《预测的概念》由会员分享，可在线阅读，更多相关《预测的概念（33页珍藏版）》请在金锄头文库上搜索。
1、第二章 需求预测,一、预测的概念 二、预测方法 三、预测的监控,Demand Forecasting,预测的概念,预测是对未来可能发生的事情的估计与推测。 一般有经济预测、技术预测、需求预测。 本课程主要讨论需求预测。,预测的概念,需求预测的意义 预测是为下一步计划做准备 预测是制定营销、生产 和库存、采购、人力资源等计划的基础。 预测对生产运作产生影响，所以，它是生产运作管理的一个组成部分。,预测的概念,预测的主要步骤 确定预测目标； 确定影响产品需求的因素及其重要性； 收集资料； 选择预测方法与模型； 计算、预测； 对预测结果进行综合分析，得出结论； 将预测结果应用于生产计划工作中； 根据
2、实际情况，对预测结果进行监控。,预测的概念,预测的稳定性与响应性 稳定性：反应稳定需求的能力 响应性：反映需求变化的能力,预测方法,预测方法,需要说明的是，为使预测更符合实际，经验、判断和数学模型都起一定的作用，但没有哪一种方法一直都能奏效。,预测方法,1、定量预测方法 用数学模型表示需求与各种变量之间的关系。 前提：变量与需求的关系今后仍然保持不变。 常用的有： 时间序列：用过去的需求和时间的关系来预测未来的需求。 因果模型：用过去的资料揭示变量和需求的关系，进而预测未来的需求。,预测方法,2、时间序列模型 时间序列（Time Series）：按一定的时间间隔和事件发生的先后顺序将所收集的数
3、据排列起来所得到的序列。,预测方法,预测方法,时间序列的构成： 趋势成分： 随时间的推移而表现出的一种倾向（上升、下降、平稳）。 季节成分： 特定周期时间里有规则的波动。如： 每天有二次交通高峰； 每周周末，影院的客流量较大； 某些产品的季节性需求变化等。 周期成分： 较长时间里（一般为数十年）有规则的波动。 随机成分： 没有规则的上下波动。,预测方法,预测方法,时间序列模型： 时间序列平滑模型：通过多个数据的平均来消除和减少随机成分(干扰)。常用的有简单移动平均、加权移动平均、一次指数平滑。 时间序列分解模型：,预测方法,1）简单移动平均(Simple Moving Average) SMA
4、t+1= (Xt + Xt-1 + Xt-N+1 )/N 预测值=(前N次实测值的平均值),预测方法,预测方法,结果：N越大、预测值越平滑，对干扰的灵敏性越低，预测值的响应性也就越小。,预测方法,2）加权移动平均(Weighted Moving Average) WMAt+1= (t Xt + t-1 Xt-1+ t-N+1 Xt-N+1 )/N 预测值=(前N次实测值的加权平均值) t、 t-1、 、 t-N+1称为加权因子，且 （t + t-1 + + t-N+1）/ N = 1,预测方法,预测方法,结果：预测值的响应性较好，其结果与和N的取值有关。,预测方法,3）一次指数平滑(Singl
5、e Exponential Smoothing) SAt = SAt-1 + (Xt-1 - SAt-1) 或者， SAt = Xt-1 + (1-) SAt-1 预测值=(上次实测值)+(1-)上次预测值 称为平滑常数，（0 1）,预测方法,预测方法,预测方法,结果：一次指数平滑预测值依赖于平滑常数的选择，一般来言，越大，预测值的响应性越大，选得小些，则稳定性较大。,预测方法,4）时间序列分解模型(Time Series Decomposition) 对各成分进行单独预测，再按一定的组合规则综合处理，得出最终的预测结果。 乘法模型 TF= TSCI 加法模型 TF= T+S+C+I,预测方法
6、,主要讨论线性季节模型 线性变化趋势与季节性变化趋势共同作用的结果。 预测值=趋势预测值季节系数,预测方法,原始数据：,预测方法,求趋势直线方程： y = a + b t y为趋势预测值，t为季节序号，a、b为常数。 可用作图法或最小二乘法求出a、b。,预测方法,y = 10000 + 167 t,预测方法,计算季节系数： 各周期内相应实际值与趋势值的比值的平均值。,SI(夏)=(1.16+1.13+1.16)/3=1.15 SI(秋)=1.00 SI(冬)=0.85 SI(春)=1.00,预测方法,计算预测值： 预测值=趋势预测值季节系数 未来一年的夏秋冬春各季对应的t值分别为13,14,1
7、5,16, 预测销售量分别为: 夏季:(10,000+16713)1.15=13,997 (份) 秋季:(10,000+16714)1.00=12,338 (份) 冬季:(10,000+16715)0.85=10,629 (份) 春季:(10,000+16716)1.00=12,672 (份),预测监控,1、预测精度的测量 预测误差：预测值与实际值之间的差异。 E = (At Ft ) 平均绝对偏差(Mean Absolute Deviation) MAD = At Ft /n 它能较好地反映预测精度 平均平方误差(Mean Square Error) MSE = (At Ft )2 /n 它能较好地反映预测精度,预测监控,平均预测误差(Mean Forecast Error) MFD = （ At Ft）/n 它能较好地衡量无偏性 平均绝对百分误差(Mean Absolute Percentage Error) MAPE =,预测监控,2、预测监控 检验预测模型是否仍然有效； 测试指标：跟踪信号 TS= (At Ft ) /MAD 结论：TS接近0 或在一定的范围内，预测模型仍然有效。 TS的控制范围一般取 3- 8，多数情况下取4。,
