平滑公式； 式（9—10）称为二阶指数平滑公式。 第三节 定量预测方法 预测模型的递推公式 将式（9—7）至式（9—8）代入式（9—6）中，可以得到更便于递推计算的一次多项式预测模型： xt+τ=a0+a1τ =（2+ατ/β）St1（x）－（1+ατ/β）St2（x） （9—11） 初值的选取：预测开始，即t=1时刻时，可以令St－11（x）=x0，St－12（x）=x1，xt=x1 由此引入的误差，经几步递推预测后会逐渐减小到可以忽略不计。 第三节 定量预测方法 温特斯预测公式 基于温特斯指数平滑模型的预测公式如下： Ft+m=（St+mTt）It－L+m （9—25） 式中，m：要预测时刻距现在的时间间隔数。 预测开始时，首先利用第一年的数据，计算全年（12个月）的观察平均值x，即 x=（x1+x2+…+x12）/12 然后，令t=13，计算It－L的近似值： It－L=xt－L/x，L=12，11，10，…，1。 第三节 定量预测方法 温特斯预测公式 在此基础上，重新从t=13开始，并令S12=x12；T12=0，由式（9—22）至式（9—24）递推计算St、Tt和It。 最后，按式（9—25）进行预测。 为了保证预测的准确性，应至少收集3年的历史数据。 第三节 定量预测方法 四、最小二乘法 假设对应时间t，有函数x(t)与之对应，而x(t)可以用一个m次多项式近似描述。假设有n个观测数据x1，x2，…，xn，我们建立数学模型 xj=x(tj)+vj j=1，2，…，n (9—26) 其中：x(tj)=a0+a1tj+a2tj2+…+amtjm （9—27） xj是tj点的观测值，x(tj)是函数在tj点的取值，这里用多项式近似表示，vj是随机误差，也可统称为残差。 测量误差vj服从正态分布，其均值为0，样本方差为σ2，即符合条件：vj～N(0，σ2) (9—28) 第三节 定量预测方法 四、最小二乘法 用最小二乘法确定多项式系数，由(9—26)得 vj=xj－x(tj)=xj－(a0+a1tj+a2tj2+…+amtjm) j=1，2，…，n (9—29) 残差平方和为 Q=Σvj2=Σ[xj－(a0