生產(chǎn)與作業(yè)管理2

1、第二講， 需求預(yù)測工業(yè)工程與管理系2007年5月7/26/20221提綱簡介定性預(yù)測方法定量預(yù)測方法預(yù)測系統(tǒng)及計(jì)算機(jī)軟件7/26/20222預(yù)測的定義預(yù)測:猜測出未來變量值，例如需求、庫存等7/26/20223預(yù)測的重要性預(yù)測方法需求估計(jì)銷售預(yù)測管理隊(duì)伍市場商業(yè)戰(zhàn)略產(chǎn)品、資源預(yù)測7/26/20224預(yù)測的重要性(Contd)需求預(yù)測 (Demand estimates) 是計(jì)劃與作業(yè)管理的最開始步驟.銷售預(yù)測（Sales forecasts) 部分基于DE.銷售預(yù)測是商業(yè)策略(Business Strategy) 和產(chǎn)品資源（Resources)預(yù)測的基礎(chǔ).需求預(yù)測是中期生產(chǎn)計(jì)劃和主生產(chǎn)計(jì)劃的

2、前提條件7/26/20225預(yù)測的重要性(Contd)新設(shè)施規(guī)劃 可能要5年的時(shí)間去設(shè)計(jì)和建設(shè)新工廠并實(shí)現(xiàn)新的產(chǎn)品流程.產(chǎn)品規(guī)劃 需求每個(gè)月都在改變，而我們可能需要幾個(gè)月去改變生產(chǎn)線的能力。工作調(diào)度 對服務(wù)（包括職員）的需求每天都在變，但員工的安排一般都需要提前進(jìn)行。7/26/20226預(yù)測方法定性定量7/26/20227定性方法不需要需求的歷史，因此適合于新產(chǎn)品或服務(wù)直覺到科學(xué)推測方法依賴于產(chǎn)品的生命周期a products life cycle stage事物的因果關(guān)系事物的發(fā)展變化7/26/20228定性方法(Contd)有根據(jù)的推測決定者多數(shù)意見Delphi 方法銷售人員預(yù)測客戶調(diào)查

3、歷史類推市場調(diào)查研究科學(xué)直覺7/26/20229定量預(yù)測方法基于假設(shè)：歷史會重演過去的分析將會為將來的預(yù)測提供基礎(chǔ)定量方法：因果法基于時(shí)間序列的方法 7/26/202210定量預(yù)測方法-因果模型因果模型令Y-需要預(yù)測的值X1, X2, , Xn :決定Y的n個(gè)參數(shù) 即 Y=f(X1, X2, , Xn).最簡單的因果模型是線性的: Y=0+ 1X1+ 2X2+ nXn, 其中， i (i=1-n) 為常系數(shù)確定這些系數(shù)的最常用的方法是最小二乘法7/26/202211假設(shè)我們已有n個(gè)數(shù)據(jù)且因果模型為 Y=a+bX. 令為極小化g, 令定量預(yù)測方法-因果模型7/26/202212如果所知的數(shù)據(jù)中，

4、x是自然數(shù)（第i 個(gè)階段），即 (i, Di), i=1n, 則因果模型及計(jì)算可簡化如下：定量預(yù)測方法-因果模型7/26/202213時(shí)間序列給出一組與時(shí)間順序相關(guān)的數(shù)（歷史數(shù)據(jù)）時(shí)間序列的分析識別一種模式一旦模式被識別，它可以被用來預(yù)測未來時(shí)間序列分析7/26/202214時(shí)間序列的模式趨勢.循環(huán) 季節(jié)性隨機(jī)變化7/26/202215符號令 D1, D2, , Dt, , 作為每一個(gè)時(shí)期1, 2, , t, .的需求預(yù)測Dt, 假設(shè)已知 D1, ,Dt-1Ft : 根據(jù)1, ,Dt-1 的預(yù)測值 一步預(yù)測事實(shí)上，我們需要得到系數(shù)7/26/202216如何評價(jià)預(yù)測？一步預(yù)測多步預(yù)測其中， Ft

