需求预测方法

1、需求展望方法常用的物质需求展望方法主要包含鉴于时间序列模型的挪动平均展望法、指数圆滑展望法、趋向外推展望法等;鉴于因果分析模型的回归分析展望法，鉴于统计学习理论以及构造风险最小原理的支持向量机展望方法，鉴于人工智能技术的人工神经网络算法。概括如图1：图1：物质需求展望方法一、时间序列法定义：将展望对象依据时间次序摆列起来，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，推测此后变化的可能性及变化趋向、变化规律，就是时间序列展望法。大体：时间序列法主要考虑以下改动要素：趋向改动，季节改动，循环改动，不规则改动。若以?，?，?，?表示时间序列的季节要素?，长久趋向颠簸、?季节性改动

2、、不规则改动则实质察看值与它们之间的关系常用模型有加法模型：xtTtStIt乘法模型：xtTtStIt混淆模型：a)xtStTtItb)xtSt(TtIt)时间序列展望一般反应三种实质变化规律：趋向变化、周期性变化、随机性变化。时间序列常用分析方法：挪动均匀法、指数圆滑法、季节改动法等1）挪动均匀法简单挪动均匀法：将一个时间段的数据取均匀值作为最新时间的预测值。该时间段依据要求取近来的。比方：5个月的需求量分别是10，12，32，12，38。展望第6个月的需求量。能够选择使用3个月的数据作为依据。那么第32+12+38=27。6个月的展望量Q=3加权挪动均匀法：将每个时段里的每组数依据时间远近

3、赋上权重。比方：上个例子，3个月的数据，能够依据远近分别赋权重，。那么第6个月的展望量Q=0.232+0.312+0.538=29（但是在简单挪动均匀的基础上考虑了不同样时段影响的权重不同样，简单挪动均匀默认权重=1.）2）指数圆滑法基本思想：展望值是从前察看值的加权和，且对不同样的数据赏赐不同样的权数，新数据赏赐较大的权数，旧数据赏赐较小的权数。指数圆滑法的通用算法：指数圆滑法的基本公式：St=aYt+(1-a)St-1式中，St-时间t的圆滑值；Yt-时间t的实质值；St-1-时间t-1的圆滑值；a-圆滑常数，其取值范围为0,1详细方法：一次指数圆滑、二次指数圆滑、三次指数圆滑。方法的采纳

4、：指数圆滑方法的采纳，一般可依据原数列表现的趋向来确立。当时间数列无显然的趋向变化，可用一次指数圆滑展望。如表现直线趋向，采纳二次指数圆滑法；若实质数据序列呈非线性递加趋向，采纳三次指数圆滑展望方法。如表现抛物线趋向，采纳三次指数圆滑法。或许，当时间序列的数据经二次指数圆滑办理后，仍有时，应用三次指数圆滑法。3）季节改动法依据季节改动特色分为：水平型季节改动和长久趋向季节改动水平型季节改动:是指时间序列中各项数值的变化是环绕某一个水平值上下周期性的颠簸。若时间序列呈水平型季节改动，则意味着时间序列中不存在显然的长久趋向改动而仅有季节改动和不规则改动。季节指数=各年同季（月）均匀数/总均匀数季节

5、变差=各年同季（月）均匀数总均匀数长久趋向季节改动:是指时间序列中各项数值一方面随时间变化表现季节性周期变化，另一方面跟着时间变化而表现上涨(或降落)的变化趋向。季节指数=各年同季（月）均匀数/趋向值季节变差=各年同季（月）均匀数?趋向值季节改动展望的方法好多，应用时应依据季节改动的种类选择适应的展望方法若时间序列呈长久趋向季节改动，则意味着时间序列中不只有季节改动、不规则改动，并且还包含有长久趋向改动。（4）趋向外推法趋向外推展望法是一种经过逻辑推理分析,以期达到展望见效的展望方法。其主要以事物发展的规律性为假定前提,即以为只需能够正确地认识并且掌握事物历史及现有的发展状态,便能够依据其发展

