第6章 需求预测课件.ppt

《第6章 需求预测课件.ppt》由会员分享，可在线阅读，更多相关《第6章 需求预测课件.ppt（79页珍藏版）》请在得力文库 - 分享文档赚钱的网站上搜索。

1、第六章第六章需求预测需求预测一、一、 什么是预测什么是预测? 预测的分类预测的分类 预测的一般步骤预测的一般步骤 影响需求预测的因素影响需求预测的因素 预测中应注意的几个问题预测中应注意的几个问题1.什么是预测? Forecast, Predict, Prophesy 预测是对未来可能发生的情况的预计与推测。预测是对未来可能发生的情况的预计与推测。 预测是一门艺术，一门科学预测是一门艺术，一门科学(Forecasting is the art and science of predicting future events) “凡事预则立，不预则废凡事预则立，不预则废” 战略性决策、日常经营活动

2、依据（特别是服务战略性决策、日常经营活动依据（特别是服务业）业） 组织内部各部门计划的基础（包括生产、库存组织内部各部门计划的基础（包括生产、库存、人力、财务等）、人力、财务等）2.预测的种类(1) 按预测时间的长短 长期预测：对长期预测：对5年或年或5年以上的需求前景的预测年以上的需求前景的预测长期预测一般是利用市场调研、技术预测、经济预测、人口统长期预测一般是利用市场调研、技术预测、经济预测、人口统计等方法，加上综合判断来完成，其结果大多是定性的描述。长期预计等方法，加上综合判断来完成，其结果大多是定性的描述。长期预测是企业长期发展规划、产品研究开发计划、投资计划、生产能力扩测是企业长期发

3、展规划、产品研究开发计划、投资计划、生产能力扩充计划的依据。充计划的依据。 中期预测：对一个季度以上、中期预测：对一个季度以上、2年以下需求前景的年以下需求前景的预测预测中期预测可以通过集体讨论、时间序列法、回归法、经济指数中期预测可以通过集体讨论、时间序列法、回归法、经济指数相关法等方法结合判断而作出。它是制订年度生产计划、季度生产计相关法等方法结合判断而作出。它是制订年度生产计划、季度生产计划、销售计划、生产与库存预算、投资和现金预算的依据。划、销售计划、生产与库存预算、投资和现金预算的依据。 短期预测：以日周旬月为单位对一个季度以下的短期预测：以日周旬月为单位对一个季度以下的需求前景的预

4、测需求前景的预测短期预测可以利用趋势外推、指数平滑等方法与判断的有机结短期预测可以利用趋势外推、指数平滑等方法与判断的有机结合来进行。它是调整生产能力、采购、安排生产作业计划等具体生产合来进行。它是调整生产能力、采购、安排生产作业计划等具体生产经营活动的依据。经营活动的依据。(2) 按基本方法 定性(qualitative)预测 时间序列分析 因果联系 模拟模型判断在预测中的作用判断在预测中的作用 选择预测方法选择预测方法 辨别信息辨别信息 取舍预测结果取舍预测结果预测精度与成本预测精度与成本预测的稳定性与响应预测的稳定性与响应性性（抗随机干扰（抗随机干扰vsvs反映反映需求变化）需求变化）预

5、测的时间范围和更预测的时间范围和更新频率新频率 德尔菲法（德尔菲法（Delphi Method） 部门主管集体讨论法（部门主管集体讨论法（Jury of Executives） 用户调查法（用户调查法（Users Expectation） 销售人员意见汇集法（销售人员意见汇集法（Field Sales Force） 美国兰德公司于美国兰德公司于20世纪世纪40年代发明并用于技术预测年代发明并用于技术预测 Delphi是古希腊传说中的一座城市，因有阿波罗神殿而出是古希腊传说中的一座城市，因有阿波罗神殿而出名。传说众神每年都要到该城聚会，以占卜未来名。传说众神每年都要到该城聚会，以占卜未来 从从4