5、-,t 是提前 個(gè)時(shí)期預(yù)測t 時(shí)刻的值三種常見評價(jià)量MAD: 絕對平均差MSE: 方差MAPE: 絕對平均相對百分差7/26/202217理想, E(ei)=0.預(yù)測誤差 ei 在0的上下浮動如何評價(jià)預(yù)測7/26/202218穩(wěn)定的時(shí)間序列預(yù)測法穩(wěn)定的時(shí)間序列: 每一階段的值可表示為其中， = 所有序列的平均值 = 隨機(jī)量，且期望與方差分別為 0與2.方法移動平均指數(shù)平滑7/26/202219簡化計(jì)算，基于Ft 求Ft+1 穩(wěn)定的時(shí)間序列預(yù)測法下一個(gè)階段的預(yù)測值是已過去階段的平均值7/26/202220預(yù)測值穩(wěn)定的時(shí)間序列預(yù)測法7/26/202221指數(shù)平滑其中， 01 是平滑系數(shù)第t個(gè)時(shí)期的

6、預(yù)測值是過去一個(gè)時(shí)期的預(yù)測值減去預(yù)測誤差7/26/202222指數(shù)平滑7/26/202223例: Central Call Center（呼叫中心）DayCallsDayCalls1159720322178195318691884161101685173111986157121597/26/202224例: 呼叫中心移動平均AP = 3 F13 = (168 + 198 + 159)/3 = 175.0 calls7/26/202225例: Central Call Center（呼叫中心）帶權(quán)移動平均 F13 = .1(168) + .3(198) + .6(159) = 171.6 cal

7、ls7/26/202226例: Central Call Center（呼叫中心）指數(shù)平滑F(xiàn)12 = 180.76 + .25(198 180.76) = 185.07F13 = 185.07 + .25(159 185.07) = 178.557/26/202227預(yù)測精度 AP = 3 a = .25DayCallsForec.|Error|Forec.|Error|4161187.326.3186.025.05173188.015.0179.86.86157173.316.3178.121.17203163.739.3172.830.28195177.717.3180.414.69188

8、185.03.0184.04.010168195.327.3185.017.011198183.714.3180.817.212159184.725.7185.126.1MAD20.518.07/26/202228例: 計(jì)算機(jī)產(chǎn)品銷售（CPC）.CPC 的分析師想預(yù)測下一個(gè)年度（Epsilon Computers）的銷售銷售狀況. 她相信最近8個(gè)季度的銷售可以代表下一個(gè)年度的銷售情況。7/26/202229歷史數(shù)據(jù)年季度($mil.)年季度($mil.) 117.4218.3126.5227.4134.9235.41416.12418.07/26/202230季節(jié)指數(shù)計(jì)算季節(jié)指數(shù) Season

9、al Indexes季節(jié)指標(biāo)第i季節(jié)平均值/總季節(jié)平均值 季度銷售年Q1Q2Q3Q4總數(shù)17.46.54.916.134.928.37.45.418.039.1 總量15.713.910.334.174.0 季度平均7.856.955.1517.059.25 季節(jié)指數(shù).849.751.5571.8434.0007/26/202231CPC Deseasonalize the Data季節(jié)化=i季實(shí)際銷售/i季指數(shù) 季度銷售年第1季第2季第3季第4季18.728.668.808.7429.789.859.699.777/26/202232CPC線性回歸.線性回歸分析Yr.Qtr.xyx2xy11

10、18.7218.721228.66417.321338.80926.401448.741634.962159.782548.902269.853659.102379.694967.832489.776478.16Totals3674.01204341.397/26/202233CPC對季節(jié)化后的數(shù)據(jù)進(jìn)行線性回歸分析 Y = 8.357 + 0.199X7/26/202234CPC 季節(jié)化數(shù)據(jù)預(yù)測 Y9 = 8.357 + 0.199(9) = 10.148 Y10 = 8.357 + 0.199(10) = 10.347 Y11 = 8.357 + 0.199(11) = 10.546 Y12

11、 = 8.357 + 0.199(12) = 10.7457/26/202235CPC返回去季節(jié)化預(yù)測年 季度指數(shù)季節(jié)后預(yù)測季節(jié)預(yù)測31.84910.1488.6232.75110.3477.7733.55710.5465.87341.84310.74519.807/26/202236例3: 大學(xué)入學(xué)簡單線性回歸學(xué)校過去六年入學(xué)在不斷增長，預(yù)測未來三年的入學(xué)人數(shù)學(xué)生學(xué)生年份 入學(xué)人數(shù)(1000s) 年份 人數(shù)(1000s) 12.543.2 22.853.3 32.963.47/26/202237簡單線性回歸(Contd)系數(shù)的計(jì)算7/26/202238例子：大學(xué)入學(xué)xyx2xy12.512.

