1 / 28

第三章 物流需求预测

第三章 物流需求预测. 一、什么是预测 二、预测的类型 三、预测方法 四、时间序列预测 五、数据的季节波动 六、因果预测方法：回归和相关分析 七、监控预测. 预测的概念. 购货、工作安排、所需员工、工作指定、生产水平的计划工作. 销售计划、生产计划和预算、现金预算和分析不同作业方案. 规划新产品、资本支出、生产设备安装与添置、发展与研究. 预测是对未来可能发生的事情的估计与推测。. 一般有短期预测、中期预测、长期预测。. 产品生命周期对预测的影响。. 预测的类型. 1 、经济预测： 通过预计通货膨胀率、货币供给、房屋开工率及其他指标来预测经济周期

rigel-mcclain
Download Presentation

第三章 物流需求预测

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. 第三章 物流需求预测 一、什么是预测 二、预测的类型 三、预测方法 四、时间序列预测 五、数据的季节波动 六、因果预测方法：回归和相关分析 七、监控预测

  2. 预测的概念 购货、工作安排、所需员工、工作指定、生产水平的计划工作 销售计划、生产计划和预算、现金预算和分析不同作业方案 规划新产品、资本支出、生产设备安装与添置、发展与研究 • 预测是对未来可能发生的事情的估计与推测。 • 一般有短期预测、中期预测、长期预测。 • 产品生命周期对预测的影响。

  3. 预测的类型 • 1、经济预测：通过预计通货膨胀率、货币供给、房屋开工率及其他指标来预测经济周期 • 2、技术预测：预测会导致产生重要的新产品，从而带动新工厂和设备需求的技术进步 • 3、需求预测： • 预测是为下一步计划做准备 • 预测是制定营销、生产 和库存、采购、人力资源等计划的基础。 • 预测对生产运作产生影响，所以，它是生产运作管理的一个组成部分。

  4. 定性预测方法 定量预测方法 qualitative method quantitative method 1 时间序列预测模型 部门主管集体讨论法 1 时间序列平滑模型 （1） 销售人员意见汇总法 2 - 朴素法 - 移动平均法 德尔菲法 3 - 指数平滑法 消费者市场调查法 （1） 时间序列分解模型 4 - 乘法模型 - 加法模型 2 因果模型 - 趋势外推法 - 线性回归因果模型 预测方法 ***需要说明的是，为使预测更符合实际，经验、判断和数学模型都起一定的作用，但没有哪一种方法一直都能奏效。

  5. 预测方法 • 预测的主要步骤 • 确定预测的用途——我们想达到什么目的； • 选择预测对象； • 决定预测的时间跨度； • 选择预测方法与模型； • 收集预测所需的数据； • 验证预测模型； • 做出预测； • 将预测结果付诸应用。

  6. 表 5-1 时间序列 月份 实际销量 ( 百台 ) 1 20.00 2 21.00 3 23.00 4 24.00 5 25.00 6 27.00 7 26.00 8 25.00 9 26.00 10 28.00 11 27.00 12 29.00 时间序列预测 • 时间序列（Time Series）：按一定的时间间隔和事件发生的先后顺序将所收集的数据排列起来所得到的序列。

  7. 时间序列分解 • 时间序列的构成： • 趋势成分： 随时间的推移而表现出的一种倾向（上升、下降、平稳）。 • 季节成分： 特定周期时间里有规则的波动。如： • 每天有二次交通高峰； • 每周周末，影院的客流量较大； • 某些产品的季节性需求变化等。 • 周期成分： 较长时间里（一般为数十年）有规则的波动。 • 随机成分： 没有规则的上下波动。

  8. 时间序列分解 趋势成分 季节成分 周期成分 随机成分

  9. 时间序列分解 • 时间序列分解模型： 1、加法模型 需求=趋势 + 季节 + 周期 + 随机波动 （适用于四种变动因素呈现出相互独立的关系） 2、乘法模型 需求=趋势 × 季节 × 周期 × 随机波动 （适用于四种变动因素呈现出相互影响的关系）

