《物流工程幻灯片10172》由会员分享，可在线阅读，更多相关《物流工程幻灯片10172（96页珍藏版）》请在金锄头文库上搜索。
1、管理资料,1,第五章 物流系统预测技术,2,5.1 物流预测概述,5.1.1 物流预测的理论 1.物流预测的必要性 预测是根据过去和现在的已知因素，运用人们的知识、经验和科学方法，对未来进行预计，并推出事物未来的发展趋势。,3,5.1 物流预测概述,5.1.1 物流预测的理论 2.物流预测的可行性 大宗货物或大流量一般来说相对稳定 大宗货物的发送和到达比较集中 一些重要物资的产运系数（运量与生产量的比率）在短期内比较稳定 主要货流的平均运程相对稳定，其变动规律也可以探讨 现代统计制度可以提供相当部分预测所需要的基础资料,4,5.1 物流预测概述,5.1.1 物流预测的理论 2.物流预测的可行性
2、 一些物资的需求和生产有其自身规律性，从而为物流预测提供有价值的信息 企业可以积累物流预测的许多资料,5,5.1 物流预测概述,5.1.2 物流预测的分类 1.物流预测的角度进行分类 宏观预测 微观预测 2.物流服务的供求关系 物流服务的需求预测 物流服务的供给预测,6,5.1 物流预测概述,5.1.2 物流预测的分类 3.物流预测的时间长度进行分类 短期预测 中期预测 长期预测,7,5.1 物流预测概述,5.1.3 物流预测的步骤 确定预测目标 收集、分析有关资料 选择预测方法进行预测 分析评价预测方法及预测结果 修正预测结果 提交预测报告,8,5.1 物流预测概述,5.1.3 物流预测的方
3、法 定性法 历史映射法 因果法,9,5.2 物流预测概述,5.2.1 区域、社会等物流宏观预测 1.增长系数模型,10,5.2 物流预测概述,5.2.1 区域、社会等物流宏观预测 1.增长系数模型,11,5.2 物流预测概述,5.2.1 区域、社会等物流宏观预测 2.回归分析法（因素分析法） 一元线性回归分析预测法，是根据自变量x和因变量Y的相关关系，建立x与Y的线性回归方程进行预测的方法。由于市场现象一般是受多种因素的影响，而并不是仅仅受一个因素的影响。所以应用一元线性回归分析预测法，必须对影响市场现象的多种因素做全面分析。只有当诸多的影响因素中，确实存在一个对因变量影响作用明显高于其他因素
4、的变量，才能将它作为自变量，应用一元相关回归分析市场预测法进行预测。,12,一元线性回归分析法的预测模型为：,13,一元线性回归分析法的预测模型为：,14,3.1 灰色预测理论 3.2 GM(1,1)模型 3.3 GM(1,1)残差模型及GM (n, h)模型,3 灰色预测法,回总目录,15,3灰 色 预 测 理 论,一、灰色预测的概念,（1）灰色系统、白色系统和黑色系统,白色系统是指一个系统的内部特征是完全已知的，即系统的信息是完全充分的。,回总目录,回本章目录,16,黑色系统是指一个系统的内部信息对外界 来说是一无所知的，只能通过它与外界的 联系来加以观测研究。,灰色系统内的一部分信息是已
5、知的，另一 部分信息是未知 的，系统内各因素间有不 确定的关系。,回总目录,回本章目录,17,灰色预测法是一种对含有不确定因素的系统进行预测的方法。 灰色预测是对既含有已知信息又含有不确定信息的系统进行预则，就是对在一定范围内变化的、与时间有关的灰色过程进行预测。,（2）灰色预测法,回总目录,回本章目录,18,灰色预测通过鉴别系统因素之间发展趋势的相异程度，即进行关联分析，并对原始数据进行生成处理来寻找系统变动的规律，生成有较强规律性的数据序列，然后建立相应的微分方程模型，从而预测事物未来发展趋势的状况。,回总目录,回本章目录,19,灰色预测法用等时距观测到的反映预测对象特征的一系列数量值构造