6、规律来展望事物的将来发展趋向。趋向外推展望方法是一种研究型的展望方法,其主要合用于展望那些时间序列跟着单位时间的增添或许减少,出现变化大概同样的长久需求展望。时间序列建模时间序列是同种类指标值准时间次序摆列而形成的数列。好多行业特别是金融行业会产生大批的时间序列，如经济数据、股市数据等。要从这些数据中获取合用的数据，需要采纳数据发掘的技术，而建模是影响数据发掘见效的一个重要要素，关于时间序列数据而言更是这样。以下是时间序列建模的常用方法。典型的时间序列模型有ARMA，HMM等鉴于模型的表示方法。1.隐Markov模型（HMM）(matlab求解)隐马尔可夫模型（HiddenMarkovMode

7、l，HMM）是统计模型，它用来描绘一个含有隐含未知参数的马尔可夫过程。其难点是从可察看的参数中确立该过程的隐含参数。此后利用这些参数来作进一步的分析，比方模式鉴识。HMM是一种不完满数据的统计模型，这类模型既能反应对象的随机性，又能反应对象的暗藏构造，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认识。HMM理论的主要内容包含3个基本问题及其算法：*1评估问题：前向*2解码问题：Viterbi算法*3学习问题：Baum-Welch算法(向前向后算法)1自回挪动平手模型（ARMA）（能够用SPSS和matlab求解）ARMA用于对安稳时间序列的建模，是一类鉴于自有关的

8、时间序列分析模型。ARMA模型是AR模型和MA模型的综合，描绘了系统对过去自己状态的记忆和系统对过去时辰进入系统的噪声的记忆。近来几年来，好多成就将ARMA模型与时间序列发掘方法相联合，用于研究时间序列的展望、分类、聚类以及相像查找等。ARMA模型的基本思想是，时间序列数据的目前值x，不只受目前搅乱的影响，还与历史数据以及历史搅乱亲密有关。一旦时间序列的这类自有关性能够被定量确立，便能够对其建立适合的ARMA模型。综上所述，没有一个模型能广泛合用于不同样的应用，实质中的时间序列建模方法都是与特定应用有关的，因为应用的关注角度不同样，实质的时间建模方法也有显着的差别。二、因果分析法定义：是依据事

9、物之间的因果关系来事物的发展和变化，经过对需求展望目标有直接或间接影响要素的分析找出其变化的规律，并依据这类变化规律来确立展望值。因果关系模型用于研究不同样变量之间的有关关系，用一个或多个自变量（多括时间）的变化来描绘因变量的变化。因果关系模型与时间序列模型不同样：它不只能够从事短期展望，并且还能够够从事中、长久展望，也能够展望宏观、中观、微观问题。因果关系模型包含：回归分析、经济计量模型、投入产出模型、灰色系统模型、系统动力学等。回归分析方法回归分析展望法是鉴于因果分析的展望方法,其主要经过分析与展望事物有关的现象的变化趋向,从因果关系出发,研究展望事物及其有关影响因子间的相互联系,经过回归

10、方程的建立,来展望将来需求。依据回归模型中自变量的多少,回归分析展望模型能够区分为一元以及二元回归模型两大类。一元回归展望模型一元回归展望模型是指经过采纳最小二乘法,找寻独一自变量与因变量之间经验公式的展望方法。其第一需要确立独一自变量,即找出影响展望目标的重点要素,此后经过最小二乘法求出回归方程系数,最后还需进行显着性查验,即对回归方程中自变量与因变量的亲密程度进行查验。多元回归展望模型一元回归展望模型是影响要素经过重点影响要素作为独一自变量来解说因变量的变化的展望方法,但在实质状况中,以致因变量变化的要素可能波及多个,这就需要引入多元回归展望模型来达成展望的实现了,经过引用若干个影响因子作

11、为自变量来解说因变量的变化趋向。固然,多元回归的原理与一元回归模型没有差别,但是在计算上却更加复杂,不只需要考虑全部自变量与因变量之间的有关性查验,还需要研究自有关、偏有关、多变量共有关等问题。经济计量法经济计量法是经济分析与数学方法相联合的一种展望方法。平常将描绘展望对象有关主要变量互有关系的一组联立方程式称为经济计量模型。特色：经济系统，而不是单个经济活动；相互依存、互为因果，而不是单向因果关系；必然用一组方程才能描绘清楚。经济计量模型的方程形式：单方程计量经济学模型，是用单调方程描绘某一经济变量与影响该变量变化的诸要素之间的数目关系。它合用于单调经济现象的研究，揭示此中的单向因果关系。联