12、522.845.632.998.743.21612.853.32516.563.43620.4 Sx=21 Sy=18.1 Sx2=91 Sxy=66.57/26/202239例子：大學(xué)入學(xué) Y = 2.387 + 0.180X7/26/202240例子：大學(xué)入學(xué)簡單回歸Y7 = 2.387 + 0.180(7) = 3.65 or 3,650 students Y8 = 2.387 + 0.180(8) = 3.83 or 3,830 studentsY9 = 2.387 + 0.180(9) = 4.01 or 4,010 studentsNote: 渴望每年增長180個(gè)學(xué)生7/26/20

13、2241例4: Railroad Products Co.一個(gè)鐵路產(chǎn)品的公司想預(yù)測公司下三年的銷售情況。他想知道自已公司的長期銷售情況與運(yùn)貨車箱的車載情況有關(guān)。二者過去7年的歷史數(shù)據(jù)見下個(gè)ppt.已知下三年的車載情況估計(jì)分別為 250, 270, and 300 million.7/26/202242例: Railroad Products Co.(Contd)RPC 銷售車載年($millions)(millions)19.5120211.0135312.0130412.5150514.0170616.0190718.02207/26/202243例: Railroad Products C

14、o.(Contd)xyx2xy1209.514,4001,14013511.018,2251,48513012.016,9001,56015012.522,5001,87517014.028,9002,38019016.036,1003,04022018.048,4003,9601,11593.0185,42515,4407/26/202244例: Railroad Products Co.(Contd) Y = 0.528 + 0.0801X7/26/202245例: Railroad Products Co.(Contd) Y8 = 0.528 + 0.0801(250) = $20.55

15、 million Y9 = 0.528 + 0.0801(270) = $22.16 millionY10 = 0.528 + 0.0801(300) = $24.56 million注: 車載每增加一百萬噸，RPC 銷售則希望增加 $80,100 .7/26/202246相關(guān)系數(shù)r, r(x,y)系數(shù)表示了x與y關(guān)系的重要性.r的符號表示關(guān)系的方向.大小表示關(guān)系的強(qiáng)度.r符號常常與b的符號一致.r ： 1, +1.7/26/202247相關(guān)系數(shù)計(jì)算r 可以用下式計(jì)算:7/26/202248決定系數(shù) (r2) r2 比r 對相互關(guān)系的描述得更加細(xì)致.r2 是由 the ratio of exp

16、lained variation to total variation確定的。7/26/202249例：RPCxyx2xyy21209.514,4001,14090.2513511.018,2251,485121.0013012.016,9001,560144.0015012.522,5001,875156.2517014.028,9002,380196.0019016.036,1003,040256.0022018.048,4003,960324.001,11593.0185,42515,4401,287.507/26/202250例：RPC相關(guān)系數(shù) r = .98297/26/202251

17、例：RPC決定系數(shù)Coefficient of Determination r2 = (.9829)2 = .966這說明96.6% 關(guān)于 RPC sales銷售狀況的變化可以由車載情況來描述.7/26/202252多回歸分析7/26/202253多回歸分析當(dāng)有兩個(gè)或更多的獨(dú)立自變量時(shí)，多回歸分析則特別有用.例如 Y = 50.0 + 0.05X1 + 0.10X2 0.03X3其中: Y = 公司的年收入 X1 = 工業(yè)銷售 X2 = 地方稅收總數(shù) X3 = 地方債務(wù)7/26/202254區(qū)間預(yù)測7/26/202255區(qū)間預(yù)測單（點(diǎn)）預(yù)測會產(chǎn)生錯(cuò)誤面對不確定性，一個(gè)較好的方法是預(yù)測一個(gè)最好的

18、區(qū)間值，而真實(shí)的數(shù)據(jù)往往會落入這個(gè)區(qū)間.預(yù)測范圍是有置信區(qū)間的上下界來確定7/26/202256Ranging Forecasts預(yù)測的上下界可以估計(jì)為: 上界 = Y + t(syx) 下界 = Y - t(syx)這里: Y = 最優(yōu)的估計(jì)預(yù)測 t = 標(biāo)準(zhǔn)方差 syx = 預(yù)測的標(biāo)準(zhǔn)方差7/26/202257區(qū)間預(yù)測標(biāo)準(zhǔn)方差:7/26/202258例：RPC通過線性回歸得到 RPC 第八年的銷售值為 $20.55 million. 設(shè)置一個(gè)區(qū)間，使得產(chǎn)量落到這個(gè)區(qū)間之外的概率的為5%.7/26/202259例：RPC步驟1, 協(xié)方差步驟2 確定t的適當(dāng)值. n = 7, 自由度 = n 2 = 5. .05/2 = .025查表可得 t = 2.