讲供应链需求预测

5.2六大定量预测方法A.简单平均法B.加权平均法C.简单移动平均法D.加权移动平均法E.指数平滑法F.季节性预测六大定量预测方法之一：简单平均法第四周的预测值=(140+156+184)/3=160周次实际需求量1140215631844六大定量预测方法之二：加权平均法周次实际需求量权重11401/621562/631843/64第四周的预测值=1/6X140+2/6X156+3/6X184=167六大定量预测方法之三：简单移动平均法月份实际销量三个月均数四个月均数12022132342421.3352522.6722.0062724.0023.2511111ttiitntiSMAAnSMAttAin式中，为周期末简单移动平均值，可作为周期的预测值为周期的实际需求为移动平均采用的周期数六大定量预测方法之四：加权移动平均法月份实际销量三个月的加权移动平均预测值1202213234241/6X20+2/6X21+3/6X23=21.8352523.1762724.331111211,,...,ttitniitntnWMAAnWMAtt式中，为周期末加权移动平均值，可作为周期的预测值为实际需求的权系数6六大定量预测方法之五：指数平滑法111101tttttSFASFSFtAt式中，为期一次指数平滑预测值（对t+1期的预测值）为期实际值为平滑系数，它表示赋予实际数据的权重(1)一次指数平滑的预测模型⑵指数平滑法初始值的确定从时间序列的项数来考虑：若时间序列的观察期n大于15时，初始值对预测结果的影响很小，可以方便地以第一期观测值作为初始值；若观察期n小于15，初始值对预测结果影响较大，可以取最初几期的观测值的平均数作为初始值，通常取前3个观测值的平均值作为初始值。7⑶平滑系数α的选择①当时间序列长期趋势变化呈稳定水平趋势时，α取较小值，如0.1～0.3；②当时间序列波动较大，长期趋势变化的幅度较大时，α取中间值，如0.4～0.6；③当时间序列具有明显的上升或下降趋势时，α取较大值，如0.7～0.9；在实际运用中，可取若干个α值进行试算比较，选择预测误差最小的α值。8【例】某企业产品2000至2008年销售额见下表，试用指数平滑法预测2009年销售额（α分别取0.1、0.6和0.9）。年份200020012002200320042005200620072008销售额4000470050004900520066006200580060009•解：（1）确定初始值•因为n=915,取时间序列前三项数据的平均值作为初始值12304000470050004566.67()33xxxS万元10（2）平滑系数α分别取0.1、0.6和0.9，计算各年一次指数平滑值序号时间实际观测值指数平滑值（预测值）α=0.1α=0.6α=0.91234567891020002001200220032004200520062007200820094000470050004900520066006200580060004566.674510.004529.004576.104608.494667.644860.884994.795075.315167.784566.674226.674510.674804.274861.715064.685985.876114.355925.745970.304566.674056.674635.674963.574906.365170.646457.066225.715842.575984.2611（3）对不同平滑系数下取得的平滑值进行误差分析，确定α的取值。方法：计算各平滑系数下平滑值的平均绝对误差（平均差）ttASFADn计算公式：12通过比较，α=0.6时的平滑值的平均绝对误差最小，因此选用α=0.6用为平滑系数。7144.46793.839ttASFADn4101.61455.739ttASFADn4201.1466.799ttASFADnα=0.1的平滑值的平均绝对误差α=0.6的平滑值的平均绝对误差α=0.9的平滑值的平均绝对误差13⑷预测2009年销售额1(1)0.660000.45925.745970.30(万元)tttSFASF六大定量预测方法之六：时间序列季节性预测TFTSCITFTSCI式中，——时间序列的预测值——趋势因子——季节因子——周期因子——随机因子分解模型1-乘法模型：式中，符号含义同上ICSTTF分解模型1-加法模型：15•1.趋势因子，即长期趋势：指数据在一段时间内逐渐上升或下降。02,0004,0006,0008,00010,00012,00014,000時間Ytt02,0004,0006,0008,00010,00012,00014,000時間Ytt16•2.周期因子，即周期波动：指数据在数年后出现重复的模式。常见的有经济周期，它是短期经济分析和计划中较重要的因素。17•3.季节因子，即季节波动：指数据在较短的周期后出现重复，周期可以是天、周、月和季。季節年別春季夏季秋季冬季1998456,699668,900909,324672,7381999706,5971,095,4861,275,7361,093,46620001,017,8781,544,2432,019,1001,692,44120011,307,1221,649,4572,007,93818•4.随机因子，即不规则波动：是数据中的“不明物体”，是在偶然和特殊情况下产生的。随机波动没有可知的重复模式，是无法预测的。随机波动成分六大定量预测方法之六：季节性预测之算例第1季度第2季度第3季度第4季度197996130711980639913573198167101？？