6、0年代至年代至70年代初，德尔菲法在各类预测中的应用比重年代初，德尔菲法在各类预测中的应用比重由由20.8%增加到增加到24.2 方法的本质是利用专家的知识、经验、智慧等带有很大模方法的本质是利用专家的知识、经验、智慧等带有很大模糊性的无法量化的信息，通过糊性的无法量化的信息，通过通信的方式通信的方式进行信息交换，进行信息交换，逐步地取得一致的意见，达到预测的目的逐步地取得一致的意见，达到预测的目的 1.德尔菲法（Delphi Method） 又称专家调查法（又称专家调查法（S1:挑选专家；挑选专家；S2:迭代函询迭代函询调查；调查；S3:最终预测意见）最终预测意见） 简单直观简单直观 避免了

7、专家会议的弊端（避免了专家会议的弊端（Group-think） 适用资料不全或不多的情况适用资料不全或不多的情况 专家的选择没有明确的标准，预测结果的可靠专家的选择没有明确的标准，预测结果的可靠性缺乏严格的科学分析，最后趋于一致的意见性缺乏严格的科学分析，最后趋于一致的意见仍带有随大流的倾向仍带有随大流的倾向 三原则：匿名性，反馈性，收敛性三原则：匿名性，反馈性，收敛性Delphi法的适用范围 难以借助精确的分析技术处理，但建立在集体基础上难以借助精确的分析技术处理，但建立在集体基础上的直观判断可以给出某些有用的结果的直观判断可以给出某些有用的结果 面对一个庞大复杂的问题，专家们以往没有交流思

8、想面对一个庞大复杂的问题，专家们以往没有交流思想的历史，因为他们的经验与专业代表着不同的背景的历史，因为他们的经验与专业代表着不同的背景 专家人数多，面对面交流思想的方法效率很低专家人数多，面对面交流思想的方法效率很低 时间与费用的限制使得经常开会商讨成为办不到的事时间与费用的限制使得经常开会商讨成为办不到的事 专家之间分歧隔阂严重或出于其他原因不宜面对面交专家之间分歧隔阂严重或出于其他原因不宜面对面交换思想换思想 避免权威作用，防止避免权威作用，防止“乐队效应乐队效应”，也就是随大流倾，也就是随大流倾向向2.部门主管集体讨论法（Jury of Executives） 简单易行，可快速获得预测

9、结果简单易行，可快速获得预测结果 汇集了各主管的经验和判断汇集了各主管的经验和判断 不需要准备和统计历史资料不需要准备和统计历史资料 各主管的主观意见，预测结果缺乏严格的科学各主管的主观意见，预测结果缺乏严格的科学性性 与会人员间容易相互影响与会人员间容易相互影响 因预测是集体讨论的结果，故无人对其正确性因预测是集体讨论的结果，故无人对其正确性负责负责3.市场调研法 预测来源于顾客期望，能较好地反映市场需求情预测来源于顾客期望，能较好地反映市场需求情况况 有利于改进产品，有针对性地开展促销活动有利于改进产品，有针对性地开展促销活动 适用于对新产品或缺乏销售记录的产品需求预测适用于对新产品或缺乏

10、销售记录的产品需求预测 很难获得顾客的通力合作很难获得顾客的通力合作 顾客所说不一定符合顾客最终实际所做，因为顾顾客所说不一定符合顾客最终实际所做，因为顾客的期望值不断变化客的期望值不断变化 费时费力费时费力4.销售人员意见汇集法（Field Sales Force） 又称基层意见法又称基层意见法 预测值很容易按地区、分支机构、销售人员、预测值很容易按地区、分支机构、销售人员、产品等区分开产品等区分开 由于取样较多，预测结构较具稳定性由于取样较多，预测结构较具稳定性 由于销售人员的意见受到重视，增加了其销售由于销售人员的意见受到重视，增加了其销售信心信心 带有销售人员的主观偏见带有销售人员的主

11、观偏见 受地区局部性的影响，预测结果精度较差受地区局部性的影响，预测结果精度较差 当预测结果作为销售人员未来的销售目标时，当预测结果作为销售人员未来的销售目标时，预测值容易被低估预测值容易被低估 当预测涉及紧俏商品时，预测值容易被高估当预测涉及紧俏商品时，预测值容易被高估（一）时间序列分析（一）时间序列分析（二）因果关系模型（二）因果关系模型（三）预测监控（三）预测监控（一）时间序列分析（一）时间序列分析：以时间为独立变量，利用过去需求随时间变化的关系来预测未来的需求。 包括：时间序列平滑模型，时间序列分解模型（二）因果关系模型（二）因果关系模型：利用变量（包括时间，如广告投入vs销量）之间的

