物流预测方法(总)

·W1--第t-1期实际销售额的权重； ·W2--第t-2期实际销售额的权重； ·Wn--第t-n期实际销售额的权 ·n--预测的时期数；W1+ W2+…+ Wn=1 在运用加权平均法时，权重的选择是一个应该注意的问题。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，因而权重应大些。例如，根据前一个月的利润和生产能力比起根据前 几个月能更好的估测下个月的利润和生产能力。但是，如果数据时季节性的 ，则最新数据的权重高于早期数据。 特点：（1）短期预测中最有效的方法
（2）只需要得到很小的数据量就可以连续使用 （3）在同类预测法中被认为是最精确的 （4）当预测数据发生根本性变化时还可以进行自我调整 （5）是加权移动平均法的一种，较近期观测值的权重比较远期观测值的 权重要大. 具体做法：上一期预测值加上时间序列该期实际与预测值差额的一定百分数即
得新的预测值。即 Ft Ft1 ( At1 Ft1 )
式中： Ft——第t期的预测值； Ft-1——第t-1期的预测值； a——平滑系数； At-1——第t-1期的实际需求量或销售量。
上式可变形为： Ft (1 )Ft 1 aAt 1
平滑常数a决定了预测对偏差调整的快慢。a的值越接近于0，预测对偏差的 调整就越慢（即预测对时间序列做出了更大的平滑）。反之，a的值越趋于1， 预测对偏差的调整就越迅速，同时平滑效果就越差。
一元线性回归分析法的预测模型为：
式中， Xt代表t期自变量的值； 代表t期因变量的值；
a、b代表一元线性回归方程的参数。 u为随机干扰项，与x无关，它反映了y被x解释的不确定性。
线性相关示意图
y
y
a
yˆ a bx
a
yˆ a bx
0
x
0
x
3.1一元线性回归预测法
• a、b参数由下列公式求得（用 代表 ）：
物流需求预测方法
主要内容
• 一、定性方法 >> • 1.1专家意见法 • 4.2.1 移动平均预测 >> • 4.2.2 指数平滑预测 >> • 4.3 趋势预测 >> • 4.4 建立移动平均模型和指数平滑模型 • 4.4.1 移动平均模型 >> • 4.4.2 指数平滑模型 >> • 4.5 Holt预测模型 >> • 4.6 季节指数模型 >>
1.1 专家意见法
• 定义：是通过听取专家意见来确定预测结果的方法。 主要用于开发新技术、新产品、新项目、研究发展战 略时采用。主要是聘请一些专家，他们根据自己长期 对于市场发展规律的知识和经验，借助于其他产品进 行类比分析、现实条件分析、经济发展速度分析等， 就可能提出令人信服的预测结果来。
• 方法： • 1）方案论证会、可行性分析会、专家座谈会、咨询会
1.3 德尔菲法（最合适的预测期：中期到长期）
基本程序： 由企业外的见识广博
，学有专长的专家作市场 预测。先请一组专家（10 ～50人）独立地对需要预 测的问题提出意见，公司 主持人把各人意见综合， 整理后又反馈给每个人， 使他们有机会比较一下他 人不同的意见。如仍坚持 自己的意见，可进一步说 明理由，再寄给主持人。 主持人整理后再次反馈给 每个人，如此重复三至五 次后，一般可得出一个比
归。
设y为因变量，
为自变量，并且自变量与因
变量之间为线性关系时，则多元线性回归模型为：
其中，b0为常数项，
为回归系数 。
b1为
固定时，x1每增加一个单位对y的效应，即
x1对y的偏回归系数；同理b2为
固定时，x2每增加
一个单位对y的效应，即，x2对y的偏回归系数，等等。
3.2 多元线性回归的计算模型
ST1 ( AT / IT ) (1 )(ST TT Tt1 (St1 St ) (1 )T
ItL ( At / St ) (1 )I
Ft 1 (St 1 Tt 1)It 1
式中，L：季节性需求的周期； It ：第t期的季节性需求预测值； ：季节性需求的平滑系数，0< <1；
Ft W1 At1 W2 At2 W3 At3 ... Wn Atn
2.1移动平均法 Ft W1At1 W2 At2 W3 At3 ... Wn Atn
二、加权移动平均法
加权移动平均给固定跨越期限内的每个变量值以相等的权重。其原理是： 历史各期产品需求的数据信息对预测未来期内的需求量的作用是不一样的。 除了以n为周期的周期性变化外，远离目标期的变量值的影响力相对较低，故 应给予较低的权重。 加权移动平均法的计算公式如下：
2.4 带有需求趋势和季节性需求校正的指数平滑 法（Winter模型）
现假定需求的周期数为L，在t期，已给定实际值At 、初始需求水平 St
