（本科）6第六章需求预测ppt课件.pptx

《（本科）6第六章需求预测ppt课件.pptx》由会员分享，可在线阅读，更多相关《（本科）6第六章需求预测ppt课件.pptx（48页珍藏版）》请在得力文库 - 分享文档赚钱的网站上搜索。

1、课程主讲人：（本科）6-第六章-需求预测ppt课件运营管理邱灿华邱灿华 同济大学经济与管理学院同济大学经济与管理学院需求预测需求预测需求预测预测实例需求预测分类需求的一般构成时间序列预测因果预测简单移动平均加权移动平均指数平滑方法二次指数平滑方法响应性和稳定性季节因子时间序列预测的一般程序预测的评估时间序列分解预测模型的使用预测实例：销售预测n 美力特黄铜制品公司（Merit Brass）是一个家族所有的公司，供应管材、阀门及配件领域的上千种产品。1990年，公司提出了一个强调将管理科学方法应用于统计销售预测和成品库存管理（两项十分关键的活动）的现代化项目。这个项目使得顾客服务（以产品可获得率

2、衡量）得到改进，同时费用大幅降低 。预测实例：水电公司的预测n 西班牙电力企业，Hidroelctrica Espaol，开发并采用了一套管理科学模型来辅助管理水力发电的水库系统。这些模型是依靠对能源的需求（公司的销售）和水库流入量的预测来驱动的。一个复杂的统计预测模型被用来预测对能源的短期和长期的需求。一个水文预测模型提供了对水库流入量的预测。预测实例：收益管理n 航空公司现在非常依赖于在收取不看重价格的商务人员旅行支付的高额票价的同时向其他人提供折扣票价以填满座位。座位的数目在不同的运费等级上如何分配的决策对利润最大化来说是关键的。美洲航空公司（American Airlines）使用对每

3、一种票价需求的统计预测来做出这项决策的。需求预测实例：备件需求的预测 n 美洲航空公司（American Airlines）使用一个基于计算机的称为旋转分配和计划系统（Rotatable Allocation and Planning System，RAPS）的系统来预测对旋转部件的需求，并帮助将这些部件分送到各个机场。这个统计预测使用了18个月的部件以及飞行小时的数据，以计划飞行小时为基础提前进行项目编制。预测：雇员需求预测n 联合航空公司（United Airlines）在它的11个预定处拥有超过4000名预定销售代理及支持人员，在10个最大的机场有大约1000名顾客服务代理人，一个计算机

4、化的计划系统已被用来为这些雇员设计工作计划。尽管一些其他的管理科学技术（包括线性规划）也被应用于系统中，但是对雇员需求的统计预测仍是一个关键的部分。这个系统除了每年为公司节省超过600万美元的开支以外，还改进了顾客服务，减少了对直接人员的需求 预测：雇员需求预测n 实际应用是一家高档户外用品及服饰的主要零售商。超过70%的销售是通过在公司的呼叫中心下达订单后完成的。呼叫中心提供了两个800号码，一个用于下达订单，另一个用于询问和反映问题。每个公司的代理人都为应答这两个800电话中的一个而接受了训练。因此，不同的统计预测模型被用于对两个800号码的人员周需求量进行预测。经过精确改进的模型通过提高

5、计划有效性每年为公司节约了30万美元。需求预测的分类n定性预测（Qualitative） n 属于主观判断（Judgmental)，基于估计和评价 n定量预测（Quantitative） n 时间序列分析（Time Series Analysis） n 因果分析（Causal Relationships） n 仿真模拟（Simulation） n长期预测n中期预测n短期预测需求的构成n一段时期内的平均需求（Average Demand）n需求趋势（A Trend） n季节因素（Seasonal Element） n周期因素（Cyclical Element） n随机因素（Rand Variat

6、ion） n自相关（Autocorrelation）Simple Moving Average简单移动平均n简单移动平均模型假设过去一段时间内的平均值是对未来行为很好的估计。 F = A+ A+ A+.+Antt-1t-2t-3t- nFt = 下一期的预测值N = 取平均值的区段数量A t-1 = 上一期的实际发生值关于简单移动平均方法的疑问WeekDemand165026783720478558596920785087589892109201178912844F = A+ A+ A+.+Antt-1t-2t-3t-nn Question: 以3周或6周为移动平均区间有何差别？WeekDem

7、and 3-Week6-Week1650267837204785682.675859727.676920788.007850854.67768.678758876.33802.009892842.67815.3310920833.33844.0011789856.67866.5012844867.00854.83F4=(650+678+720)/3 =682.67F7=(650+678+720 +785+859+920)/6 =768.67移动平均区间与稳定性及响应性60065070075080085090095012345678910 11 12Demand3-Week6-week稳定性及响

8、应性n稳定性：n 指抗拒随机干扰，反应稳定需求的能力。n 稳定性好的方法有利于消除或减少随机因素的影响，适应于受随机因素影响较大的预测问题。n响应性：n 指迅速反应需求变化的能力。n 响应性好的方法能及时跟上实际需求的变化，适合于受随机因素影响小的预测问题。n目标相互矛盾Weighted Moving Average加权移动平均 简单移动平均以平等的方式对待预测区间的数据，有不合理性，因为离预测点越近的数据，其重要程度应该更大.F = w A+ w A+ w A+.+w At1t-12t-23t-3nt-nwt = 在某个时间“t” 上实际值的权重. (权重之和等于1.)w =1ii=1n加权