12、相互关系，通过一种变量的变化来预测另一种变量的未来变化。 上述模型共同隐含的假设（前提）：过去存在的变量之间的关系和相互作用机理，今后仍然存在并继续发挥作用。（三）预测监控：（三）预测监控：通过预测监控来检验过去起作用的预测模型是否仍然有效。 时间序列的构成时间序列的构成 时间序列平滑模型时间序列平滑模型 移动平均法（移动平均法（MA、WMA） 指数平滑法（一次、二次）指数平滑法（一次、二次） 时间序列分解模型时间序列分解模型（一）时间序列分析1.时间序列的构成 趋势成分趋势成分：数据随着时间的变化表现出一种趋向(由于人口、技术等原因)。它按某种规则稳步地上升或下降，或停留在某一水平。 季节成

13、分季节成分：在一年里按通常的频率围绕趋势作上下有规则的波动(由于天气、顾客等原因) 。 周期成分周期成分：在较长的时间里（一年以上）围绕趋势作有规则的上下波动。这种波动常被称作经济周期。 随机成分随机成分：由很多不可控因素引起的、没有规则的波动。时间序列曲线及其构成示例2.时间序列平滑模型 朴素法（朴素法（Naive Method） 移动平均法（移动平均法（Moving Average）（用一组最近的实际数据值来进行预测）（用一组最近的实际数据值来进行预测）简单移动平均法（简单移动平均法（SMA）加权移动平均法（加权移动平均法（WMA） 指数平滑法（指数平滑法（Exponential Smoo

14、thing）（考虑所有的历史数据）（考虑所有的历史数据）一次指数平滑法一次指数平滑法二次指数平滑法二次指数平滑法nn期需求总和前移动平均数nAAAAnAiSMAtntntnttntit/ ).(2)1(1)1(111（1）简单移动平均法（2）加权移动平均法nAAAAnAiWMAtnntntnttntintit/ ).(2)1(31)1(21111权数期需求）第期权数（第加权移动平均数nn举例 某公司产品的逐月销售量记录如下。取某公司产品的逐月销售量记录如下。取n=3,试试用移动平均法进行预测。用移动平均法进行预测。A.简单移动平均法预测月份月份实际销量（百台）实际销量（百台）预测销量（预测销量

15、（n=3）120.00221.00323.00424.0021.33525.0022.67627.0024.00726.0025.33825.0026.00926.0026.001028.0025.671127.0026.331229.0027.00SMA特点： 简单移动平均法预测值与所选的时段长简单移动平均法预测值与所选的时段长 n n 有有关。关。n n 越大，对干扰的敏感性越低，预测的越大，对干扰的敏感性越低，预测的稳定性越好，响应性则越差。稳定性越好，响应性则越差。 简单移动平均法对数据不分远近，同样对待简单移动平均法对数据不分远近，同样对待。有时最近的趋势反映了需求的趋势，此时。有时

16、最近的趋势反映了需求的趋势，此时用加权移动平均法更合适。用加权移动平均法更合适。B.加权移动平均法预测月份实际销量(百台)预测销量(百台)（n=3）120.00221.00323.00424.0021.83525.0023.17627.0024.33726.0025.83825.0026.17926.0025.671028.0025.671127.0026.831229.0027.175 . 1, 0 . 1, 5 . 0321SMA与WMA预测值的比较SMA与WMA预测值的再比较(滞后性)WMA特点： 当存在可察觉的趋势时，可以用权数来强调最近当存在可察觉的趋势时，可以用权数来强调最近数据。

