1、如對你有幫助，請購買下載打賞，謝謝！需求預(yù)測方法常用的物資需求預(yù)測方法主要包括基于時間序列模型的移動平均預(yù)測法、指數(shù)平滑預(yù)測法、趨勢外推預(yù)測法等；基于因果分析模型的回歸分析預(yù)測法，基于統(tǒng)計學(xué)習(xí)理論以及結(jié)構(gòu) 風(fēng)險最小原理的支持向量機(jī)預(yù)測方法，基于人工智能技術(shù)的人工神經(jīng)網(wǎng)絡(luò)算法。歸納如圖1：圖1 :物資需求預(yù)測方法一、 時間序列法1. 定義：將預(yù)測對象按照時間順序排列起來，構(gòu)成一個所謂的時間序列，從所構(gòu)成的這一組時間序列過去的變化規(guī)律，推斷今后變化的可能性及變化趨勢、變化規(guī)律，就是時間序列預(yù)測法。2. 概況：時間序列法主要考慮以下變動因素：趨勢變動，季節(jié)變動，循環(huán)變動，不規(guī)則變動。若以，表示時間序

2、列的季節(jié)因素，長期趨勢波動、季節(jié)性變動、不規(guī)則變動則實際觀測值與它們之間的關(guān)系常用模型有加法模型：Xt =TtStIt乘法模型：xt =Tt St Ita)心二St譏h混合模型：b)人=S (Tt Tt)時間序列預(yù)測一般反映三種實際變化規(guī)律：趨勢變化、周期性變化、隨機(jī)性變化。3. 時間序列常用分析方法：移動平均法、指數(shù)平滑法、季節(jié)變動法等(1 )移動平均法 簡單移動平均法：將一個時間段的數(shù)據(jù)取平均值作為最新時間的預(yù)測值。該時間段根據(jù)要求取最近的。例如：5個月的需求量分別是 10, 12, 32 , 12, 38。預(yù)測第6個月的需求量。可以選擇使用3個月的數(shù)據(jù)作為依據(jù)。那么第6個月的預(yù)測量 Q

3、。 加權(quán)移動平均法：將每個時段里的每組數(shù)根據(jù)時間遠(yuǎn)近賦上權(quán)重。例如：上個例子，3個月的數(shù)據(jù)，可以按照遠(yuǎn)近分別賦權(quán)重 0.2,0.3,0.5。那么第6個月的預(yù)測量 Q=(只是在簡單移動平均的基礎(chǔ)上考慮了不同時段影響的權(quán)重不同，簡單移動平均默認(rèn)權(quán)重=1.)(2 )指數(shù)平滑法基本思想：預(yù)測值是以前觀測值的加權(quán)和，且對不同的數(shù)據(jù)給予不同的權(quán)數(shù)，新數(shù)據(jù)給予較大的權(quán)數(shù)，舊數(shù)據(jù)給予較小的權(quán)數(shù)。指數(shù)平滑法的通用算法：指數(shù)平滑法的基本公式：St=aYt+（1-a）St-1式中，St-時間t的平滑值；Yt-時間t的實際值；St-1-時間t-1的平滑值；a-平滑常數(shù)，其取值范圍為0,1具體方法：一次指數(shù)平滑、二次指

4、數(shù)平滑、三次指數(shù)平滑。方法的選取：指數(shù)平滑方法的選用， 一般可根據(jù)原數(shù)列呈現(xiàn)的趨勢來確定。 當(dāng)時間數(shù)列無明 顯的趨勢變化，可用一次指數(shù)平滑預(yù)測。如呈現(xiàn)直線趨勢，選用二次指數(shù)平滑法； 若實際數(shù) 據(jù)序列呈非線性遞增趨勢，采用三次指數(shù)平滑預(yù)測方法。如呈現(xiàn)拋物線趨勢，選用三次指數(shù) 平滑法。或者，當(dāng)時間序列的數(shù)據(jù)經(jīng)二次指數(shù)平滑處理后，仍有時，應(yīng)用三次指數(shù)平滑法。（3）季節(jié)變動法根據(jù)季節(jié)變動特征分為：水平型季節(jié)變動和長期趨勢季節(jié)變動水平型季節(jié)變動：是指時間序列中各項數(shù)值的變化是圍繞某一個水平值上下周期性的波動。若時間序列呈水平型季節(jié)變動，則意味著時間序列中不存在明顯的長期趨勢變動而僅有季節(jié)變動和不規(guī)則變動