  10. 表 5-2 简单移动平均法预测 月份 实际销量 ( 百台 ) n=3( 百台 ) n=4( 百台 ) 1 20.00 2 21.00 3 23.00 4 24.00 21.33 5 25.00 22.67 21.75 6 27.00 24.00 23.33 7 26.00 25.33 24.75 8 25.00 26.00 25.50 9 26.00 26.00 25.75 10 28.00 25.67 26.00 11 27.00 26.33 26.25 12 29.00 27.00 26.50 时间序列预测之移动平均法 1）简单移动平均(Simple Moving Average) Ft+1= (At + At-1 +…+ At-N+1 )/N 预测值=(前N次实测值的平均值)

  11. 时间序列预测之移动平均法 2）加权移动平均(Weighted Moving Average) Ft+1= (t At + t-1 At-1…+ A t-N+1At-N+1 )/N 预测值=(前N次实测值的加权平均值) t、t-1、、 t-N+1称为加权因子，且 （t+t-1 +  + t-N+1）/ N = 1

  12. 时间序列预测之移动平均法

  13. 时间序列预测之指数平滑法 3）指数平滑法 Ft = Ft-1 +  (At-1 - Ft-1) 或者， Ft = At-1 + (1-)Ft-1 预测值=(上次实测值)+(1-)上次预测值称为平滑系数 （0    1）

  14. 时间序列预测之指数平滑法

  15. 时间序列预测之指数平滑法

  16. 时间序列预测之指数平滑法 • 结果：一次指数平滑预测值依赖于平滑常数的选择，一般来言，越大，它给以前数据以较高权数，预测值的响应性越大，选得小些，它给过去数据以较高权数，则稳定性较大。 Ft =  At-1 + (1-)Ft-1 Ft-1 =  At-2 + (1-)Ft-2 Ft =  At-1 + (1-) [ At-2 + (1-)Ft-2] Ft =  At-1 + (1-)At-2 + (1-)Ft-2] …………………… Ft =  At-1 + (1-)At-2+ (1-)2At-2 +  (1-)3At-3 +…+ (1-)nAt-n]

  17. ∑|预测误差| ∑(预测误差)2 MAD= MAD= n n 时间序列预测之指数平滑法 的取值：选择使平均绝对偏差MAD（mean absolute deviation）或平均平方误差MSE（mean squared error）最小的值 预测误差=需求-预测

  18. 季度 实际装卸量 α=0.1的预测整数值 α=0.1的绝对偏差 α=0.5的预测整数值 α=0.5的绝对偏差 1 180 175 5 175 5 2 168 176 8 178 10 3 159 175 16 173 14 4 175 173 2 166 9 5 190 173 17 170 20 6 205 175 30 180 25 7 180 178 2 193 13 8 182 178 4 186 4 绝对偏差和 84 100 MAD=∑|偏差|/n 10.5 12.5 的取值 例：巴尔蒂摩港在过去8个季度里，装卸了大量谷物，港口作业经理想试一下用不同α值的指数平滑法预测装卸量为175吨。取两个α进行测试。 α=0.1和α=0.5。 在此分析基础上可看到， α=0.1要优于α=0.5，因为前者MAD更小

  19. 时间序列预测之趋势调整指数平滑法 调整方法：先用指数平滑法求出预测值Ft ，然后用正或负的趋势值Tt进行调整 包含趋势预测（FITt）=新预测（Ft）+趋势校正（Tt） Ft =  At-1 + (1-)Ft-1 Tt = （1 - β）Tt-1 + β（ Ft - Ft-1） Tt ：第t期经过平滑的趋势 Tt-1 ：第t期上期经过平滑的趋势 β：我们选择的趋势平滑系数 Ft ：第t期简单指数平滑预测值 Ft-1 ：第t期上期简单指数平滑预测值

