需求預(yù)測(cè)方法

1、需求展望方法常用的物質(zhì)需求展望方法主要包含鑒于時(shí)間序列模型的挪動(dòng)平均展望法、指數(shù)圓滑展望法、趨向外推展望法等;鑒于因果分析模型的回歸分析展望法，鑒于統(tǒng)計(jì)學(xué)習(xí)理論以及構(gòu)造風(fēng)險(xiǎn)最小原理的支持向量機(jī)展望方法，鑒于人工智能技術(shù)的人工神經(jīng)網(wǎng)絡(luò)算法。概括如圖1：圖1：物質(zhì)需求展望方法一、時(shí)間序列法定義：將展望對(duì)象依據(jù)時(shí)間次序擺列起來(lái)，構(gòu)成一個(gè)所謂的時(shí)間序列，從所構(gòu)成的這一組時(shí)間序列過(guò)去的變化規(guī)律，推測(cè)此后變化的可能性及變化趨向、變化規(guī)律，就是時(shí)間序列展望法。大體：時(shí)間序列法主要考慮以下改動(dòng)要素：趨向改動(dòng)，季節(jié)改動(dòng)，循環(huán)改動(dòng)，不規(guī)則改動(dòng)。若以?，?，?，?表示時(shí)間序列的季節(jié)要素?，長(zhǎng)久趨向顛簸、?季節(jié)性改動(dòng)

2、、不規(guī)則改動(dòng)則實(shí)質(zhì)察看值與它們之間的關(guān)系常用模型有加法模型：xtTtStIt乘法模型：xtTtStIt混淆模型：a)xtStTtItb)xtSt(TtIt)時(shí)間序列展望一般反應(yīng)三種實(shí)質(zhì)變化規(guī)律：趨向變化、周期性變化、隨機(jī)性變化。時(shí)間序列常用分析方法：挪動(dòng)均勻法、指數(shù)圓滑法、季節(jié)改動(dòng)法等1）挪動(dòng)均勻法簡(jiǎn)單挪動(dòng)均勻法：將一個(gè)時(shí)間段的數(shù)據(jù)取均勻值作為最新時(shí)間的預(yù)測(cè)值。該時(shí)間段依據(jù)要求取近來(lái)的。比方：5個(gè)月的需求量分別是10，12，32，12，38。展望第6個(gè)月的需求量。能夠選擇使用3個(gè)月的數(shù)據(jù)作為依據(jù)。那么第32+12+38=27。6個(gè)月的展望量Q=3加權(quán)挪動(dòng)均勻法：將每個(gè)時(shí)段里的每組數(shù)依據(jù)時(shí)間遠(yuǎn)近

3、賦上權(quán)重。比方：上個(gè)例子，3個(gè)月的數(shù)據(jù)，能夠依據(jù)遠(yuǎn)近分別賦權(quán)重，。那么第6個(gè)月的展望量Q=0.232+0.312+0.538=29（但是在簡(jiǎn)單挪動(dòng)均勻的基礎(chǔ)上考慮了不同樣時(shí)段影響的權(quán)重不同樣，簡(jiǎn)單挪動(dòng)均勻默認(rèn)權(quán)重=1.）2）指數(shù)圓滑法基本思想：展望值是從前察看值的加權(quán)和，且對(duì)不同樣的數(shù)據(jù)賞賜不同樣的權(quán)數(shù)，新數(shù)據(jù)賞賜較大的權(quán)數(shù)，舊數(shù)據(jù)賞賜較小的權(quán)數(shù)。指數(shù)圓滑法的通用算法：指數(shù)圓滑法的基本公式：St=aYt+(1-a)St-1式中，St-時(shí)間t的圓滑值；Yt-時(shí)間t的實(shí)質(zhì)值；St-1-時(shí)間t-1的圓滑值；a-圓滑常數(shù)，其取值范圍為0,1詳細(xì)方法：一次指數(shù)圓滑、二次指數(shù)圓滑、三次指數(shù)圓滑。方法的采納

