基于模型体系的物资需求预测系统设计

1、基于模型体系的物资需求预测系统设计摘要：本文在收集、分析比较国内外关于需求预测技术及方法论基础上，提出一种建立基于 模型体系的物资需求预测系统的方法。关键字：供应链物资需求预测1引言本文在归纳总结关于供应链的物资需求预测模型及方法的国内外文献的基 础上，从两个层面对物质需求系统的设计进行论述。第一个层面是对国内外物资 需求模型研究进展进行分析和综述，主要总结与分析各类预测模型特征；第二个 层面是物资需求预测系统建设内容的界定，主要考虑了数据采集、数据管理、模 型体系建立三个方面。本文主要就供应链的物资需求系统进行了设计，主要工作 如下：第一，物资需求预测的数据采集问题。首先，对物资需求进行调研

2、，主要是 针对需求计划与历史数据，主要包括物资特征、价格、数量、供应商及生产计划 等。然后，在建立标准的数据采集渠道下，针对供应链的物资需求建立慕础数据 库。第二，对所需物资数据的分类问题。首先，针对需求对根据物资相关性、类 别等进行分类，文中采用数据相关性检验、聚类分析及判别分析模型，确定独立 物质与相关物资两个集合类，并对物质进行季节性与周期性等分类。第三，模型体系建立与实现问题。针对分类物质分别建立对应的需求模型， 将建立的需求模型集屮管理，组成一个模型体系。用户可以通过模型体系，对物 质的毛需求进行预测，包括预采购数量、提前采购吋间等。并可以与库存数据相 连接，计算净需求；模型体系还可

3、以与外界环境交互，进行参数、数据修正等。第四，基于模型体系的物资需求预测反馈问题。需求预测结果与实际进行对 比，进行模型修正，以提高预测模型精度。将需求预测系统建设成为一个开放的 适应系统，根据数据、参数及外界环境的变化，灵活的调整。2国内外需求预测方法及模型研究现状需求预测有助于控制库存并对供应链中的信息流进行合并，所以，一般都认 为需求预测构成了供应链屮所有战略与规划决策的基础，它对于组建一个供应链 系统模型是必不可少的。从预测对象的角度，还可以将需求预测的文献归为三类, 第一类是己知需求的分布但分布的参数未知，可用贝叶斯或其他方法对需求分布 的参数进行估计;第二类是对生成的随机时间序列需

4、求进行预测，这样可以在生 成的不平稳或显著季节性等各种需求模式下对预测模型进行仿真分析;第三类是 对实际的需求数据和需求背景进行分析，选用某种适当的预测方法进行预测。具 体如表1、表2,分别就目前主要的需求预测技术及方法进行总结与分析：表1需求预测技术预测技术特点不足冋归分析法冋归预测是根据历史数据的变化规律，寻找自变量与因变量之1'可的回归方程式，确定模型参数，据此做出预测。 主要特点是：（1）技术比较成熟，预测过程简单；（2）将预测对象的影响因素分解，考察各因素的变化情 况，从而估计预测对象未來的数量状态。（1）冋归模型误差较大， 外推特性差。当影响因素错综 复杂或相关因素数据资料

5、根 无法得到时，即使增加计算暈 和复杂程度，也无法修正回归 模型的误差。（2）可能出现量化结果与定 性分析结果不符的现彖，有时 难以找到合适的回归方程类 型。时间序列分析法把预测对象的历史数据按一定的时间间隔进行排列，构 成一个随吋1'可变化的统计序列，建立相应的数据随时间 变化的变化模型，并将该模型外推到未来进行预测。例 如移动平均法、指数平滑法等。也可以根据己知的历史 数据来拟合一条曲线，使得这条曲线能反映预测对象随 时间变化的变化趋势，然后按照这个变化趋势曲线，对 于要求的未来某一时刻，从曲线上估计出该时刻的预测 值。（1）此方法有效的前提 是过去的发展模式会延续到 未来，因而这