6、灰色预测模型，预测未来某一时刻的特征量，或达到 某一 特征量的时间。,回总目录,回本章目录,20,（3）灰色预测的四种常见类型, 灰色时间序列预测 即用观察到的反映预测对象特征的时间序列来构造灰色预测模型，预测未来某一时刻的特征量，或达到某一特征量的时间。 畸变预测 即通过灰色模型预测异常值出现的时刻，预测异常值 什么时候出现在特定时区内。,回总目录,回本章目录,21,系统预测 通过对系统行为特征指标建立一组相互关联的灰色预测模型，预测系统中众多变量间的相互协调关系的变化。 拓扑预测 将原始数据做曲线，在曲线上按定值寻找该定值发生的所有时点，并以该定值为框架构成时点数列，然后建立模型预测该定值
7、所发生的时点。,回总目录,回本章目录,22,二、生成列,为了弱化原始时间序列的随机性，在建立灰色预测模型之前，需先对原始时间序列进行数据处理，经过数据处理后的时间序列即称为生成列。,回总目录,回本章目录,23,累加,累加是将原始序列通过累加得到生成列。,灰色系统常用的数据处理方式有累加和累减两种。,（1）数据处理方式,回总目录,回本章目录,24,累加的规则:,将原始序列的第一个数据作为生成列的第一个数据，将原始序列的第二个数据加到原始序列的第一个数据上，其和作为生成列的第二个数据，将原始序列的第三个数据加到生成列的第二个数据上，其和作为生成列的第三个数据，按此规则进行下去，便可得到生成列。,回
8、总目录,回本章目录,25,记原始时间序列为：,生成列为：,上标1表示一次累加，同理，可作m次累加：,回总目录,回本章目录,26,对非负数据，累加次数越多则随机性弱化越多，累加次数足够大后，可认为时间序列已由随机序列变为非随机序列。 一般随机序列的多次累加序列，大多可用指数曲线逼近。,回总目录,回本章目录,27,累减,将原始序列前后两个数据相减得到累减生成列,累减是累加的逆运算，累减可将累加生成 列还原为非生成列，在建模中获得增量信息。,一次累减的公式为：,回总目录,回本章目录,28,三、关联度,关联度分析是分析系统中各因素关联程度的方法，在计算关联度之前需先计算关联系数。,（1）关联系数,设,
9、则关联系数定义为：,回总目录,回本章目录,29,式中：,为第k个点,称为分辨率，01,一般取=0.5；,对单位不一，初值不同的序列，在计算相关系数前应首先进行初始化，即将该序列所有数据分别除以第一个数据。,的绝对误差；,和,为两级最小差；,为两级最大差；,回总目录,回本章目录,30,（2）关联度,和,的关联度为：,回总目录,回本章目录,31,一个计算关联度的例子,工业、农业、运输业、商业各部门的行为数据如下：,工业,农业,运输业,商业,参考序列分别为,，被比较序列为 ,试求关联度。,回总目录,回本章目录,32,解答：,以,为参考序列求关联度。,第一步：初始化，即将该序列所有数据分别 除以第一个
10、数据。得到：,回总目录,回本章目录,33,第二步：求序列差,第三步：求两极差,回总目录,回本章目录,34,第四步：计算关联系数,取=0.5，有：,从而：,回总目录,回本章目录,35,第五步：求关联度,计算结果表明，运输业和工业的关联程度 大于农业、商业和工业的关联程度。,为参考序列时，计算类似，这里略去。,回总目录,回本章目录,36,3.2 GM(1,1)模型,一、GM（1，1）模型的建立,设时间序列,有n个观,察值，通过累加生成新序列,则GM（1，1）模型相应的微分方程为：,其中：称为发展灰数；称为内生控制灰数。,回总目录,回本章目录,37,设,为待估参数向量，,最小二乘法求解。解得：,求解
11、微分方程，即可得预测模型：,，可利用,回总目录,回本章目录,38,灰色预测检验一般有残差检验、关联度检,二、模型检验,（1）残差检验,按预测模型计算,并将,累减生成,然后计算原始序列,与,的绝对误差序列及相,对误差序列。,验和后验差检验。,回总目录,回本章目录,39,（2）关联度检验,根据前面所述关联度的计算方法算出,与原始序列,的关联系数，然后计算出关联,度，根据经验，当=0.5时，关联度大于0.6便 满意了。,回总目录,回本章目录,40,（3）后验差检验,a.计算原始序列标准差:,回总目录,回本章目录,41,b. 计算绝对误差序列的标准差：,c. 计算方差比：,回总目录,回本章目录,42,