4、：指數(shù)圓滑方法的采納，一般可依據(jù)原數(shù)列表現(xiàn)的趨向來(lái)確立。當(dāng)時(shí)間數(shù)列無(wú)顯然的趨向變化，可用一次指數(shù)圓滑展望。如表現(xiàn)直線趨向，采納二次指數(shù)圓滑法；若實(shí)質(zhì)數(shù)據(jù)序列呈非線性遞加趨向，采納三次指數(shù)圓滑展望方法。如表現(xiàn)拋物線趨向，采納三次指數(shù)圓滑法?；蛟S，當(dāng)時(shí)間序列的數(shù)據(jù)經(jīng)二次指數(shù)圓滑辦理后，仍有時(shí)，應(yīng)用三次指數(shù)圓滑法。3）季節(jié)改動(dòng)法依據(jù)季節(jié)改動(dòng)特色分為：水平型季節(jié)改動(dòng)和長(zhǎng)久趨向季節(jié)改動(dòng)水平型季節(jié)改動(dòng):是指時(shí)間序列中各項(xiàng)數(shù)值的變化是環(huán)繞某一個(gè)水平值上下周期性的顛簸。若時(shí)間序列呈水平型季節(jié)改動(dòng)，則意味著時(shí)間序列中不存在顯然的長(zhǎng)久趨向改動(dòng)而僅有季節(jié)改動(dòng)和不規(guī)則改動(dòng)。季節(jié)指數(shù)=各年同季（月）均勻數(shù)/總均勻數(shù)季節(jié)

5、變差=各年同季（月）均勻數(shù)總均勻數(shù)長(zhǎng)久趨向季節(jié)改動(dòng):是指時(shí)間序列中各項(xiàng)數(shù)值一方面隨時(shí)間變化表現(xiàn)季節(jié)性周期變化，另一方面跟著時(shí)間變化而表現(xiàn)上漲(或降落)的變化趨向。季節(jié)指數(shù)=各年同季（月）均勻數(shù)/趨向值季節(jié)變差=各年同季（月）均勻數(shù)?趨向值季節(jié)改動(dòng)展望的方法好多，應(yīng)用時(shí)應(yīng)依據(jù)季節(jié)改動(dòng)的種類選擇適應(yīng)的展望方法若時(shí)間序列呈長(zhǎng)久趨向季節(jié)改動(dòng)，則意味著時(shí)間序列中不只有季節(jié)改動(dòng)、不規(guī)則改動(dòng)，并且還包含有長(zhǎng)久趨向改動(dòng)。（4）趨向外推法趨向外推展望法是一種經(jīng)過(guò)邏輯推理分析,以期達(dá)到展望見(jiàn)效的展望方法。其主要以事物發(fā)展的規(guī)律性為假定前提,即以為只需能夠正確地認(rèn)識(shí)并且掌握事物歷史及現(xiàn)有的發(fā)展?fàn)顟B(tài),便能夠依據(jù)其發(fā)展

6、規(guī)律來(lái)展望事物的將來(lái)發(fā)展趨向。趨向外推展望方法是一種研究型的展望方法,其主要合用于展望那些時(shí)間序列跟著單位時(shí)間的增添或許減少,出現(xiàn)變化大概同樣的長(zhǎng)久需求展望。時(shí)間序列建模時(shí)間序列是同種類指標(biāo)值準(zhǔn)時(shí)間次序擺列而形成的數(shù)列。好多行業(yè)特別是金融行業(yè)會(huì)產(chǎn)生大批的時(shí)間序列，如經(jīng)濟(jì)數(shù)據(jù)、股市數(shù)據(jù)等。要從這些數(shù)據(jù)中獲取合用的數(shù)據(jù)，需要采納數(shù)據(jù)發(fā)掘的技術(shù)，而建模是影響數(shù)據(jù)發(fā)掘見(jiàn)效的一個(gè)重要要素，關(guān)于時(shí)間序列數(shù)據(jù)而言更是這樣。以下是時(shí)間序列建模的常用方法。典型的時(shí)間序列模型有ARMA，HMM等鑒于模型的表示方法。1.隱Markov模型（HMM）(matlab求解)隱馬爾可夫模型（HiddenMarkovMode

7、l，HMM）是統(tǒng)計(jì)模型，它用來(lái)描繪一個(gè)含有隱含未知參數(shù)的馬爾可夫過(guò)程。其難點(diǎn)是從可察看的參數(shù)中確立該過(guò)程的隱含參數(shù)。此后利用這些參數(shù)來(lái)作進(jìn)一步的分析，比方模式鑒識(shí)。HMM是一種不完滿數(shù)據(jù)的統(tǒng)計(jì)模型，這類模型既能反應(yīng)對(duì)象的隨機(jī)性，又能反應(yīng)對(duì)象的暗藏構(gòu)造，便于利用對(duì)象的結(jié)構(gòu)與局部聯(lián)系性質(zhì)等方面的知識(shí)，以及對(duì)研究對(duì)象的直觀與先驗(yàn)的認(rèn)識(shí)。HMM理論的主要內(nèi)容包含3個(gè)基本問(wèn)題及其算法：*1評(píng)估問(wèn)題：前向*2解碼問(wèn)題：Viterbi算法*3學(xué)習(xí)問(wèn)題：Baum-Welch算法(向前向后算法)1自回挪動(dòng)平手模型（ARMA）（能夠用SPSS和matlab求解）ARMA用于對(duì)安穩(wěn)時(shí)間序列的建模，是一類鑒于自有關(guān)的