6、种方法对短期预 测效果比较，而不适合做屮长 期预测。（2）若影响预测对象变化各 因素发生突变，时1'可序列法的 预测结果将受到一定的影响。灰色系统理论灰色系统理论将一切随机变暈看作是在一定范围内变化 的灰色变量，对灰色变量是利用数据处理方法数据生成 与还原，将杂乱无章的原始数据整理成规律性较强的牛 成数据来加以研究，即灰色系统理论建立的不是原始数 据模型，而是生成数据模型。灰色预测通过对原始数据 的处理和灰色模型的建立，发现、掌握系统发展规律， 对系统的未来状态做出科学的定量预测。优化组合预测技优化组合预测有两类概念，一是指将几种预测方法所得术的预测结果，选取适当的权重进行加权平均的一

7、种预测 方法，其关键是确定各个单项预测方法的加权系数；二 是指在几种预测方法中进行比较，选择拟合度最佳或标 准离差最小的预测模型作为最优模型进行预测。神经网络用人工神经网络的学习功能，用大量样本对神经元网络 进行训练，调整其连接权值和闭值，然后可以利用已确 定的模型进行预测。如误差反向传播算法（bp算法）通 过网络误差的反向传播，调整和修改网络的连接权值和 闭值，使误差达到最小，其学习过程包括前向计算和误 差反向传播。它利用一个简单的三层人工神经网络模型， 就能实现从输入到输出z间任何复杂的非线性映射关 系。支持向量机是基于统计学习的机器学习方法，通过寻求结构风险化 最小，实现经验风险和置信范

8、围的最小，从而达到在统 计样本较少的情况下，亦能获得良好统计规律的目的。其预测模型是一个指数函数, 如果待测量是以某一指数规 律发展的，则可望得到较高精 度的预测结果。否则，预测结 果偏低因为不同的预测方法在复杂 性、数据要求以及准确程度上 均不同，因此确定各个单项预 测方法的加权系数及选择一 个合适的预测方法是很闲难 的。(1) 利用神经网络来研究 预测问题，一个很大的困难就 在于如何确定网络的结构，具 体地讲，就是如何确定隐层的 节点数。当隐层节点数太少 时，预测的精度无法得到保证 隐层节点数太多，网络结构过 于复杂，计算复杂性增加，实 用性降低。(2) 神经网络具有收敛速度 慢和局部极小

9、点等缺陷。 核函数的选取在方法中是一 个较为困难的问题，至今没有 一定的理论方面的指导。表2需求预测方法分类具体研究内容常用建模方法建模方法特点不足纯需求预测问题（不考虑需求预测对供应链影响）己知需求的分布但分布的参数未知贝叶斯估计当需求满足某一合适的概率分布，根据需求数据来预测该 概率分布的参数。实际情况是，并不知道需求的准确形式或概率分布。不平稳需求时间序列预测概率论数据满足一定的概率分布，如泊松分布等实际数据的通常不能找到准确的分布带有促销或高季节性的需求预测神经网络和遗传算法用人工神经网络的学习功能，用大量样本对神经元网络进 行训练，调整其连接权值和闭值，然后可以利用已确定的 模型进行

10、预测。如误差反向传播算法（bp算法）通过网络 误差的反向传播，调整和修改网络的连接权值和闭值，使 误差达到最小，其学习过程包括前向计算和误差反向传播。 它利用一个简单的三层人工神经网络模型，就能实现从输 入到输出之间任何复杂的非线性映射关系。利用神经网络来研究预测问 题，一个很大的困难就在于如 何确定隐层的节点数。当隐层 节点数太少时，预测的精度无 法得到保证隐层节点数太多， 网络结构过于复杂，计算复杂 性增加，实用性降低。高精度需求预测方法的开发模糊神经网络供应链中的需求预测问题需求预测对库存决策的影响概率论不同预测方法对供应链绩效的影响“嵌入式”建模方法将sz杂系统的数学模型进行“细化”，