、初始需求趋势Tt 以及一个周期的初始季节性需求It ，It1，…
，It
的预测，
L1
则第t+1期的对需求水平、需求趋势、季节性需求以及总的需求预测做如下
校正：
• 建立多元性回归模型时，为了保证回归模型具有优良 的解释能力和预测效果，应首先注意自变量的选择，
其准则是：
•
(1)自变量对因变量必须有显著的影响，并呈密切
的线性相关；
•
(2)自变量与因变量之间的线性相关必须是真实的
，而不是形式上的；
•
(3)自变量之彰应具有一定的互斥性，即自变量之
彰的相关程度不应高于自变量与因变量之因的相关程
3.2 多元线性回归的计算模型
•
一元线性回归是一个主要影响因素作为自变量来解释因变量
的变化，在现实问题研究中，因变量的变化往往受几个重要因素
的影响，此时就需要用两个或两个以上的影响因素作为自变量来
解释因变量的变化，这就是多元回归亦称多重回归。当多个自变
量与因变量之间是线性关系时，所进行的回归分析就是多元性回
必须已知，这些峰谷值必须在每个周期的同一时间出 现。 • 二、季节性变化要比随机波动大。
如果季节性需求不平稳、不明显，无法与随机变 化区分开来，那么很难开发出准确预测下一期需求走 势的模型。因此，在选择模型时要非常慎重。
SFt1Wa1Att1(1W2aA)t(S2 tWT3tA) t3 ... Wn Atn
度；
•
(4)自变量应具有完整的统计数据，其预测值容易
确定。
3.2 多元线性回归的计算模型
• 多元性回归模型的参数估计，同一元线性回归方程一样，也是在要 求误差平方和( )为最小的前提下，用最小二乘法求解参数。以 二线性回归模型为例，求解回归参数的标准方程组为
解此方程可求得b0,b1,b2的数值。亦可用下列矩阵法求得
为简便计算，我们作以下定义：
式中： 这样定义a、b后，参数由下列公式求得：
3.1一元线性回归预测法
• 将a、b代入一元线性回归方程Yt = a + bXt，就可以建立预测模型 ，那么，只要给定Xt值，即可求出预测值 。
在回归分析预测法中，需要对Ｘ、Ｙ之间相关程度作出判断，这就要 计算相关系数r，其公式如下：
较一致的意见。
选择对象
发送调查表格
回收调查问卷并统计 调查结果
统计结果的分析评价 预测结果
进行新一轮的调 查表格
执行过程如图 注意！！专家的选择非常重要
二、时间序列预测法
时间序列：指在一个给定的时期内按照固定时间间隔 （例如，1小时、一周或一月等）把某种变量的数值依 时间先后顺序排列而成的序列。
时间序列预测法是基于历史继承性这一 原则而进行的预测，即短期内某个事物的发 展趋势是其过去历史的延伸。它注重研究事 物发展变化的内因。这类预测方法通常适合 在外界影响比较稳定的条件下作短期预测。
2.1移动平均法
移动平均法可以分为：简单移动平均和加权移动平均
一、简单移动平均法 简单移动平均的各元素的权重都相等。简单的移
动平均的计算公式如下： Ft=(At-1+At-2+At-3+…+At-n)/n 式中：
·Ft--对下一期的预测值； ·n--移动平均的时期个数； ·At-1--前期实际值； ·At-2,At-3和At-n分别表示前两期、前三期直至 前n期的实际值
At
2．3 带有需求趋势校正的指数平滑法（Holt模型）
当假设系统需求有需求水平和需求趋势而没有季节性变动时，选用带有需 求趋势校正的指数平滑法即Holt模型较为合适。 采用的系统需求公式为：
系统需求=需求水平+需求趋势 Holt模型只是在指数平滑法的基本模型基础上进行简单的修改，在观察完t期的 实际需求后，整个预测模型作如下修正：
即
多元线性回归模型的检验
•
多元性回归模型与一元线性回归模型一样，在得到参数的最
小二乘法的估计值之后，也需要进行必要的检验与评价，以决定
模型是否可以应用。
1、拟合程度的测定（ R检验）
与一元线性回归中可决系数r2相对应，多元线性回归中也有多重可 决系数r2，它是在因变量的总变化中，由回归方程解释的变动(回归平 方和)所占的比重， r2越大，回归方各对样本数据点拟合的程度越强 ，所有自变量与因变量的关系越密切。计算公式为：
Tt1 (St1 St) (1 )T
St1 aAt (1 a)(St Tt)
Ft1 St1 Tt1
式中： α为需求水平的平滑系数，0< α <1； β为需求趋势的平滑系数，0< β <1； At为第t期的实际需求量； St 为第t期的需求水平预测值； St+1为第t+1期的需求水平预测值； Tt为第t期的趋势预测值； Tt+1为第t+1期趋势校正后的预测值。
、讨论会、辩论会等，让专家写出来。 • 2）可行性分析报告、方案建议书、专家问卷等，让专