8、時(shí)間序列分析模型。ARMA模型是AR模型和MA模型的綜合，描繪了系統(tǒng)對(duì)過(guò)去自己狀態(tài)的記憶和系統(tǒng)對(duì)過(guò)去時(shí)辰進(jìn)入系統(tǒng)的噪聲的記憶。近來(lái)幾年來(lái)，好多成就將ARMA模型與時(shí)間序列發(fā)掘方法相聯(lián)合，用于研究時(shí)間序列的展望、分類、聚類以及相像查找等。ARMA模型的基本思想是，時(shí)間序列數(shù)據(jù)的目前值x，不只受目前攪亂的影響，還與歷史數(shù)據(jù)以及歷史攪亂親密有關(guān)。一旦時(shí)間序列的這類自有關(guān)性能夠被定量確立，便能夠?qū)ζ浣⑦m合的ARMA模型。綜上所述，沒(méi)有一個(gè)模型能廣泛合用于不同樣的應(yīng)用，實(shí)質(zhì)中的時(shí)間序列建模方法都是與特定應(yīng)用有關(guān)的，因?yàn)閼?yīng)用的關(guān)注角度不同樣，實(shí)質(zhì)的時(shí)間建模方法也有顯著的差別。二、因果分析法定義：是依據(jù)事

9、物之間的因果關(guān)系來(lái)事物的發(fā)展和變化，經(jīng)過(guò)對(duì)需求展望目標(biāo)有直接或間接影響要素的分析找出其變化的規(guī)律，并依據(jù)這類變化規(guī)律來(lái)確立展望值。因果關(guān)系模型用于研究不同樣變量之間的有關(guān)關(guān)系，用一個(gè)或多個(gè)自變量（多括時(shí)間）的變化來(lái)描繪因變量的變化。因果關(guān)系模型與時(shí)間序列模型不同樣：它不只能夠從事短期展望，并且還能夠夠從事中、長(zhǎng)久展望，也能夠展望宏觀、中觀、微觀問(wèn)題。因果關(guān)系模型包含：回歸分析、經(jīng)濟(jì)計(jì)量模型、投入產(chǎn)出模型、灰色系統(tǒng)模型、系統(tǒng)動(dòng)力學(xué)等。回歸分析方法回歸分析展望法是鑒于因果分析的展望方法,其主要經(jīng)過(guò)分析與展望事物有關(guān)的現(xiàn)象的變化趨向,從因果關(guān)系出發(fā),研究展望事物及其有關(guān)影響因子間的相互聯(lián)系,經(jīng)過(guò)回歸

10、方程的建立,來(lái)展望將來(lái)需求。依據(jù)回歸模型中自變量的多少,回歸分析展望模型能夠區(qū)分為一元以及二元回歸模型兩大類。一元回歸展望模型一元回歸展望模型是指經(jīng)過(guò)采納最小二乘法,找尋獨(dú)一自變量與因變量之間經(jīng)驗(yàn)公式的展望方法。其第一需要確立獨(dú)一自變量,即找出影響展望目標(biāo)的重點(diǎn)要素,此后經(jīng)過(guò)最小二乘法求出回歸方程系數(shù),最后還需進(jìn)行顯著性查驗(yàn),即對(duì)回歸方程中自變量與因變量的親密程度進(jìn)行查驗(yàn)。多元回歸展望模型一元回歸展望模型是影響要素經(jīng)過(guò)重點(diǎn)影響要素作為獨(dú)一自變量來(lái)解說(shuō)因變量的變化的展望方法,但在實(shí)質(zhì)狀況中,以致因變量變化的要素可能波及多個(gè),這就需要引入多元回歸展望模型來(lái)達(dá)成展望的實(shí)現(xiàn)了,經(jīng)過(guò)引用若干個(gè)影響因子作

