第六章物流系统需求预测

1第六章物流系统需求预测2第一节系统预测概述•一、系统预测的概念及其实质•所谓预测，就是对尚未发生或目前还不确切的事物进行预先的估计和推断，是现时对事物将要发生的结果进行的探讨和研究。•系统的预测是以系统的变化为前提的。没有系统的变化，就不需要预测。•系统预测的实质是分析使系统发生变化的原因，探究系统发展变化的规律，根据系统的过去和现在估计未来。3二、预测方法的分类•（一）按预测的范围或层次不同分类•1．宏观预测•2．微观预测•（二）按预测的时间长短分类•1．长期预测•2．中期预测•3．短期预测•4．近期预测•（三）按预测方法的性质来分类•1．定性预测法•2．时间序列分析预测法•3．因果关系预测方法4图6-1预测方法分类定性预测特尔斐法主观概率法领先指标法时间序列分析移动平均指数平滑Box-Jenkins法因果关系分析线性回归分析投入产出分析马尔可夫模型状态空间分析灰色系统模型系统动力学仿真定量预测预测方法5三、预测的一般程序（一）确定预测目的（二）资料收集和数据分析（三）建立预测模型（四）模型检验与修正（五）预测实施与结果分析6三、预测的一般程序图6-2动态的预测过程误差较大误差太大通过检验确定预测目的资料收集与分析选定预测方法建立预测模型模型检验预测实施7第二节物流系统预测的特征一、物流系统需求特征•物流需求的特征表现在如下三个方面：•（一）需求的时间特性和空间特性•（二）需求的不规则性与规则性•（三）需求的派生性与独立性8（一）需求的时间特性和空间特性（1）物流需求的时间特性——即需求是随时间而变化的。常用时间序列预测法。（2）物流需求的空间特性——即物流需求量在何处发生。对需求地理性特征的处理有两种方式：一是先进行总需求预测，然后再按地理位置分解；二是先对每个地点的需求单独进行预测，再根据需要汇总。9（二）需求的不规则性与规则性1、规则性需求变动：长期趋势(Trend)季节性(Seasonal)因素随机性(Random)因素10(a)随机性或水平性发展的需求，无趋势或季节性因素实际销售额平均销售额11(b)随机性需求，呈上升趋势，无季节性因素实际销售额平均销售额时间销售额12(c)随机性需求，有趋势和季节性因素实际销售额销售趋势平滑趋势和季节性销售132、不规则性需求需求水平时间14（三）需求的派生性与独立性（1）独立需求——物流需求的独立性是指物流需求来自一个一个独立的客户。例如：对最终产品的需求量预测（2）派生需求——即物流需求是由某一特定的生产计划要求派生出来的，这是一种从属性的需求。例如：对产品所需零部件的需求预测15二、物流系统预测的特殊问题（一）新需求预测方法一：将最初的预测任务交给营销人员来做，由营销人员通过促销宣传、消费者行为调研等方式，积累一定的销售历史数据。方法二：利用生产线中类似产品的需求模式估计新产品的销售情况。原有产品的需求模式可以为新产品的早期需求预测提供借鉴。方法三：使用指数平滑法进行预测，将指数平滑系数定得很高（≥0.5）。一旦得到了足够的需求历史数据，就可以将平滑系数降低到一般水平。16二、物流系统预测的特殊问题（二）不规则需求预测难以用数学方法进行准确预测。参考方法：第一，寻找导致需求不规则变化的关键原因，再利用这些因素进行预测；将不规则需求预测与其他规则性需求预测分开进行，分别使用不同的方法。第二，如果没有找到促使需求发生突变的关键原因，就暂时不对这类产品或服务的需求变化作出反应；相反，要利用一些简单的、平稳的预测方法。第三，对预测精度要求不太高的场合，可以根据具体情况要求适当调整预测值，保证需求的可靠性。17二、物流系统预测的特殊问题（三）地区性预测问题：先进行地区总量预测后，再按地区分配？还是直接对每一地区单独进行需求预测后再汇总？对所有地区的物流需求进行总量预测要比单独预测各地区需求后再汇总更精确一些。因此，一般先进行物流总需求量的预测，然后将总量分配到各地区。18二、物流系统预测的特殊问题（四）预测的误差问题•预测误差是不可避免的•将几种预测模型的结果进行综合，可使预测值更稳定、更可靠19第三节物流需求预测的方法一、移动平均法二、指数平滑法三、回归分析预测方法20一、移动平均法•基本思想：根据时间序列信息，逐项推移，依次计算包含一定项数的序时平均值，以反映数据序列的长期趋势。•特点：（1）可以消除周期变动和随机波动的影响，揭示出事件的发展方向与趋势。（2）简单、易行。21一、移动平均法•计算方法：设时间序列：逐项推移求出N个数的平均数：12,,...,...,tyyy(1)(1)111,tttNttNttyyyyyMMtNNN(1)1ˆttyM一次移动平均：二次移动平均：(1)(1)(1)(1)(1)(2)(2)111tttNttNttMMMMMMMNN22一、移动平均法•趋势预测模型：ˆtTttyabT(1)(2)2tttaMM(1)(2)2()1tttbMMN23二、指数平滑法•以移动平均法为基础，特殊的加权移动平均法。•有效的短期预测法。•简单、易用，只要很少的数据量•当预测数据发生根本性变化时还可以进行自我调整。24（一）基本的指数平滑模型1、什么是一次指数平滑预测？——利用时间序列中本期的实际值与本期的预测值加权平均作为下一期的预测值。tttFxF)1(1式中，t——本期的时间；——指数平滑系数，规定01；xt——在t时刻的实际需求值；——在t+1时刻的一次指数平滑值。1tF25（一）基本的指数平滑模型2、关键参数确定（1）初始值F1：•数据较多时，将已有数据中的某一部分的算术平均值或加权平均值作为初始值F1•数据较少时，用定性预测法选取F1（2）平滑系数：0.01~0.3值越大：对近期需求影响大，对时间序列变化敏感；值越小：对近期数据影响小，历史数据的权数越大，反映长期的大致发展趋势。