2002040608010012014016079Q2Q3Q480Q1Q2Q3Q481Q1Q2销售额趋势值季节原始数据4期移动总值移动平均值中点值1979Q2961979Q3130360901979Q47190.3836390.751980Q16391.38368921980Q29992.2537092.51980Q31359337493.51980Q47393.75376941981Q1671981Q21011981Q3？时间序列季节性预测——加法模型季节原始数据趋势值偏离趋势值季节因子1979Q2966.751979Q3130421979Q47190.38-19.38-20.071980Q16391.38-28.38-28.381980Q29992.256.756.751980Q31359342421980Q47393.75-20.75-20.071981Q167-28.381981Q21016.751981Q3？六大定量预测方法之二：时间序列季节性预测年份Q1Q2Q3Q41979-19.381980-28.386.7542-20.381981平均季节因子-28.386.7542-20.07季节因子24年份Q1Q2Q3Q4总和1979-19.381980-28.386.7542-20.381981平均季节因子-28.386.7542-20.07=+0.3修正系数修正后季节因子-28.466.6741.92-20.15=00.340.08l因子总和周期点数修正后季节因子lSS0修正后的季节因子l季节因子的修正系数因子总和周期点数25()/93.75-90.38/40.84平均每期增量最后一期趋势值第一期趋势值变化的期数（）QuantitativeMethods1981()93.7530.8442138.27第三季度预测值=趋势值季节因子最后一期趋势值自最后一期趋势值至预测期变化的期数平均每期增量季节因子（）TFTS加法模型时间序列季节性预测——乘法模型季节原始数据趋势值偏离趋势值季节因子1979Q2961.07321979Q31301.45161979Q47190.380.78560.78221980Q16391.380.68940.68941980Q29992.251.07321.07321980Q3135931.45161.45161980Q47393.750.77870.78221981Q1670.68941981Q21011.07321981Q3？六大定量预测方法之二：时间序列季节性预测年份Q1Q2Q3Q419790.785619800.68941.07321.45160.77871981平均季节因子0.68941.07321.45160.7822季节因子年份Q1Q2Q3Q4总和19790.785619800.68941.07321.45160.77871981平均季节因子0.68941.07321.45160.7822=3.9964修正系数修正后季节因子0.691.07421.45290.7829=443.9964l周期点数因子总和修正后季节因子l季节因子的修正系数周期点数因子总和lSS0修正后的季节因子29()/93.75-90.38/40.84平均每期增量最后一期趋势值第一期趋势值变化的期数（）QuantitativeMethods1981()93.7530.841.4516139.75第三季度预测值=趋势值季节因子最后一期趋势值自最后一期趋势值至预测期变化的期数平均每期增量季节因子（）TFTS乘法模型30季节性预测中趋势值的线性模型法220TTyabxnxyxybnxxybxanyaxbnxy式中，——一元线性回归预测值——截距，为自变量时的预测值——斜率——变量数——自变量的取值——因变量的取值时间序列季节性预测——线性模型法xyx2xy19619621304260371921346316252599254956135368107734951186764536910181909835285408245x835y2285x4082xy32季节性预测中趋势值的线性模型法222940824583592854536738375758371.5525652025540nxyxybnxx8351.5545100.539ybxan（）100.531.55Tyabxx100.531.55100.531.551085.03Tyx85.031.4516123.43Ty33QuantitativeMethods季节性预测练习题34季节原始数据趋势值偏离趋势值季节因子偏离趋势值季节因子1987Ⅲ111987Ⅳ341987Ⅴ211987Ⅵ4521.2523.752.121988Ⅰ621.84-15.84-16.130.270.3251988Ⅱ922.34-13.34-13.340.400.4551988Ⅲ1422.92-8.92-8.590.610.661988Ⅳ3823.66514.3315.131.611.581988Ⅴ2324.42-1.42-20.940.9251988Ⅵ5025.3324.6724.211.972.0451989Ⅰ1026.42-16.420.381989Ⅱ1427.34-13.340.511989Ⅲ2028.25-8.250.711989Ⅳ4529.0815.921.551989Ⅴ2729.58-2.580.911989Ⅵ571990Ⅰ131990Ⅱ1735年份ⅠⅡⅢⅣⅤⅥ总和19872.12198880.270.400.611.610.941.9719890.380.510.711.550.91平均季节因子0.3250.4550.661.580.9252.0455.99Quantit