11、為自變量來(lái)解說(shuō)因變量的變化趨向。固然,多元回歸的原理與一元回歸模型沒(méi)有差別,但是在計(jì)算上卻更加復(fù)雜,不只需要考慮全部自變量與因變量之間的有關(guān)性查驗(yàn),還需要研究自有關(guān)、偏有關(guān)、多變量共有關(guān)等問(wèn)題。經(jīng)濟(jì)計(jì)量法經(jīng)濟(jì)計(jì)量法是經(jīng)濟(jì)分析與數(shù)學(xué)方法相聯(lián)合的一種展望方法。平常將描繪展望對(duì)象有關(guān)主要變量互有關(guān)系的一組聯(lián)立方程式稱為經(jīng)濟(jì)計(jì)量模型。特色：經(jīng)濟(jì)系統(tǒng)，而不是單個(gè)經(jīng)濟(jì)活動(dòng)；相互依存、互為因果，而不是單向因果關(guān)系；必然用一組方程才能描繪清楚。經(jīng)濟(jì)計(jì)量模型的方程形式：?jiǎn)畏匠逃?jì)量經(jīng)濟(jì)學(xué)模型，是用單調(diào)方程描繪某一經(jīng)濟(jì)變量與影響該變量變化的諸要素之間的數(shù)目關(guān)系。它合用于單調(diào)經(jīng)濟(jì)現(xiàn)象的研究，揭示此中的單向因果關(guān)系。聯(lián)

12、立方程模型則用多個(gè)方程描繪經(jīng)濟(jì)系統(tǒng)中諸要素之間的數(shù)目關(guān)系。它合用于復(fù)雜經(jīng)濟(jì)現(xiàn)象的研究，在復(fù)雜的經(jīng)濟(jì)現(xiàn)象中，諸要素之間是相互依存、互為因果的。單調(diào)方程式：比方：Y=X1+X2+X3聯(lián)立方程式：比方：Y1=X1;Y2=Y1+X2+X3;Y3=Y2+X2投入產(chǎn)出分析法投入產(chǎn)出分析法是反應(yīng)經(jīng)濟(jì)系統(tǒng)各部分（如各部門、行業(yè)、產(chǎn)品）之間的投入與產(chǎn)出間的數(shù)目依存關(guān)系，并用于經(jīng)濟(jì)分析、政策模擬、經(jīng)濟(jì)展望、計(jì)劃制定和經(jīng)濟(jì)控制等的數(shù)學(xué)分析方法。它是經(jīng)濟(jì)學(xué)與數(shù)學(xué)相聯(lián)合的產(chǎn)物，屬交叉科學(xué)。在采集資料確立本期公司投入產(chǎn)出均衡表基礎(chǔ)上，能夠計(jì)算出各種耗費(fèi)系數(shù)。假定公司設(shè)施和技術(shù)條件不變的條件下，便能夠依據(jù)投入產(chǎn)出表建立的綜

13、合均衡模型進(jìn)行展望應(yīng)用，為計(jì)劃管理、生產(chǎn)安排供給信息依據(jù)。常有的有以下兩種應(yīng)用：a)已知計(jì)劃期內(nèi)各樣自產(chǎn)產(chǎn)品總產(chǎn)量列向量X，求最后產(chǎn)品量列向量Y，以及為保證計(jì)劃達(dá)成所必然準(zhǔn)備的各樣外購(gòu)資源耗費(fèi)總量的矩陣H。已知計(jì)劃期內(nèi)最后產(chǎn)品計(jì)劃任務(wù)矩陣Y，計(jì)算計(jì)劃期內(nèi)各產(chǎn)品的總產(chǎn)量列向量X，以及保證計(jì)劃達(dá)成所必然供給的各樣外購(gòu)資源H矩陣?；疑雇Ｐ投x：灰色系統(tǒng)是指有關(guān)于必然的認(rèn)識(shí)層次，系統(tǒng)內(nèi)部的信息部分已知，部分未知，即信息不完滿，半開(kāi)放半關(guān)閉的?；疑雇菍?duì)灰色系統(tǒng)進(jìn)行的展望，其特色是展望模型不是獨(dú)一的；一般展望到一個(gè)區(qū)間，而不是一個(gè)點(diǎn)；展望區(qū)間的大小與展望精度成反比，而與展望成功率成正比。平?；疑?/p>