26（一）基本的指数平滑模型3、例题6-2季度1234去年12007009001100今年14001000F3试对今年第三季度需求进行预测。27（一）基本的指数平滑模型解：=0.2；F0=（1200+700+900+1100）/4=975今年第一季度预测需求：F1=0.2x0+（1-0.2）F0==1000今年第二季度预测需求为：F2=0.2x1+（1-0.2）F1=1080今年第三季度的预测需求为：F3=0.2x2+（1-0.2）F2=1064季度1234去年12007009001100今年14001000预测值10001080106428（二）趋势校正如果数据表现出明显的长期趋势和季节性特征，基本模型内在的滞后性就会造成很大的预测误差，因此必须对模型加以分析修正。St+1=xt+(1-)(St+Tt)(6-8)Tt+1=(St+1-St)+(1-)Tt(6-9)Ft+1=St+1+Tt+1(6-10)Ft+1——第t+1期校正趋势后的预测值；St——第t期的最初预测值；Tt——第t期的趋势；——趋势平滑系数。29（二）趋势校正例6-3利用例6-2中的历史数据预测今年第三季度的需求，要考虑趋势因素。解：S0=975，=0.2，趋势平滑系数=0.3，初始趋势T0=0今年第一季度的预测需求为：S1=0.21100+0.8(975+0)=1000T1=0.3(1000-975)+(1-0.3)0=7.5F1=1000+7.5=1007.51008今年第二季度的预测需求为：S2=0.21400+0.8(1000+7.5)=1086T2=0.3(1086-1000)+(1-0.3)7.5=31.05F2=1086+31.05=1117.051117利用第二季度的预测结果，今年第三季度的预测需求为：S3=0.21000+0.8(1086+31.05)=1093.64T3=0.3(1093.64-1086)+(1-0.3)31.05=24.03F3=1093.64+24.03=1117.67111830（三）趋势和季节性因素的校正St+1=(xt/It-L)+(1-)(St+Tt)(6-11)Tt+1=(St+1-St)+(1-)Tt(6-12)It=(xt/St)+(1-)It-L(6-13)Ft+1=(St+1+Tt+1)/It-L+1(6-14)式中：Ft+1——第t+l期校正趋势和季节性因素后的预测值；——季节性指数基础上的平滑系数；It——第t期的季节性指数；L——一个完整的季节周期，如一年的4个季节或12个月重复一次；31（四）二次指数平滑法•二次指数平滑法，是指在一次指数平滑值基础上再作一次指数平滑，然后利用两次指数平滑值，建立预测模型确定预测值的方法。1．计算时间序列的一次、二次指数平滑值(2)(1)(2)1(1)tttSSS2．建立二次指数平滑预测模型3．利用预测模型进行预测tTttYabT(1)(2)2tttaSS(1)(2)()1tttbSS32（四）二次指数平滑法例6-4某公司近年产品销售量如下（见表6-1），用二次指数平滑法预测2005年和2006年销售量。表6-1销售量及二次指数平滑预测单位：万个1tS(2)tS观察期t（年份）销售量xtatbtYt+T1(1999)2(2000)3(2001)4(2002)5(2003)6(2004)6274809210010472647278.489.397.97265.670.776.886.895.7－62.473.38091.8100.1－－6.45.26.4108.8－5678.586.4101.8108.9666100.18.8tTTYYabTT61100.18.81108.9Y62100.18.82117.7Y33三、回归分析预测方法•原理：根据事物内部因素变化的因果关系来预测事物未来的发展趋势。•类型：一元回归分析和多元回归分析；线性回归和非线性回归。34（一）一元线性回归预测法例6-5薄钢板消耗量与当年的汽车产量之间有一定的相关性，假设该国1992的汽车年产量约为34万辆，试估计1992年的薄钢板消耗量。序号年份t汽车产量x(万辆)薄钢板消耗量y(千吨)1198513.9819.1802198613.5219.9373198712.5420.2194198814.9129.2625198918.6030.3996199024.4032.3887199128.840.24535一元线性回归预测步骤（1）数据的直观分析及散点图描述01020304050010203040xy实际y预测y36一元线性回归预测步骤（2）建立一元线性回归方程y=a+bx22xnxyxnyxbiiixbyaixnx1iyny137一元线性回归预测步骤（3）求解回归系数，得到回归模型b=1.167a=6.249（4）利用模型预测结果1992的薄钢板需求量预测值=6.249+1.16734=45.927(千吨)38（二）多元线性回归预测分析•y=b0+b1x1+b2x2+…+bmxmYmmmmmmYmmYmmLbLbLbLLbLbLbLLbLbLbL.....................................22112222211211221111miiixbyb10nkjjkiikijxxxxL1))((nkjjkkYjxxyyL1))((39（二）多元线性回归预测分析mmmmmmLLLLLLLLLL.....................212221212111mbbbb21YmYYYLLLL21YLbLYLLb140（二）多元线性回归预测分析例6-6某港口的货物吞吐量