1、,物资需求预测方法,目录,1,主要需求预测方法概述,2,预测模型的提出,3,需求预测的过程,4,不同预测方法结果比较,5,模型的修正,主要物资需求预测方法概述,常用的物资需求预测方法主要包括基于时间序列模型的移动平均预测法、指数平滑预测法、趋势外推预测法等;基于因果分析模型的回归分析预测法，基于统计学习理论以及结构风险最小原理的支持向量机预测方法，基于人工智能技术的人工神经网络算法。归纳如图1：,一,时间序列法,定义,将预测对象按照时问顺序排列起来，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，推断今后变 化的可能性及变化 趋势、变化规律，就是时间序列预测法。,时间序列法,主
2、要方法：移动平均法、指数平滑法、季节变动法、趋势外推法,移动平均法,移动平均法,主要包括：简单移动平均和加权移动平均。 简单移动平均：将一个时间段的数据取平均值作为最新时间的预测值。该时间段根据要求取最近的。 加权移动平均：预测值是以前观测值的加权和，且对不同的数据给予不同的权数，新数据给予较大的权数，旧数据给予较小的权数。,时间序列法,主要方法：移动平均法、指数平滑法、季节变动法、趋势外推法,移动平均法,指数平滑法,定义：预测值是以前观测值的加权和，且对不同的数据给予不同的权数，新数据给予较大的权数，旧数据给予较小的权数。 通用算法：St=aYt+(1-a)St-1 注：St-时间t的平滑值
3、； Yt-时间t的实际值； St-1-时间t-1的平滑值； a-平滑常数，其取值范围为0,1,时间序列法,主要方法：移动平均法、指数平滑法、季节变动法、趋势外推法,移动平均法,季节变动法,水平型季节变动: 是指时间序列中各项数值的变化是围绕某一个水平值上下周期性的波动。若时间序列呈水平型季节变动，则意味着时间序列中不存在明显的长期趋势变动而仅有季节变动和不规则变动。 长期趋势季节变动:是指时间序列中各项数值一方面随时间变化呈现季节性周期变化，另一方面随着时间变化而呈现上升(或下降)的变化趋势。,时间序列法,主要方法：移动平均法、指数平滑法、季节变动法、趋势外推法,移动平均法,趋势外推法,趋势外
4、推预测方法是一种探索型的预测方法,其主要适用于预测那些时间序列随着单位时间的增加或者减少,出现变化大致相同的长期需求预测。,时间序列建模,主要模型：HMM模型和ARMA模型,HMM模型 隐马尔可夫模型（Hidden Markov Model，HMM）是统计模型，它用来描述一个含有隐含未知参数的马尔可夫过程。 这种模型既能反映对象的随机性，又能反映对象的潜在结构，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了解。,ARMA用于对平稳时间序列的建模，是一类基于自相关的时间序列分析模型。 许多成果将ARMA模型与时间序列挖掘方法相结合，用于研究时间序列的预测、分类、聚类
5、以及相似查找等。 ARMA模型的基本思想是，时间序列数据的当前值x，不仅受当前干扰的影响，还与历史数据以及历史干扰紧密相关。一旦时间序列的这种自相关性能够被定量确定，就可以对其建立合适的ARMA模型。,因果分析法,回归分析法,经济计量模型,投入产出模型,灰色预测模型,因果分析法-回归分析法,因果分析法-经济计量模型,单方程计量经济学模型，是用单一方程描述某一经济变量与影响该变量变化的诸因素之间的数量关系。它适用于单一经济现象的研究，揭示其中的单向因果关系。 联立方程模型则用多个方程描述经济系统中诸因素之间的数量关系。它适用于复杂经济现象的研究，在复杂的经济现象中，诸因素之间是相互依存、互为因果
6、的。主要形式： 单一方程式：例如：Y=X1+X2+X3 联立方程式：例如：Y1=X1;Y2=Y1+X2+X3;Y3=Y2+X2,经济计量模型主要有：单方程模型和联立方程模型,因果分析法-投入产出模型,单投入产出分析法是反映经济系统各部分（如各部门、行业、产品）之间的投入与产出间的数量依存关系，并用于经济分析、政策模拟、经济预测、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结合的产物，属交叉科学。,特点,因果分析法-灰色预测模型,优点,预测模型不是唯一的；一般预测到一个区间，而不是一个点；预测区间的大小与预测精度成反比，而与预测成功率成正比。,中长期预测,所需样本少，样本不需要有规律性
7、分布，更能动态地反映系统最新的特征，这实际上是一种动态预测模型。预测准确度高。,适用,支持向量机预测模型,SVM,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结构风险最小原则的基础上探讨所得的一种算法。通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(准确识别样本的能力)之间寻求一个最佳平衡点,以获得最佳的推广能力。,最优分离超平面,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、应用最普遍的模型。BP神经网络架构是由数层互相连结的神经元组成，通常包含了输入层、输出层及若干隐藏层，各层包含了若干神经元。
8、,神经网络适用于中长期的预测 优点是逼近效果好，计算速度快，不需要建立数学模型，精度高；理论依据坚实，推导过程严谨，所得公式对称优美，具有强非线性拟合能力。 缺点是无法表达和分析被预测系统的输入和输出间的关系，预测人员无法参与预测过程；收敛速度慢，难以处理海量数据，得到的网络容错能力差，算法不完备(易陷入局部极小)。,预测模型的提出,物资需求有个体性和共性 1）共性因素作用下的物资需求，可以通过区分不同工程类别，构建恰当的预测模型和算法，取得满意的预测结果。 2）个体性因素作用下的物资需求，往往单体预测模型无法满足精度要求，需采用多项目汇总的方式，控制总体预测误差，使预测结果满足实际使用要求。,1、问题特性分析,预测模型的提出,1）时间序列+回归分析模型2）支持向量机模型(sVM)和人工鱼群算法(AFsA)3）BP神经网络,2、模型构建思路-3种建模,全PPT制作完全可编辑,谢谢观看 Thank You,