17、若对最近的数据赋予较大的权重，则预测数据。若对最近的数据赋予较大的权重，则预测数据与实际数据的差别较简单移动平均法要小。数据与实际数据的差别较简单移动平均法要小。 加权移动平均法更能反映近期的变化，因为更接加权移动平均法更能反映近期的变化，因为更接近当前的数据可以被赋予更大的权数。近当前的数据可以被赋予更大的权数。 近期数据的权数越大，则预测的响应性就越好，近期数据的权数越大，则预测的响应性就越好，但稳定性越差；反之则预测的稳定性越好，但响但稳定性越差；反之则预测的稳定性越好，但响应性越差。应性越差。 权数的选择带有一定主观性，没有权数选择的既权数的选择带有一定主观性，没有权数选择的既定公式。

18、定公式。 MA是是WMA的特例。的特例。（3）指数平滑法一次指数平滑法（一次指数平滑法（Single Exponential Smoothing）二次指数平滑法（二次指数平滑法（Double Exponential Smoothing）A.一次指数平滑法一次指数平滑法是另一种形式（比较复杂）的加权一次指数平滑法是另一种形式（比较复杂）的加权移动平均法移动平均法加权移动平均法只考虑最近的加权移动平均法只考虑最近的n个实际数据，指数平个实际数据，指数平滑法则考虑所有的历史数据，只不过近期实际数滑法则考虑所有的历史数据，只不过近期实际数据的权重大，而远期实际数据的权重小据的权重大，而远期实际数据的权

19、重小一次指数平滑法只需要很少的历史数据一次指数平滑法只需要很少的历史数据一次指数平滑法的预测公式：一次指数平滑法的预测公式： 新的预测新的预测 = 上期预测上期预测 + + （上期实际需求（上期实际需求- -上期预测值）上期预测值） 即下一期的预测是对上一期预测偏差的调整。即下一期的预测是对上一期预测偏差的调整。预测公式SFt+1 = SFt + (At SFt) = At +(1) SFt 其中： SFt+1 = 新一期的预测值 SFt = 上一期的预测值 At = 上一期的实际值 = 平滑系数（ 0 1）递推公式递推公式：SFt+1 = At +(1) SFt =At+(1-)At-1+(

20、1-)2At-2 +(1-)t-1A1+ (1-)tSF1110)1 ()1 (SFAtjtjtj讨论两种极端情况（1） = 0 SFt+1 = SF1 = A1 即对近期的数据都加上即对近期的数据都加上0权数，只考虑最历史权数，只考虑最历史的数据的数据（2） = 1 SFt+1 = At = At 即对所有历史数据都加上即对所有历史数据都加上0权数，只考虑最近权数，只考虑最近期的数据（朴素法）期的数据（朴素法）举例 SFt+1 = At +(1-) SFt 月份月份实际销量（百台）实际销量（百台）(Ai)预测销量预测销量(=0.4)(SFi)预测销量预测销量(=0.7)(SFi)110.00

21、11.00(给定给定)11.00 (给定给定)212.0010.6010.30313.0011.1611.49416.0011.9012.55519.0013.5414.97623.0015.7217.79726.0018.6321.44830.0021.5824.63928.0024.9528.391018.0026.1728.121116.0022.9021.041214.0020.1417.51=0.4和=0.7时的预测值比较051015202530351月2月3月4月5月6月7月8月9月10月11月12月实际值当=0.4时当=0.7时小结用一次指数平滑法进行预测时，预测值可以描用一次指

22、数平滑法进行预测时，预测值可以描述实际值的变化形态与趋势，但预测值总是滞述实际值的变化形态与趋势，但预测值总是滞后于实际值：后于实际值： 当实际值呈上升趋势时，预测值总是低于实际值；当实际值呈上升趋势时，预测值总是低于实际值； 当实际值呈下降趋势时，预测值总是高于实际值。当实际值呈下降趋势时，预测值总是高于实际值。比较不同的平滑系数对预测的影响，当出现趋比较不同的平滑系数对预测的影响，当出现趋势时，取较大的势时，取较大的得到的预测值与实际值比较得到的预测值与实际值比较接近（即预测精度较高）。接近（即预测精度较高）。预测值依赖于平滑系数预测值依赖于平滑系数的选择。一般而言：的选择。一般而言：较小