12、立方程模型则用多个方程描绘经济系统中诸要素之间的数目关系。它合用于复杂经济现象的研究，在复杂的经济现象中，诸要素之间是相互依存、互为因果的。单调方程式：比方：Y=X1+X2+X3联立方程式：比方：Y1=X1;Y2=Y1+X2+X3;Y3=Y2+X2投入产出分析法投入产出分析法是反应经济系统各部分（如各部门、行业、产品）之间的投入与产出间的数目依存关系，并用于经济分析、政策模拟、经济展望、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联合的产物，属交叉科学。在采集资料确立本期公司投入产出均衡表基础上，能够计算出各种耗费系数。假定公司设施和技术条件不变的条件下，便能够依据投入产出表建立的综

13、合均衡模型进行展望应用，为计划管理、生产安排供给信息依据。常有的有以下两种应用：a)已知计划期内各样自产产品总产量列向量X，求最后产品量列向量Y，以及为保证计划达成所必然准备的各样外购资源耗费总量的矩阵H。已知计划期内最后产品计划任务矩阵Y，计算计划期内各产品的总产量列向量X，以及保证计划达成所必然供给的各样外购资源H矩阵。灰色展望模型定义：灰色系统是指有关于必然的认识层次，系统内部的信息部分已知，部分未知，即信息不完满，半开放半关闭的。灰色展望是对灰色系统进行的展望，其特色是展望模型不是独一的；一般展望到一个区间，而不是一个点；展望区间的大小与展望精度成反比，而与展望成功率成正比。平常灰色展

14、望所用的模型为GM（1,1），该模型鉴于随机的原始时间序列，经累加生成新的时间序列，此中所表现的规律用一阶线性微分方程的解来迫近，进而获取展望方程。合用于：中长久展望。应用：在展望应用上，如气象预告、地震预告、病虫害预告等，国内学者做出了好多有利的研究。优势：所需样本少，样本不需要有规律性散布，更能动向地反应系统最新的特色，这其实是一种动向展望模型。展望正确度高。支持向量机展望模型支持向量机(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构造风险最小原则的基础上商讨所得的一种算法。经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(正确鉴识样本

15、的能力)之间追求一个最正确均衡点,以获取最正确的实行能力。其核心思想是经过非线性变换将输入空间变换到一个高维空间,此后在新空间中求取最好的线性分类面,非线性变换的达成主假如依赖正确立义适合的内积函数,其最优分别超平面,如图2所示。图2：最优分别超平面支持向量机算法长处好多,包含计算便利、通用性强等。但其也存在必然的缺点,即没法对大规模训练样本实行运算,因为支持向量机算法是经过二次规划来进行求解的,二次规划求解过程中要波及多阶矩阵的计算问题,当阶数过大的条件下,将会在很大程度上耗费计算机的储蓄空间且增添机器的运算时间。（4）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、

16、应用最广泛的模型。BP神经网络架构是由数层相互连接的神经元构成，平常包含了输入层、输出层及若干隐蔽层，各层包含了若干神经元。神经网络便于依据学习法例，透过训练以调整连接链加权值的方式来达成目标的收敛。所得的神经网络构架构造基本形式.BP神经网络的神经采纳的传达函数一般都是Sigmoid(S壮曲折)型可微函数，是严格的递加函数，在线性和非线性之间展现出较好的均衡，因此可实现输入和输出间的随意非线性照耀，合用于中长久的展望；长处是迫近见效好，计算速度快，不需要建立数学模型，精度高；理论依据坚固，推导过程谨慎，所得公式对称优美，拥有强非线性拟合能力。缺点是没法表达和分析被展望系统的输入和输出间的关系，展望人员没法参加展望过程；收敛速度慢，难以办理海量数据，获取的网络容错能力差，算法不齐备(易坠入局部极小)。三、新产品市场需求展望模型巴斯模型巴斯模型基础假定及合用条件巴斯模型假定：新产品在市场上扩散速度会遇到两种方式的影响：一种是大众流传媒介，另一种是口碑流传。巴斯模型的合用条件：（1）公司已经引入了新产品或许新技术，并且已经察看到