物流预测方法(总)

单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,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、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，让专家写出来。,2.2,综合评分法,定义：综合评分法这一种方法是用于评价指标无法用统一的量纲进行定量分析的场合，而用无量纲的分数进行综合评价。,综合评分法是先分别按不同指标的评价标准对各评价指标进行评分，然后采用加权相加，求得总分。其顺序如下：,1,、确定评价项目，即哪些指标采取此法进行评价。,2,、制定出评价等级和标准。先制定出各项评价指标统一的评价等级或分值范围，然后制定出每项评价指标每个等级的标准，以便打分时掌握。这项标准，一般是定性与定量相结合，也可能是定量为主，也可以是定性为主，根据具体情况而定。,3,、制定评分表。内容包括所有的评价指标及其等级区分和打分。,4,、根据指标和等级评出分数值。评价者收集和指标相关的资料，给评价对象打分，填入表格。,5,、数据处理和评价：将专家填写好的评分表汇总、统计、加权平均，求出最好的方案。（,1,）确定各单项评价指标得分。（,2,）计算各组的综合评分和评价对象的总评分。（,3,）评价结果的运用。将各评价对象的综合评分，按原先确定的评价目的，予以运用。,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,预测结果,进行新一轮的调查表格,统计结果的分析评价,注意！专家的选择非常重要,执行过程如图,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,2.1,移动平均法,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：,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，则权重也应是季节性的。,2.2,指数平滑法,最适合的预测期：短期。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,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：,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。,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：,式中：,为需求水平的平滑系数，,0,1,；,为需求趋势的平滑系数，,0,1,；,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。,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）,当需求的时间序列中可观察到既有趋势变动特征又有季节性波动的特征时，使用带有需求趋势和季节性需求校正的指数平滑法较为合适。在这里，使用如下等式来校正预测：,系统需求,=,（需求水平,+,需求趋势）季节性需求,在应用此模型之前，又两个条件要满足,:,一、需求模型的季节性波动的高峰与低谷产生的原因必须已知，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。,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 ，,，的预测，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：,式中，,L,：季节性需求的周期；,：第,t,期的季节性需求预测值；,：季节性需求的平滑系数，,0 0,，,称正线性相关,，,Xi,上升,，,Yi,呈线性增加,。,当,r0,，,称负线性相关,，,Xi,上升,，,Yi,呈线性减少,。,|r|=0,，,X,与,Y,无线性相关关系,；,|r|=1,，,完全确定的线性相关关系,；,0|r|0.7,，,为高度线性相关,；,0.3,Fa,，则回归方程具有显著意义，回归效果显著；,F,t,a,或,ta,/2,，则回归系数,bi,与,0,有显著关异，反之，则与,0,无显著差异。统计量,t,的计算公式为：,其中，,C,ij,是多元线性回归方程中求解回归系数矩阵的逆矩阵,(,x,x,),1,的主对角线上的第,j,个元素。,四、,BP,神经网络预测模型,BP,网络是由,Rumelhart,Hinton,和,Williams,完整提出来的,它是一种包含有输入层、隐含层和输出层的单向传播的多层前向网络,其结构如图,详见,神经网络预测法有许多优点：,四、,BP,神经网络预测模型,首先，神经网络的训练方式，使得它特别适合于剧烈变化的情况。在这种情况下，它仍能取得较为稳定的模型。,其次，神经网络不要求时间序列的间隔一致，这使得样本采集更为灵活。,再者，神经网络的输入不要求是单一的序列数据，还可以是其他信息，比如环境因素变化数据、相关因素等。,五、动态面板数据模型,面板数据,（,panel data,）也称时间序列截面数据或混合数据，是指在时间序列上取多个截面在这些截面上同时选取样本观测值所构成的样本数据，也就是把截面数据和时间序列数据融合在一起的数据。,利用面板数据建立模型的好处是：,（,1,）由于观测值的增多，可以增加估计量的抽样精度。,（,2,）对于固定效应模型能得到参数的一致估计量，甚至有效估计量。,（,3,）面板数据建模比单截面数据建模可以获得更多的动态信息。,动态面板数据,是研究现象动态行为的一种重要方式，在一个模型中添加动态因素，是对方程理解上的一个变化。在方程中添加滞后变量即右边变量的整个历史，所以所观测的任何影响都以这个历史为条件。假如在面板数据模型右端加入滞后因变量的话，则模型变为动态面板数据模型。,其基本形式为,五、动态面板数据模型,式中：,是一个常数，,是,k1,向量，,Xit,和,yit,是解释变量和被解释变量，,i=1,，,2,，,，,N,，,t=1,，,2,，,，,T,。,动态面板数据模型的一个突出优点是通过控制固定效应较好地克服了变量遗漏问题，而且还较好地克服了反向因果性问题。,和一般的面板数据模型一样，动态面板数据模型也有固定效应模型和随机效应模型。假如,i,是待估的固定参数，则模型为固定效应模型，若,i,是随机的，则模型是随机效应模型。无论在固定效应模型还是随机效应模型中，即使,Vit,本身不存在自相关，滞后因变量与干扰项也会相关。,五、动态面板数据模型,