物资需求预测方法

物资需求预测方法

目录1主要需求预测方法概述2预测模型的提出3需求预测的过程4不同预测方法结果比较5模型的修正主要物资需求预测方法概述常用的物资需求预测方法主要包括基于时间序列模型的移动平均预测法、指数平滑预测法、趋势外推预测法等;基于因果分析模型的回归分析预测法，基于统计学习理论以及结构风险最小原理的支持向量机预测方法，基于人工智能技术的人工神经网络算法。归纳如图1：定量分析文本一时间序列法定义

将预测对象按照时问顺序排列起来，构成一个所谓的时间序列，从所构成的这一组时间序列过去的变化规律，推断今后变化的可能性及变化

趋势、变化规律，就是时间序列预测法。优点简单易行，便于掌握，能够充分运用原时间序列的各项数据，计算速度快，对模型参数有动态确定的能力，精度较好，采用组合的时间序列或者把时间序列和其他模型组合效果更好。缺点不能反映事物的内在联系，只适合做短期预测。时间序列法主要方法：移动平均法、指数平滑法、季节变动法、趋势外推法移动平均法移动平均法主要包括：简单移动平均和加权移动平均。简单移动平均：将一个时间段的数据取平均值作为最新时间的预测值。该时间段根据要求取最近的。加权移动平均：预测值是以前观测值的加权和，且对不同的数据给予不同的权数，新数据给予较大的权数，旧数据给予较小的权数。时间序列法主要方法：移动平均法、指数平滑法、季节变动法、趋势外推法移动平均法指数平滑法定义：预测值是以前观测值的加权和，且对不同的数据给予不同的权数，新数据给予较大的权数，旧数据给予较小的权数。通用算法：St=aYt+(1-a)St-1注：St--时间t的平滑值；

Yt--时间t的实际值；

St-1--时间t-1的平滑值；a--平滑常数，其取值范围为[0,1]时间序列法主要方法：移动平均法、指数平滑法、季节变动法、趋势外推法移动平均法季节变动法①水平型季节变动:是指时间序列中各项数值的变化是围绕某一个水平值上下周期性的波动。若时间序列呈水平型季节变动，则意味着时间序列中不存在明显的长期趋势变动而仅有季节变动和不规则变动。②长期趋势季节变动:是指时间序列中各项数值一方面随时间变化呈现季节性周期变化，另一方面随着时间变化而呈现上升(或下降)的变化趋势。时间序列法主要方法：移动平均法、指数平滑法、季节变动法、趋势外推法移动平均法趋势外推法趋势外推预测方法是一种探索型的预测方法,其主要适用于预测那些时间序列随着单位时间的增加或者减少,出现变化大致相同的长期需求预测。时间序列建模主要模型：HMM模型和ARMA模型HMM模型隐马尔可夫模型（HiddenMarkovModel，HMM）是统计模型，它用来描述一个含有隐含未知参数的马尔可夫过程。这种模型既能反映对象的随机性，又能反映对象的潜在结构，便于利用对象的结构与局部联系性质等方面的知识，以及对研究对象的直观与先验的了解。ARMA用于对平稳时间序列的建模，是一类基于自相关的时间序列分析模型。许多成果将ARMA模型与时间序列挖掘方法相结合，用于研究时间序列的预测、分类、聚类以及相似查找等。ARMA模型的基本思想是，时间序列数据的当前值x，不仅受当前干扰的影响，还与历史数据以及历史干扰紧密相关。一旦时间序列的这种自相关性能够被定量确定，就可以对其建立合适的ARMA模型。因果分析法Businesscooperation回归分析法经济计量模型投入产出模型灰色预测模型因果分析法---回归分析法一元回归分析一元回归预测模型是指通过采用最小二乘法,寻找唯一自变量与因变量之间经验公式的预测方法。多元回归分析通过引用若干个影响因子作为自变量来解释因变量的变化趋势。虽然,多元回归的原理与一元回归模型没有区别,但是在计算上却更为复杂,不仅需要考虑所有自变量与因变量之间的相关性检验,还需要研究自相关、偏相关、多变量共相关等问题。因果分析法---经济计量模型单方程计量经济学模型，是用单一方程描述某一经济变量与影响该变量变化的诸因素之间的数量关系。它适用于单一经济现象的研究，揭示其中的单向因果关系。联立方程模型则用多个方程描述经济系统中诸因素之间的数量关系。它适用于复杂经济现象的研究，在复杂的经济现象中，诸因素之间是相互依存、互为因果的。主要形式：单一方程式：例如：Y=X1+X2+X3联立方程式：例如：Y1=X1;Y2=Y1+X2+X3;Y3=Y2+X2经济计量模型主要有：单方程模型和联立方程模型因果分析法---投入产出模型单投入产出分析法是反映经济系统各部分（如各部门、行业、产品）之间的投入与产出间的数量依存关系，并用于经济分析、政策模拟、经济预测、计划制定和经济控制等的数学分析方法。它是经济学与数学相结合的产物，属交叉科学。特点因果分析法---灰色预测模型优点预测模型不是唯一的；一般预测到一个区间，而不是一个点；预测区间的大小与预测精度成反比，而与预测成功率成正比。中长期预测所需样本少，样本不需要有规律性分布，更能动态地反映系统最新的特征，这实际上是一种动态预测模型。预测准确度高。适用TheTask支持向量机预测模型SVM支持向量机(SVM)方法是一种小样本的机器学习算法,其是在统计学习理论以及结构风险最小原则的基础上探讨所得的一种算法。通过对有限样本信息的分析研究,在模型复杂性(针对特定训练样本的学习精度)以及学习能力(准确识别样本的能力)之间寻求一个最佳平衡点,以获得最佳的推广能力。最优分离超平面BP神经网络模型BP神经网络模型

，是目前神经网络学习模型中最具代表性、应用最普遍的模型。BP神经网络架构是由数层互相连结的神经元组成，通常包含了输入层、输出层及若干隐藏层，各层包含了若干神经元。

神经网络适用于中长期的预测优点是逼近效果好，计算速度快，不需要建立数学模型，精度高；理论依据坚实，推导过程严谨，所得公式对称优美，具有强非线性拟合能力。缺点是无法表达和分析被预测系统的输入和输出间的关系，预测人员无法参与预测过程；收敛速度慢，难以处理海量数据，得到的网络容错能力差，算法不完备(易陷入局部极小)。

预测模型的提出物资需求有个体性和共性1）共性因素作用下的物资需求，可以通过区分不同工程类别，构建恰当的预测模型和算法，取得满意的预测结果。2）个体性因素作用下的物资需求，往往单体预测模型无法满足精度要求，需采用多项目汇总的方式，控制总体预