管理预测课程设计报告

1、管理预测与决策方法课程设计报告班级：学号：姓名:导师:2011. 10. 27一、预测的概念预测是指对事物的演化预先做出的科学推测。广义的预测，既包折在同一时 期根据已知事物推测未知事物的静态预测，也包括根据某一事物的历史和现状推 测其未來的动态预测。狭义的预测，仅指动态预测，也就是指对事物的未來演化预先做出的科学推测。 预测理论作为通用的方法论，既可以应用于研究自然现彖，又可以应用于研究社 会现彖，如社会预测、人口预测、经济预测、政治预测、科技预测、军事预测、 气象预测等。二、预测的程序1. 明确预测任务，制定预测计划;2. 搜集、审核和整理资料；3. 选择预测方法，建立数学模型;4. 检验

2、数学模型，进行预测；5. 分析预测误差,评价预测结果;6. 向决策者提交预测报告；三、时间序列平滑预测法时间序列预测法，是将预测对象的历史数据按照时间的顺序排列成为时间序 列，然后分析它随时间的变化趋势，外推预测对象的未来值。这样，就把影响预 测对彖变化的一切因素由“时间”综合起来描述了。时间序列分析预测可分为确定性时间序列预测法和随机性时间序列预测法。 吋间序列是指某一统计指标数值按吋间先后顺序排列而形成的数列。u!移动平均法移动平均法有简单移动平均法，加权移动平均法，趋势移动平均法等。移动平均法是根据时间序列资料逐项推移，依次计算包含一定项数的时序平均数，以反 映长期趋势的方法。当时间序列

3、的数值由于受周期变动和不规则变动的影响，起伏较大，不 易显示出发展趋势时，可用移动平均法，消除这些因索的影响，分析、预测序列的长期趋势。1简单移动平均法设时间序列为：）7, y2.,yt, .；为：t 2 n式屮：为f期移动平均数；w为移动平均的项数。上式表明当/向前 移动一个时期，就增加一个新数据，去掉一个远期数据，得到一个新的平均数。 由于它不断的“吐故纳新"，逐期向前移动，所以称为移动平均法2.加权移动平均法设时间序列为：y, y2.,yt,；加权移动平均公式为:m tw w + w? -wnt m n式中：mm为/期加权移动平均数；加为）z+1的权数，它体现了相应的w在 加权

4、平均数屮的重要性。设时间序列为：）7, y2.,yt, .；加权移动平均公式为：m =叫兀+叫兀_1+叫幵_冲1miiiw + % h wnt 2 n即以第/期加权移动平均数作为第f+1期的预测值。3趋势移动平均法一次移动的平均数为：m （1）=儿 + 儿-1 + + 儿n+1 r _n在一次移动平均的基础上再进行一次移动平均就是二次移动平均，其计算公式为z . m+ m+ + m m（2）"丄（ 十 1 十 十tn+1'_n它的递推公式为m$)=m£)+陆-m他n4.指数平滑法(1) 一次指数平滑法预测模型：刃+i =禺,+(1_4)升也就是以第r期指数平滑值作为

5、r+l期预测值。在进行指数平滑时，加权系数的选择是很重要的。由式可以看出，q的 大小规定了在新预测值屮新数据和原预测值所占的比重。a值越大，新数据所占 的比重就愈大，原预测值所占的比重就愈小，反之亦然(2) 二次指数平滑法一次指数平滑法虽然克服了移动平均法的两个缺点。但当时间序列 的变动出现直线趋势时，用一次指数平滑法进行预测，仍存在明显的滞后偏差。 因此，也必须加以修正。修正的方法与趋势移动平均法相同，即再作二次指数平 滑，利用滞后偏差的规律建立直线趋势模型。这就是二次指数平滑法。其计算公 式为：s?)=刚 + (1 - a )s£ sf)fsv+(1f)s£)式屮：st

6、为一次平滑指数；st(2)为二次指数的平滑值。(3) 三次指数平滑法当吋间序列的变动表现为二次曲线趋势时，则需要用三次指数平滑 法。三次指数平滑是在二次指数平滑的基础上，再进行一次平滑，其计算公式为:s?)=(xyt +(l-a)s£ sf)t)+ (l-a)s幺) sp = asp + (l-a)s 目式中：st为一次平滑指数；st为二次指数平滑值；st(3)为三次平滑指数值。五、案例研究：计算机俱乐部仓库（ccw）问题:1.过去三年中每个季度ccw日接到的平均电话数:abcde1ccw” s average daily call volume23yearquartercall v

7、olume411694151265976136701714839882173899227196102379161124885612317124133269541433808115349782116i1i11711819202122232425262728293031t-系列12.将25%规则应用于过去三年来预测下一个季度的呼叫量:abcdefg1lydia" s current forecastingmethod for ccw' saverage da:lly call volume23foreasting4yearquarterdataforecasterror51169

8、41612659769413447136701659710481483988376.2521.7592173896718. 4670.61022719673891931123791671967201224885698951039133171247084. 839.214326954712417015338081695411271634978210101.25319. 2517417825. 6184219432044211i122mean absolute deviation123mad 二431.6182242526mean square error27mse 二328816.9qo3管理科

9、学课件中用于计算季节性因子的模版应用于ccw问题:abcdefgh11estimating sessonal factors for ccw23true4yearquartervaluetype of seasonality5116941quarterly612659771367018148398estimte 坯 j seasonal factor9217389quarter1022719610.933442106 :1123791620.9026812421224885630.9875673031331712441.1763093491432695415338081163497824季节调