12、d. 计算小误差概率：,令:,，,则：,P 0.95 0.80 0.70 0.70,C 0.35 0.50 0.65 0.65,好 合格 勉强合格 不合格,回总目录,回本章目录,43,3.3 GM(1,1)残差模型及GM (n, h)模型,一、残差模型,若用原始经济时间序列,模型检验不合格或精度不理想时，要对建立的 GM（1，1）模型进行残差修正或提高模型的预 测精度。修正的方法是建立GM（1，1）的残差 模型。,建立的GM(1,1),回总目录,回本章目录,44,二、 GM（n，h）模型,GM（n，h）模型是微分方程模型，可用 于对描述对象做长期、连续、动态的反映。从原则上讲，某一灰色系统无论
13、内部机制如何，只要能将该系统原始表征量表示为时间,，并有,（N表示自然数集），即可用GM模型对系统进行描述。,，,序列,回总目录,回本章目录,45,实例,，,回总目录,回本章目录,46,实例,，,回总目录,回本章目录,47,实例,，,回总目录,回本章目录,48,实例,，,回总目录,回本章目录,49,实例,，,回总目录,回本章目录,50,实例,，,回总目录,回本章目录,51,5.2 物流预测概述,5.2.2 物流微观预测 1.物流企业的需求预测 （1）指数平滑法 指数平滑法是布朗(Robert GBrown)所提出，布朗(Robert GBrown)认为时间序列的态势具有稳定性或规则性，所以时间
14、序列可被合理地顺势推延；他认为最近的过去态势，在某种程度上会持续到最近的未来，所以将较大的权数放在最近的资料。 指数平滑法是生产预测中常用的一种方法。也用于中短期经济发展趋势预测，所有预测方法中，指数平滑是用得最多的一种。简单的全期平均法是对时间数列的过去数据一个不漏地全部加以同等利用；移动平均法则不考虑较远期的数据，并在加权移动平均法中给予近期资料更大的权重；而指数平滑法则兼容了全期平均和移动平均所长，不舍弃过去的数据，但是仅给予逐渐减弱的影响程度，即随着数据的远离，赋予逐渐收敛为零的权数。,52,5.2 物流预测概述,5.2.2 物流微观预测 1.物流企业的需求预测 （1）指数平滑法 也就
15、是说指数平滑法是在移动平均法基础上发展起来的一种时间序列分析预测法，它是通过计算指数平滑值，配合一定的时间序列预测模型对现象的未来进行预测。其原理是任一期的指数平滑值都是本期实际观察值与前一期指数平滑值的加权平均。,53,1959年由美国学者布朗在库存管理的统计预测 一书中提出了指数平滑法。,一次指数平滑法 二次指数平滑法,54,一、一次指数平滑法,2、一次指数平滑值的计算公式：,1、预测模型,（一）模型及适用范围,3、预测模型的含义,含义：下期预测值是本期实际值与本期预测值的加权平均。,4、一次指数平滑法的适用范围：水平型、短期数据模式。,55,一、一次指数平滑法,（二）一次指数平滑法的特点
16、,1、具有自动调整预测误差的功能,56,一、一次指数平滑法,2、预测值包含所有历史数据（信息量大）,57,（无穷项之和公式）,而移动平均法，其加权按,3、指数平滑系数按等比数列递减，加权为 数据很多时，,一、一次指数平滑法,58,一、一次指数平滑法,（三）加权系数 和初始值 的确定,在上述预测模型的分解式中可以看到：要进行预测除了已知若干期历史数据外，还必须确定加权因子 和初始值 ,只有这样才能估算出,59,1、加权因子 的确定,两种方法：误差比较分析法,当数据为水平模式时，0.01 0.3,当数据为趋势模式时：0.6 0.9 ；此时跟随效果好一些（二次指数）,也可将上述两种方法组合运用。,当 大些，越近的历史数据对后期预测的作用越大，跟随效果越好,当数据为混合型模式时：0.3 0.6,60,重要提示： 不同的数据模式所采用的