23、则预测稳定性较好，较小则预测稳定性较好， 较大则响应性较较大则响应性较好。好。B.二次指数平滑法 如前所述，在有趋势的情况下，用一次指数平滑如前所述，在有趋势的情况下，用一次指数平滑法预测会出现滞后现象法预测会出现滞后现象 面对有上升或下降趋势的需求序列时，采用二次面对有上升或下降趋势的需求序列时，采用二次指数平滑法进行预测。指数平滑法进行预测。 二次指数平滑法也叫二次指数平滑法也叫趋势调整指数平滑法趋势调整指数平滑法，因为，因为该方法先用一次指数平滑法进行预测（得到基数该方法先用一次指数平滑法进行预测（得到基数预测值），然后用趋势滞后值（正或负）进行调预测值），然后用趋势滞后值（正或负）进行

24、调整，即：整，即： 最终预测值最终预测值(DFt) = 基数预测值基数预测值(SFt) + 趋势校正趋势校正(Tt)其中：其中： SFt 为第为第t期的一次指数平滑法预测值期的一次指数平滑法预测值预测公式DFt = SFt + Tt其中：其中：SFt 为第为第t期的一次指数平滑法预测值期的一次指数平滑法预测值 SFt = At-1 +(1) SFt-1 (SF0事先给定）事先给定）Tt = (SFtSFt-1)+(1 )Tt-1 ( 为趋势平滑系数为趋势平滑系数,T0事先给事先给定）定）预测基本步骤步骤步骤1：计算第：计算第t期的一次指数平滑预测值期的一次指数平滑预测值SFt ；步骤步骤2：用

25、：用Tt = (SFtSFt-1)+(1 )Tt-1计算计算趋势；趋势；步骤步骤3：计算趋势调整后的二次指数平滑预测值：计算趋势调整后的二次指数平滑预测值DFt DFt = SFt + Tt二次指数平滑预测法举例（ = 0.2 , = 0.4）月份月份实际需求实际需求（ At ）一次预测一次预测(SFt)趋势趋势（ Tt ）二次预测二次预测（ DFt ）11211 (给定)0.0(给定) -21711.200.0811.2832012.360.5112.8741913.890.9214.8152414.910.9615.8762616.731.3018.0373118.581.5220.108

26、3221.071.9122.9893623.252.0225.27预测与实际需求对比图0102030401月 2月 3月 4月 5月 6月 7月 8月 9月实际需求一次预测值二次预测值小结 二次指数平滑预测的结果比一次指数平滑预测的结果在有二次指数平滑预测的结果比一次指数平滑预测的结果在有趋势存在的情况下，与实际值更为接近，且滞后要小。趋势存在的情况下，与实际值更为接近，且滞后要小。 二次指数平滑预测的结果与二次指数平滑预测的结果与 和和 的取值有关。的取值有关。 和和 越大，越大，则预测的响应性越好；反之则稳定性越好。则预测的响应性越好；反之则稳定性越好。 趋势平滑系数趋势平滑系数 的取值与

27、的取值与 类似：更大的类似：更大的 取值表明更强调趋取值表明更强调趋势的最近变化；小的势的最近变化；小的 取值则给予最近的趋势变动更小的权取值则给予最近的趋势变动更小的权重，从而倾向于将当前的趋势平滑掉。重，从而倾向于将当前的趋势平滑掉。 总之，总之， 影响二次预测的基数，影响二次预测的基数， 影响预测值的上升或下降影响预测值的上升或下降的速度。的速度。3.时间序列分解模型乘法模型：乘法模型：TF = TS C I加法模型：加法模型：TF = T+S+C+I其中：其中： TF 时间序列的预测值；时间序列的预测值； T 时间序列中的趋势成分；时间序列中的趋势成分； S 时间序列中的季节成分；时间

28、序列中的季节成分； C 时间序列中的周期性变化成分；时间序列中的周期性变化成分； I 时间序列中的不规则的波动成分。时间序列中的不规则的波动成分。几种可能的时间序列类型无趋势、无季节波动无趋势、无季节波动无趋势、有季节波动无趋势、有季节波动有线性趋势、相等的季节波动有线性趋势、相等的季节波动有线性趋势、放大的季节波动有线性趋势、放大的季节波动非线性趋势、相等的季节波动非线性趋势、相等的季节波动非线性趋势、放大的季节波动非线性趋势、放大的季节波动 原始数据：原始数据：过过去去三三年年快快餐餐销销售售记记录录季季度度 季季度度序序号号 t t销销售售量量 A At t夏夏秋秋冬冬春春夏夏秋秋冬冬春