11、分解成多个相互关联、 可选择相应的子模型来拟合，然后把此模型嵌入到原复杂 系统中的一种建模方法。“嵌入式建模方法”主要包括模糊 建模方法、神经网络建模方法、统计建模方法以及这些方 法与软计算，如遗传算法、模拟退火等的组合方法。模型的细化，子模型组合问题 需要大量的专业知识，过程复 杂。基于需求预测的供应链建模随机规划与多目标规划(1) 随机规划是处理数据带有随机性的一类数学规划，它 与确定性数学规划最大的不同在于其系数中引进了随机变 量，这使得随机规划比起确定性数学规划更适合于实际问 题。其求解方法大致分两种：第一种是转化法，即将随机规划转化成各白的确定性 等价类，然后利用已有的确定性规划的求

12、解方法解之；另一种是逼近方法，利用随机模拟技术，通过一定的 遗传算法程序，得到随机规划问题的近似最优解和目标函 数的近似最优值。(2) 多于一个的目标函数在给定区域上的最优化。其求解过程复杂，得到的最优解是局部最优解.及时、准确的需求信息的价值问题需求信息及时 传递所带来的 价值对需求预测进 行持续更新从 而使信息流更 为准确所带来 的价值捉高需求预测 精度如集成化 库存管理从而概率论数值法与“嵌入式”建模方法仿真建模方法与数学规划求解方法：笫一种，把多目标规划问题归为单目标的数学规划(线 性规划或非线性规划)问题进行求解。第二种，将多目标规划的各个分目标按其在问题中的 重要程度排出先后次序，

13、依次分层对各目标求得极小化的最优解。(1)仿真模型可以分为确定性仿真模型和蒙特卡洛仿真模 型。在确定性仿真模型屮所用到的“状态变量”是人们关 注的焦点，状态变量随着外部环境中各因素的变化而变化,信息共亨的价值问题使需求信息更为准确所带来的价值需求及其预测 信息共享所带 来的价值长鞭效应的定量化研究动态规划仿真建模方法随目标函数的不同而取不同的值，所以供应链“系统”的 状态变量的稳定程度是确定性仿真模型应该回答的问题。蒙特卡洛仿真方法要求用概率统讣方法分析供应链的不确 定性，比如利用历史数据确定概率密度函数，有时可能会 涉及多个变暈的联合分布问题。此外，离散事件仿真方法 在供应链建模中应用的也较

14、多，主要用于研究受事件驱动、 系统状态是跳跃式变化、系统状态迁移发生在一串离散时 间点上的离散事件动态系统。3基于模型体系的物资需求预测系统设计在分析与总结目前国内外主要的需求预测技术及方法基础上，发现各种物资 需求预测技术及方法是通过对数据直接建立模型的模式，这样会产生如下两个问 题：(1) 供应链是复杂的开放系统，物资种类多样，需求也具多样性。要通 过一个或一类模型来预测模型，势必要建立复杂的预测模型。(2) 复杂的预测模型会带来模型的实现与维护的困难，加大开发人员与 用户的工作量；而且复杂模型的计算精度可能达不到预测要求。为此，本文提出在基础数据与建模间，加入数据分类。先对供应链的物资需

15、 求进行分类，将物资需求明细化；再针对不同集合类型的物资采用简单、容易实 现的预测模型进行需求预测，并将各种模型以组件的形式集中管理，形成一个模 型体系。基于以上思路，该供应链的物资需求预测系统的逻辑架构如图1所示。基于模型体系的物资需求预测系统模型体系厂分类模型库蜜类分斬|«醴数据分类-元数据库f; “俑求计划 历史数据丿 “excels sql. orac 1图1物资需求预测系统如上图所示，该系统是三层结构，元数据库层（基础数据库）、物资分类层及模型体系层。其中:（1）元数据库层，主要是由需求计划、历史数据及库存数据等构成。数 据采用统一标准进行命名、类型及字段定义等。系统支持excel和sql、oracle 等数据库的存储，以及数据的导入和导出等。（2）数据分类层（物资分类层）：主要运用相关系数、聚类分析、判别分 析及定性分析等方法，对物资进行类别划分，主要分为独立物资（与其他物资没 有联系）与交互物资（与其他物资具有关联性）两大集合。并对