9、移动平均实例WeekDemandForecast1650267837204693.4F4 = 0.5(720)+0.3(678)+0.2(650)=693.4Exponential Smoothing指数平滑n假设： 近期的数据比早期的数据更能够准确地预测未来， 因此需要最近的数据的权重就要比以前的数据的权重要大。nFt = Ft-1 + a(At-1 - Ft-1) = aAt-1 + (1-a) Ft-1n预测值=a(上期值) + (1-a) (上次预测值)asmoothing constant 平滑常数Ftt期一次指数平滑预测值；Att期实际值； 指数平滑的实际意义nF1=A0，它可以事

10、先给定或令F1=A1n当历史数据足够多时，（1-）t F1可以省略。因此第t+1期的预测值可以看作前t期所有数据指数形式的加权和。FAtjttjjtttAtFAAFt111011)1 ()1 ( F1t)(1A11t)(1A2t2)(1A1t1)1 (0)1( )1 ()1 (1aaaaaaaan当出现趋势时，取较大的得到的预测值与实际值比较接近。n一般来说，选得小一些，预测的稳定性就比较好。反之响应性就比较好。指数平滑预测实例（1）WeekDemand0.51820820.002775820.003680797.504655738.755696.88F2=0.5*820+(0.5)(820)

11、=820F3=0.5*775+(0.5)(820)=797.75a =0.5Assume F1=A1指数平滑预测实例（2）WeekDemand18202775368046555750680277988689977510n给定过去9周的需求数据，平滑系数分别为a=0.10 和 a=0.60时，预测第10周的需求；n假设 F1=A1 不同平滑常数下的预测效果50055060065070075080085012345678910WeekDemandDemand0.10.6二次指数平滑法Double Exponential Smoothingn由于在出现趋势的情况下，一次指数平滑法会出现滞后现象，因此

12、可以二次指数平滑法进行预测。n对于出现趋势后并有季节性波动的情况，则要用三次指数平滑法预测。我们这里仅介绍二次指数平滑法。 二次指数平滑法的公式nFt为t期二次指数平滑预测值；nTt为t期平滑趋势值，T0事先给定；nSAt为t期平滑预测值，又称之为“基数”，SA0事先给定；FATSAASAtttttt)1 ()(1 (11aaaaTSASATtttt11)1 ()(n预测值=(上期值)+(1-)(上次预测值)+趋势估计；n趋势估计=(最近的趋势)+(1-)(上次的趋势估计)TFAFtttt11)1 (aa预测误差的测量平均需求MADMAPEnF-A =MADn1=tttn MAD （Mean

13、Absolute Deviation）， 平均绝对偏差；n MAPE （Mean Absolute percent Error），平均绝对误差百分比. MAD Problem SolutionM A D = A- Fn=404= 10ttt=1nMonthSalesForecast Abs Error1220n/a22502555321020554300320205325315104014.8%=27140=4325)300210(25040 =MAPEMAD是绝对量，只是衡量偏差的一个指标，用来比较各种预测方法的优劣因果预测Causal Forecastingn 通过将预测量（因变量）与驱动

14、预测量的一个或多个量（自变量）直接联系起来以获得对它的预测。n因变量Dependent variablen自变量Independent variablen 方法：n简单的线性回归n多元线性回归线性回归模型Linear Regression ModelYt = a + bx0 1 2 3 4 5 x (Time)Y线性回归模型aa = y - b xb =x y - n ( y )( x )x- n ( x22)线性回归实例WeekSales11502157316241665177销售量随着时间而增加，能否找到销售量随时间变化的线性回归模型？WeekWeek*WeekSales Week*Sal

15、es111501502415731439162486416166664525177885355162.42499AverageSumAverageSumb =xy- n(y)(x)x - n(x=2499-5(162.4)(3)=a = y- bx =162.4-(6.3)(3) =22)( )555 963106.3143.538需求的构成n一段时期内的平均需求（Average Demand）n需求趋势（A Trend） n季节因素（Seasonal Element） n周期因素（Cyclical Element） n随机因素（Rand Variation） n自相关（Autocorrela

16、tion）Time series decomposition时间序列分解n 时间序列可定义为按时间顺序排列的数列，它包含一个或多个需求的影响因素：n趋势n季节性n周期性n自相关性n随机性n 时间序列分解意味着将时间序列数据识别并分解为上述因素。相加式与相乘式季节变动n 相加式季节变动中的季节变动量衡为常数。n预测=趋势+季节变动量n 相乘式季节变动需确定季节因子。n预测=趋势季节因子季节因子（季节指数）n 季节因子（季节指数）Seasonal factor，or index ：在时间序列中用于修正季节影响的量。值）所有季度平均值（趋势当季实际需求=季节因子时间序列分析的一般步骤 画出折线图看数据的一般特征； 确定是否有季节特征，求出季节因子； 对原始数据消除季节影响，得到调整之后的时间序列数据； 基于调整后的时间序列数据进行预测（简单移动平均、加权移动平均、指数平滑方法、趋势方程等）； 对预测值乘以季节因子，恢复为有季节影响的实际预测； 评估预测偏差（预测与实际值的偏差平均值）。预测模型的使用n 需求本身的特征（系统的影响因素）n 企业的柔性程度n 预测的时间范围n 能否获得相关数据n 需求数据的准确性n 所需的预测精度n 预测预算的规模n 合适的预测人员