物資需求預測方法

目錄1主要需求預測方法概述2預測模型的提出3需求預測的過程4不同預測方法結果比較5模型的修正主要物資需求預測方法概述常用的物資需求預測方法主要包括基于時間序列模型的移動平均預測法、指數平滑預測法、趨勢外推預測法等;基于因果分析模型的回歸分析預測法，基于統計學習理論以及結構風險最小原理的支持向量機預測方法，基于人工智能技術的人工神經網絡算法。歸納如圖1：定量分析文本一時間序列法定義

將預測對象按照時問順序排列起來，構成一個所謂的時間序列，從所構成的這一組時間序列過去的變化規律，推斷今后變化的可能性及變化

趨勢、變化規律，就是時間序列預測法。優點簡單易行，便于掌握，能夠充分運用原時間序列的各項數據，計算速度快，對模型參數有動態確定的能力，精度較好，采用組合的時間序列或者把時間序列和其他模型組合效果更好。缺點不能反映事物的內在聯系，只適合做短期預測。時間序列法主要方法：移動平均法、指數平滑法、季節變動法、趨勢外推法移動平均法移動平均法主要包括：簡單移動平均和加權移動平均。簡單移動平均：將一個時間段的數據取平均值作為最新時間的預測值。該時間段根據要求取最近的。加權移動平均：預測值是以前觀測值的加權和，且對不同的數據給予不同的權數，新數據給予較大的權數，舊數據給予較小的權數。時間序列法主要方法：移動平均法、指數平滑法、季節變動法、趨勢外推法移動平均法指數平滑法定義：預測值是以前觀測值的加權和，且對不同的數據給予不同的權數，新數據給予較大的權數，舊數據給予較小的權數。通用算法：St=aYt+(1-a)St-1注：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，其取值范圍為[0,1]時間序列法主要方法：移動平均法、指數平滑法、季節變動法、趨勢外推法移動平均法季節變動法①水平型季節變動:是指時間序列中各項數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變動和不規則變動。②長期趨勢季節變動:是指時間序列中各項數值一方面隨時間變化呈現季節性周期變化，另一方面隨著時間變化而呈現上升(或下降)的變化趨勢。時間序列法主要方法：移動平均法、指數平滑法、季節變動法、趨勢外推法移動平均法趨勢外推法趨勢外推預測方法是一種探索型的預測方法,其主要適用于預測那些時間序列隨著單位時間的增加或者減少,出現變化大致相同的長期需求預測。時間序列建模主要模型：HMM模型和ARMA模型HMM模型隱馬爾可夫模型（HiddenMarkovModel，HMM）是統計模型，它用來描述一個含有隱含未知參數的馬爾可夫過程。這種模型既能反映對象的隨機性，又能反映對象的潛在結構，便于利用對象的結構與局部聯系性質等方面的知識，以及對研究對象的直觀與先驗的了解。ARMA用于對平穩時間序列的建模，是一類基于自相關的時間序列分析模型。許多成果將ARMA模型與時間序列挖掘方法相結合，用于研究時間序列的預測、分類、聚類以及相似查找等。ARMA模型的基本思想是，時間序列數據的當前值x，不僅受當前干擾的影響，還與歷史數據以及歷史干擾緊密相關。一旦時間序列的這種自相關性能夠被定量確定，就可以對其建立合適的ARMA模型。因果分析法Businesscooperation回歸分析法經濟計量模型投入產出模型灰色預測模型因果分析法---回歸分析法一元回歸分析一元回歸預測模型是指通過采用最小二乘法,尋找唯一自變量與因變量之間經驗公式的預測方法。多元回歸分析通過引用若干個影響因子作為自變量來解釋因變量的變化趨勢。雖然,多元回歸的原理與一元回歸模型沒有區別,但是在計算上卻更為復雜,不僅需要考慮所有自變量與因變量之間的相關性檢驗,還需要研究自相關、偏相關、多變量共相關等問題。因果分析法---經濟計量模型單方程計量經濟學模型，是用單一方程描述某一經濟變量與影響該變量變化的諸因素之間的數量關系。它適用于單一經濟現象的研究，揭示其中的單向因果關系。聯立方程模型則用多個方程描述經濟系統中諸因素之間的數量關系。它適用于復雜經濟現象的研究，在復雜的經濟現象中，諸因素之間是相互依存、互為因果的。主要形式：單一方程式：例如：Y=X1+X2+X3聯立方程式：例如：Y1=X1;Y2=Y1+X2+X3;Y3=Y2+X2經濟計量模型主要有：單方程模型和聯立方程模型因果分析法---投入產出模型單投入產出分析法是反映經濟系統各部分（如各部門、行業、產品）之間的投入與產出間的數量依存關系，并用于經濟分析、政策模擬、經濟預測、計劃制定和經濟控制等的數學分析方法。它是經濟學與數學相結合的產物，屬交叉科學。特點因果分析法---灰色預測模型優點預測模型不是唯一的；一般預測到一個區間，而不是一個點；預測區間的大小與預測精度成反比，而與預測成功率成正比。中長期預測所需樣本少，樣本不需要有規律性分布，更能動態地反映系統最新的特征，這實際上是一種動態預測模型。預測準確度高。適用TheTask支持向量機預測模型SVM支持向量機(SVM)方法是一種小樣本的機器學習算法,其是在統計學習理論以及結構風險最小原則的基礎上探討所得的一種算法。通過對有限樣本信息的分析研究,在模型復雜性(針對特定訓練樣本的學習精度)以及學習能力(準確識別樣本的能力)之間尋求一個最佳平衡點,以獲得最佳的推廣能力。最優分離超平面BP神經網絡模型BP神經網絡模型

，是目前神經網絡學習模型中最具代表性、應用最普遍的模型。BP神經網絡架構是由數層互相連結的神經元組成，通常包含了輸入層、輸出層及若干隱藏層，各層包含了若干神經元。

神經網絡適用于中長期的預測優點是逼近效果好，計算速度快，不需要建立數學模型，精度高；理論依據堅實，推導過程嚴謹，所得公式對稱優美，具有強非線性擬合能力。缺點是無法表達和分析被預測系統的輸入和輸出間的關系，預測人員無法參與預測過程；收斂速度慢，難以處理海量數據，得到的網絡容錯能力差，算法不完備(易陷入局部極小)。

預測模型的提出物資需求有個體性和共性1）共性因素作用下的物資需求，可以通過區分不同工程類別，構建恰當的預測模型和算法，取得滿意的預測結果。2）個體性因素作用下的物資需求，往往單體預測模型無法滿足精度要求，需采用多項目匯總的方式，控制總體預