5、。季節(jié)指數(shù)=各年同季（月）平均數(shù)/總平均數(shù)季節(jié)變差=各年同季（月）平均數(shù) -總平均數(shù)長期趨勢季節(jié)變動：是指時間序列中各項數(shù)值一方面隨時間變化呈現(xiàn)季節(jié)性周期變化，另一方面隨著時間變化而呈現(xiàn)上升（或下降）的變化趨勢。季節(jié)指數(shù)=各年同季（月）平均數(shù)/趨勢值季節(jié)變差=各年同季（月）平均數(shù) 趨勢值季節(jié)變動預(yù)測的方法很多，應(yīng)用時應(yīng)根據(jù)季節(jié)變動的類型選擇適應(yīng)的預(yù)測方法若時間序列呈長期趨勢季節(jié)變動，貝憶味著時間序列中不僅有季節(jié)變動、不規(guī)則變動，而且還包含有長期趨勢變動。（4）趨勢外推法趨勢外推預(yù)測法是一種通過邏輯推理分析，以期達(dá)到預(yù)測效果的預(yù)測方法。其主要以事物發(fā)展的規(guī)律性為假設(shè)前提，即認(rèn)為只要能夠正確地了解

6、并且掌握事物歷史及現(xiàn)有的發(fā)展?fàn)?態(tài)，就能夠遵循其發(fā)展規(guī)律來預(yù)測事物的未來發(fā)展趨勢。趨勢外推預(yù)測方法是一種探索型的預(yù)測方法，其主要適用于預(yù)測那些時間序列隨著單位時間的增加或者減少，出現(xiàn)變化大致相同的長期需求預(yù)測。4. 時間序列建模時間序列是同類型指標(biāo)值按時間順序排列而形成的數(shù)列。很多行業(yè)特別是金融行業(yè)會產(chǎn)生大量的時間序列， 如經(jīng)濟(jì)數(shù)據(jù)、股市數(shù)據(jù)等。要從這些數(shù)據(jù)中得到有用的數(shù)據(jù)，需要采用數(shù)據(jù)挖掘的技術(shù)，而建模是影響數(shù)據(jù)挖掘效果的一個重要因素，對于時間序列數(shù)據(jù)而言更是如此。以下是時間序列建模的常用方法。典型的時間序列模型有 ARMA，HMM等基于模型的表示方法。1. 隱 Markov 模型（HMM

7、） （matlab 求解）隱馬爾可夫模型（Hidden Markov Model，HMM ）是統(tǒng)計模型，它用來描述一個含有隱含未知參數(shù)的馬爾可夫過程。其難點是從可觀察的參數(shù)中確定該過程的隱含參數(shù)。然后利用這些參數(shù)來作進(jìn)一步的分析，例如模式識別。HMM是一種不完全數(shù)據(jù)的統(tǒng)計模型，這種模型既能反映對象的隨機(jī)性，又能反映對象的潛在結(jié)構(gòu)， 便于利用對象的結(jié)構(gòu)與局部聯(lián)系性質(zhì)等方面的知識，以及對研究對象的直觀與先驗的了解。HMM理論的主要內(nèi)容包括 3個基本問題及其算法：*1評估問題：前向*2解碼問題： Viterbi算法*3學(xué)習(xí)問題： Baum-Welch算法（向前向后算法）12. 自回移動平局模型（ARMA）（可以用SPSS和matlab求解）ARMA用于對平穩(wěn)時間序列的建模，是一類基于自相關(guān)的時間序列分析模型。ARMA模型是AR模型和MA模型的綜合，描述了系統(tǒng)對過去自身狀態(tài)的記憶和系統(tǒng)對過去時刻進(jìn) 入系統(tǒng)的噪聲的記憶。近年來，許多成果將ARMA模型與時間序列挖掘方法相結(jié)合，用于研究時間序列的預(yù)測、分類、聚類以及相似查找等。ARMA模型的基本思想是， 時間序列數(shù)據(jù)的當(dāng)前值 X,不僅受當(dāng)前干擾的影響， 還與歷 史數(shù)據(jù)以及歷史