10、整时间系列:12345seasonally adjsted time series for ccwyear1quarter1actualcall value6941seasonalfactorsasonally adjustedcall volume678910111213u1516171819estimate for20seasonal factor21222324252627282930o-i0.9334420.9026810.9875671.1763091112222323412341234659767018398738971967916885671246954808197820. 93

11、0.90. 981.170. 930.90. 981.170. 930.90. 981.177463.4408673306837.7551027177.7777787945.1612?7995. 5555568077. 55102 7569. 230769 7660.215054 7726.666667 8245.918367 8360. 6837615.季节调整的上期值方法al bcdefghijkl1last-value forecasting method with seasonality for ccw23trueseasonalsasonally adjust seasonally

12、adjustedactual forecastforecastingerrortype of seasonality4year quart er valuefactorvolumeforecastquarterly51169410. 937463.44086673307463. 440866717.096774120. 096774101112131415161718血200.910. 9811.1720. 9320.92341234123465976701839873897196791c885671246954808197820. 981.170. 930.90. 981.176837. 7

13、551027177.7777787945.161297995. 5555568077.551027569. 2307697660. 2150547726.6666678245. 9183678360. 68376173307183.46837. 7551027177.7777787945.161297995.5555568077.551027569.2307697660. 2150548000.1734696675. 333333 713. 6666677150. 645161 45.35483877835.644444 80.35555569450. 734694 594. 73469470

14、39. 384615 84.61538466894.193548 59.8064516seasonal 482 4 quarter factor 1 2 3397. 8265310. 930.90. 98212乙23.242526272829318245.918367or乙丄9647.72449ouo ooooor134. 275518360. 6837617775.435897mean absolute deviation292.909007jtean square errorkse=142241.2966.季节调整的平均值方法c d method withf23trueseasonalsa

15、sonally adjustedseasonally adjustedactual forecastforecasting4yearquartervaluefactorvolumeforecasterror51169410. 937463.4408661265970.973307463. 440866717.096774120.096774271367010. 986837. 7551027396. 720437248. 786022547.786021581483981.177177.7777787210.3986548436.16642538.1664252892173890. 93794

16、5.161297202.2434356698.086395690. 9136054102271960.97995.5555567350.8270066615.744305580. 2556945112379160. 988077.551027458. 2817647309.116129606. 883871122488561.177569.2307697546.7488018829.69609726. 30390294133171240. 937660. 2150547549.5590477021.089914102. 9100863143269540.97726.6666677561.854

17、1596805. 668743148.3312571153380810. 988245.9183677578. 335417426. 768701654.2312986163497821.178360.6837617639.0247698937. 65898844.3410198i7410937699.1630197160.22160718420.920for ccw2122232425262728scaxoxmi lj adjustedmad=396.3836324mean square errorhse=242957.3312| sasonalljadjusted volmt7.季节调整的

18、移动平均方法1 moving-average forecasting method with seasonality for ccwttrue7j_9101112131415year quarter value1 69412 65973 67014 83981 73892 71963 79164 88561 71242 69543 80814 978211 r i22223 l 3 l 33sasonally adjusted seasonally adjusted actual volume7463. 44086forecastingforecastforecasterror7330 683

19、7. 755102 7177.7777787945.16129 r7995.555556,8077. 55102f7569. 230769r7660. 215054r7726. 666667r8245. 918367f8360. 683761=1 seasonal 17 adjusted porectst sasonallyadjusted volume8季节调整的指数平滑方法2z:418192021222324-25262728297202. 2434357322. 6735437489. 0624317799. 0114117896. 8746597825. 63817758. 41587

20、87800. 5077147998. 3709626698. 0866590. 4067339. 2819124. 8437344.0937043. 0747603. 2489126. 5947438.485690. 9136054605. 5938117576.7188172268. 8433509220. 093432889.07428977477.75244 655. 4059743seasonalquarter factor12340. 930.90. 981.17mean absolute deviation mad二#mean square error mse=exponentia

21、l smoothing forecasting hethod with seasonality for ccwseasonal true sasonally adjusted seasonally adjusted actual forecastingyear quart er fact or value voluire 11112222333344412341234120.9369410.965970. 981.170. 930.90. 981.170. 930.96701 8398 7389719679168856 7124 69540.9880811.1797820. 9309forec

22、ast7463. 4408673306837.7551027177.7777787945.161297995.5555568077. 551027569.2307697660. 2150547726.6666678245.9183678360.683761forecast error 7600smoothing constant a =0.570681277531.72043 6778.548 181.5483871 7430.860215 7282.243 581.2430108 50.8600395 733.8802721 400.4581962 298.38279577134.30765

23、9 8347.147156.042718 6655.127550. 602004 6795. 5427773.07878 7617. 6177925.3149 9272.618 416. 61843327747.272835 7204. 9647703. 743944 6933. 377715.205305 7560. 9017980.561836 9337.2578170. 622799 7598.67980.9637362620.63045019520.0988007444.7426514mean absolute deviation；initial estimateaverage= 76

24、00 sasonallr adjusted voluna7«trl setxoxx&i lyadjusted forecast«ad=321.3688978mean square error mse=152195.7301e=!9.ccw问题的因杲预测:abcde4ccwj s average daily sales and call voluine56salescall7yearquarter($thouancvaluine811502669419124835659710134880670111145976839812215324738913225218719614235643791615246239885616315184712417325117695418335708808119346779978220 call valumeaverace daily sales thousands)线tt (callvalume)线性(callvalume)21222324252627282930313210带有线性回归的因杲预测:acug1linear regressionof call voltune vs. salesvaltune for ccw23timeindependentde