  20. 步骤1：对2月份的预测（F2 ）等于对1月份预测 （F1） + （1月份需求-1月份预测： F2 = 11+0.2（12-11）=11+0.2=11.2件 步骤2：计算当前趋势，假定初始趋势调整为0，即 T1=0。 例：一家位于波特兰的大公司用指数平滑法预测对污染控制设备的需求。很明显它有一个上升的趋势。 指定平滑系数=0.2和β=0.4。假定1月份的预测值为11件。 T2 = （1 - β）T1 + β（ F2 - F1）=0+0.4（11.2-11）=0.08 步骤3：计算包含趋势的预测（FITt）。 （FIT2）= F2+ T2 =11.2+0.08=11.28 对3月份也做同样计算。 步骤1：F3=F2 + （2月份需求- F2）=11.2+0.2（17-11.2）=12.36 步骤2：T3 = （1 - β）T2 + β（ F3- F2）=（1-0.4）（0.08）=0.4（12.36-11.2）=0.51 步骤3： FIT3= F3+ T3 =12.36+0.51=12.87 其他月份以此类推

  21. b= ∑x y —n x y ∑ x2— n x2 时间序列预测之趋势外推法 基本思想：找出历史数据中的趋势线，以此预测将来时间的值。 ？ 趋势线 因变量值 时间 a = y - b x y = a + b x

  22. ∑x 28 ∑y 692 y = = = 98.86 x = = = 7 n 4 n 7 b= = =10.54 ∑x y —n x y 3063-(7)(4)(98.86) ∑ x2— n x2 140-(7) (42) a = y - b x = 98.86-10.54(4)=56.7 因此y=56.7+10.54x 例：纽约爱迪生电力公司1989~1995年间电力需求见下表，以兆瓦为单位。让我们找出这些数据的趋势直线并预测1996年的需求 ∑x =28 ∑y=692 ∑ x2 =140 ∑x y=3063 1996年在编号体系中x=8，因此，1996年的需求 = 56.7 + 10.54（8）= 141.02

  23. 各月平均数 S.I.= ×100% 全期各月平均数 数据的季节波动 按月平均法求季节比率： 1）列表。将各年同月（季）的数值列在同一栏内 2）将各年同月（季）数值加总，并求月（季）平均数 3）将所以月（季）数值加总，求总的月（季）平均数 4）求季节比率（或季节指数）S.I.，计算公式为：

  24. 1993~1994当月平均销量 1128 季节指数 = 平均月销量= = 94 平均月销量 12个月 例：康柏公司的笔记本电脑在雷瓦计算机商店1993~1994年每月销量见下表： 总平均销量=1128

  25. 月份 需求 月份 需求 1200 1200 1×0.957=96 7×1.117=112 12 12 1200 1200 2×0.851=85 8×1.064=106 12 12 1200 1200 3×0.904=90 9×0.957=96 12 12 1200 4×1.064=106 12 1200 5×1.309=131 1200 1200 1200 12 10×0.851=85 11×0.851=85 12×0.851=85 12 12 12 1200 6×1.223=122 12 利用这些季节指数，如果预计1995年需求为1200台，则以如下方式预测月需求

  26. 因果预测法 一、一元线性回归 1）求回归方程 2）估计标准误差 3）求相关系数。 |r|= 0 ~0.3无相关；|r|=0.3~0.5低度相关 |r|=0.5~0.8显著相关；|r|=0.8~1高度相关 问：一元线性回归与趋势外推法有什么差别？ 二、多元线性回归 范例（P77)

  27. 监控预测 • 检验预测模型是否仍然有效； • 测试指标：跟踪信号 TS= (第i期实际需求第i期需求预测)/MAD • 结论：TS接近0 或在一定的范围内，预测模型仍然有效。 • TS的控制范围一般取3MAD~8MAD，多数情况下取4MAD。

  28. 计算机在预测中的作用 1、取代手工运算 2、自适应平滑 3、聚焦预测

More Related