29、春夏夏秋秋冬冬春春1 12 23 34 45 56 67 78 89 91 10 01 11 11 12 21 11 1, ,8 80 00 01 10 0, ,4 40 04 48 8, ,9 92 25 51 10 0, ,6 60 00 01 12 2, ,2 28 85 51 11 1, ,0 00 09 99 9, ,2 21 13 31 11 1, ,2 28 86 61 13 3, ,3 35 50 01 11 1, ,2 27 70 01 10 0, ,2 26 66 61 12 2, ,1 13 38 8季节季节序号t销售量At夏111800秋210404冬38925春410

30、600夏512285秋611009冬79213春811286夏913350秋1011270冬1110266春1212138 T(t)= 10000 + 167 t 计算季节系数计算季节系数： 各周期内相应实际值与趋势值的比值的平均值。各周期内相应实际值与趋势值的比值的平均值。计算预测值：计算预测值： 预测值预测值= =趋势预测值趋势预测值季节系数季节系数未 来 一 年 的 夏 秋 冬 春 各 季 对 应 的未 来 一 年 的 夏 秋 冬 春 各 季 对 应 的 t t 值 分 别 为值 分 别 为13,14,15,16, 13,14,15,16, 预测销售量分别为预测销售量分别为: :夏季:(

31、10,000+16713)1.15=13,997 (份)秋季:(10,000+16714)1.00=12,338 (份)冬季:(10,000+16715)0.85=10,629 (份)春季:(10,000+16716)1.00=12,672 (份)（二）因果关系模型回归分析投入产出模型先行指标计量经济模型 与时间序列中的最小二乘法相似，但可以包括多元变量。回归分析的基础是其他事件的发生影响了预测结果。 关注每一家企业对其他企业及政府的销售情况，给出由于另一家企业的采购变化导致的某一生存企业预测销量的变化情况。统计那些与所预测的序列呈同方向变动，但其变动发生在所预测的序列变动之前的统计数据；例如

32、，汽油价格的上涨预示着未来大型轿车销量的下降。试图用一组相互联系的方程来描述经济中的某些因素。（二）因果关系模型一元线性回归模型一元线性回归模型 数学模型数学模型 偏差衡量指标偏差衡量指标1. 预测实例预测实例1.一元线性回归模型YT = a + bxXbYnXbYaXnXYXnXYXXnYXXYnb 2222)(最小二乘法回归直线2.偏差衡量指标 相关系数相关系数 r （表示自变量与因变量之间的因果程度） 标准差标准差 syx （表示回归预测值的精确程度）)( )(2222 YYnXXnYXXYnr2)(2nYYsTyx相关系数 r 的数值范围相关示例3.预测实例某公司近年来的广告投入与产品

33、销售额数据见下表。试求出这些数据的回归直线；2003年公司计划投入广告费1千万元，试预测该年度的销售额。年份1990199219951998200020012002广告投入(百万元)1.02.03.04.05.06.07.0销售额 (百万元)74798090105142122求解： 以广告费为自变量，销售额为因变量求回归直线以广告费为自变量，销售额为因变量求回归直线：年度广告费广告费X(单位单位:百万元百万元)销售额销售额Y(单位单位:百万元百万元)X2XY19901.074.01.074.019922.079.04.0158.019953.080.09.0240.019984.090.016

34、.0360.020005.0105.025.0525.020016.0142.036.0852.020027.0122.049.0854.0X=28.0Y=692.0 X2 =140.0XY=3063.0 xyXbYaXnXYXnXYbnYYnXX54.1070.5670.560 . 454.1086.9854.100 . 470 .14086.980 . 47306386.9870 .6920 . 470 .28222回归直线：2003年的销售额预测： Y2003 = 56.70 + 10.5410.0 = 162.1（万元）（万元）（三）预测监控 预测误差预测误差 误差衡量指标误差衡量指标

