预测方法


一、按照预测的时间跨度来分

短期预测短期预测跨度可以是几周、几个月,最多为1年,物流管理中的运输车辆安排、人员调度等主要使用短期预测,它也是任何模式库存管理的关键。

中期预测中期预测多为几个月,不超过3年,可用于预算安排等。

长期预测长期预测多为3年以上,可用于物流设施的选址、物流战略的设计等。

二、定性预测方法:

借助个人的判断、直觉和意见调查对未来作出趋势性的估计,属于主观性预测,精度较差,并且很难标准化。

德尔菲法:预测专家各自独立预测——对第一轮意见进行汇总、整理并反馈——进行第二轮预测依次进行下去。

小组意见法:集中讨论进行预测。

销售人员估计法:预测时征求销售人员的意见。实践中比较重要。

 臆想预测法:个人主观预测。

三、定量预测方法

分因果分析法和历史映射两大类

因果预测模型的基本前提就是预测变量的水平取决于其他相关变量的水平。只要能够准确地描述因果关系,因果模型在预测时间序列主要变化、进行中长期预测时就会非常准确

历史映射法:如果拥有相当数量的历史数据,时间序列的趋势和季节性变化稳定、明确,那么将这些数据映射到未来将是有效的短期预测方法。该方法的基本前提是未来的时间模式将会重复过去,至少大部分重复过去的模式。


1、指数平滑法

指数平滑法是移动平均法的一种,只是会给过去的观测值不一样的权重,较近期观测值的权重比较远期观测值的权重要大。

下一次预测值= α(实际需求值)+(1- α)(前期的预测值)

拉平模型:Ft+1= α At +  (1-α) Ft

    • 式中  t — 本期的时间        α指数平滑系数

    • At — t 期的需求值        Ft — t 期的预测值

    • Ft+1 — 对第 t+1,或下期的预测值

      注意:所有历史因素的影响都包含在前期的预测值内,这样,在任何时候只需保有一个数字就代表了需求的历史情况。

      指数平滑系数α的选择。α值既代表预测模型对时间序列数据的反应速度,又决定预测模型修匀误差的能力。α值越大,对近期实际需求情况给的权数越大,模型就能越快的对时间序列的变化作出反应。α值越小,预测未来需求时给需求历史数据的权数越大,在反应需求水平根本性变化时需要的时滞就越长。α值的范围一般在0.01-0.3之间。

      校正趋势模型:

      St+1=αAt+(1- α) (St +Tt) 

      Tt+1=β(St+1 - St)+(1- β) Tt 

      Ft+1=St+1 + Tt+1

      式中,Ft+1——t+1期校正趋势后的预测值

                 St——t期的最初预测

                 Tt——t期的趋势

                 β——趋势平滑系数

      2.经典时间序列分解

      经典时间序列分解的指导思想是,历史上的销售模式可以分解为四个组成部分:趋势、季节性变动、周期性变动和残差(或随机)波动。

      3、多元回归分析

      回归模型:ŷ=b0+b1*x1+…+ bm*xm


指预测和实际需求水平接近的程度