35、 预测监控预测监控1.预测误差 预测误差：预测误差：是指预测值与实际值之间的差异。是指预测值与实际值之间的差异。 误差有正负之分：误差有正负之分：当预测值大于实际值时，误当预测值大于实际值时，误差为负；反之为正。差为负；反之为正。 预测模型最好是预测模型最好是无偏模型无偏模型，即应用该模型时，即应用该模型时，正、负误差出现的概率大致相等。正、负误差出现的概率大致相等。 平均误差：平均误差：评价预测精度的重要指标，也是判评价预测精度的重要指标，也是判断预测模型能否继续使用的重要标准之一，还断预测模型能否继续使用的重要标准之一，还可用于预测模型优劣比较。可用于预测模型优劣比较。2.预测误差衡量指标

36、 平均绝对偏差（平均绝对偏差（MAD: Mean Absolute Deviation） 平均平方误差（平均平方误差（MSE: Mean Square Error） 平均预测误差（平均预测误差（MFE: Mean Forecast Error） 平均绝对百分误差（平均绝对百分误差（MAPE: Mean Absolute Percentage Error）（1）平均绝对偏差（MAD） 指整个预测期内每一次预测值与实际值的绝对偏差的指整个预测期内每一次预测值与实际值的绝对偏差的平均值，即平均值，即At表示时段表示时段t的实际值的实际值Ft表示时段表示时段t的预测值的预测值n整个预测期内的时段个数（

37、即预测次数）整个预测期内的时段个数（即预测次数）MAD能较好地反映预测的精度，但不能衡量无偏性能较好地反映预测的精度，但不能衡量无偏性nFAMADnttt1（1）平均绝对偏差（MAD）（2）平均平方误差（MSE） 对误差的平方和取平均值，即对误差的平方和取平均值，即 MSE与与MAD类似，能较好地反映预测精度，但类似，能较好地反映预测精度，但不能衡量无偏性不能衡量无偏性nFAMSEnttt12)(（3）平均预测误差（MFE） 指预测误差和的平均值，即指预测误差和的平均值，即 上式中的分子称为上式中的分子称为“预测误差滚动和预测误差滚动和”（RSFE）。显然，如果预测模型是无偏的，则。显然，如果

38、预测模型是无偏的，则RSFE应接近应接近于于0，亦即，亦即MFE应接近于应接近于0。 MFE能够很好地衡量无偏性，但不能反映预测值能够很好地衡量无偏性，但不能反映预测值偏离实际值的程度。偏离实际值的程度。nFAMFEnttt1)(（4）平均绝对百分误差（MAPE） 任何一种指标都很难全面地评价一个预测模型任何一种指标都很难全面地评价一个预测模型，在实际应用中常将它们结合起来使用。，在实际应用中常将它们结合起来使用。nttttAFAnMAPE1)100(3.预测监控 通过通过预测监控预测监控来检验过去起作用的预测模型是否仍然有效来检验过去起作用的预测模型是否仍然有效 检验预测模型是否有效的一个简

39、单方法是将最近的实际值检验预测模型是否有效的一个简单方法是将最近的实际值与预测值进行比较，看与预测值进行比较，看偏差偏差是否在可接受的范围内；另一是否在可接受的范围内；另一中方法是应用中方法是应用跟踪信号跟踪信号（TS: Tracking Signal） 所谓所谓跟踪信号跟踪信号，是指预测误差滚动和与平均绝对偏差的比，是指预测误差滚动和与平均绝对偏差的比值，即：值，即：MADFAMADRSFETSnttt1)(预测监控图预测跟踪信号 自适应平滑自适应平滑(adaptive smoothing) 聚焦预测聚焦预测(focus forecasting) 允许试验各种试验模型允许试验各种试验模型 两个原则：非常复杂的预测模型不一定总比简单的强两个原则：非常复杂的预测模型不一定总比简单的强；不存在能适用于所有产品或服务预测的单个技术；不存在能适用于所有产品或服务预测的单个技术 神经网络预测模型神经网络预测模型 计算机在预测中的作用计算机在预测中的作用 IBM的的IMPACT SAS、SPSS、STORM、QSB等。等。