14、望所用的模型為GM（1,1），該模型鑒于隨機(jī)的原始時(shí)間序列，經(jīng)累加生成新的時(shí)間序列，此中所表現(xiàn)的規(guī)律用一階線性微分方程的解來(lái)迫近，進(jìn)而獲取展望方程。合用于：中長(zhǎng)久展望。應(yīng)用：在展望應(yīng)用上，如氣象預(yù)告、地震預(yù)告、病蟲害預(yù)告等，國(guó)內(nèi)學(xué)者做出了好多有利的研究。優(yōu)勢(shì)：所需樣本少，樣本不需要有規(guī)律性散布，更能動(dòng)向地反應(yīng)系統(tǒng)最新的特色，這其實(shí)是一種動(dòng)向展望模型。展望正確度高。支持向量機(jī)展望模型支持向量機(jī)(SVM)方法是一種小樣本的機(jī)器學(xué)習(xí)算法,其是在統(tǒng)計(jì)學(xué)習(xí)理論以及構(gòu)造風(fēng)險(xiǎn)最小原則的基礎(chǔ)上商討所得的一種算法。經(jīng)過(guò)對(duì)有限樣本信息的分析研究,在模型復(fù)雜性(針對(duì)特定訓(xùn)練樣本的學(xué)習(xí)精度)以及學(xué)習(xí)能力(正確鑒識(shí)樣本

15、的能力)之間追求一個(gè)最正確均衡點(diǎn),以獲取最正確的實(shí)行能力。其核心思想是經(jīng)過(guò)非線性變換將輸入空間變換到一個(gè)高維空間,此后在新空間中求取最好的線性分類面,非線性變換的達(dá)成主假如依賴正確立義適合的內(nèi)積函數(shù),其最優(yōu)分別超平面,如圖2所示。圖2：最優(yōu)分別超平面支持向量機(jī)算法長(zhǎng)處好多,包含計(jì)算便利、通用性強(qiáng)等。但其也存在必然的缺點(diǎn),即沒(méi)法對(duì)大規(guī)模訓(xùn)練樣本實(shí)行運(yùn)算,因?yàn)橹С窒蛄繖C(jī)算法是經(jīng)過(guò)二次規(guī)劃來(lái)進(jìn)行求解的,二次規(guī)劃求解過(guò)程中要波及多階矩陣的計(jì)算問(wèn)題,當(dāng)階數(shù)過(guò)大的條件下,將會(huì)在很大程度上耗費(fèi)計(jì)算機(jī)的儲(chǔ)蓄空間且增添機(jī)器的運(yùn)算時(shí)間。（4）BP神經(jīng)網(wǎng)絡(luò)模型BP神經(jīng)網(wǎng)絡(luò)模型?，是目前神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)模型中最具代表性、

16、應(yīng)用最廣泛的模型。BP神經(jīng)網(wǎng)絡(luò)架構(gòu)是由數(shù)層相互連接的神經(jīng)元構(gòu)成，平常包含了輸入層、輸出層及若干隱蔽層，各層包含了若干神經(jīng)元。神經(jīng)網(wǎng)絡(luò)便于依據(jù)學(xué)習(xí)法例，透過(guò)訓(xùn)練以調(diào)整連接鏈加權(quán)值的方式來(lái)達(dá)成目標(biāo)的收斂。所得的神經(jīng)網(wǎng)絡(luò)構(gòu)架構(gòu)造基本形式.BP神經(jīng)網(wǎng)絡(luò)的神經(jīng)采納的傳達(dá)函數(shù)一般都是Sigmoid(S壯曲折)型可微函數(shù)，是嚴(yán)格的遞加函數(shù)，在線性和非線性之間展現(xiàn)出較好的均衡，因此可實(shí)現(xiàn)輸入和輸出間的隨意非線性照耀，合用于中長(zhǎng)久的展望；長(zhǎng)處是迫近見(jiàn)效好，計(jì)算速度快，不需要建立數(shù)學(xué)模型，精度高；理論依據(jù)堅(jiān)固，推導(dǎo)過(guò)程謹(jǐn)慎，所得公式對(duì)稱優(yōu)美，擁有強(qiáng)非線性擬合能力。缺點(diǎn)是沒(méi)法表達(dá)和分析被展望系統(tǒng)的輸入和輸出間的關(guān)系，展望人員沒(méi)法參加展望過(guò)程；收斂速度慢，難以辦理海量數(shù)據(jù)，獲取的網(wǎng)絡(luò)容錯(cuò)能力差，算法不齊備(易墜入局部極小)。三、新產(chǎn)品市場(chǎng)需求展望模型巴斯模型巴斯模型基礎(chǔ)假定及合用條件巴斯模型假定：新產(chǎn)品在市場(chǎng)上擴(kuò)散速度會(huì)遇到兩種方式的影響：一種是大眾流傳媒介，另一種是口碑流傳。巴斯模型的合用條件：（1）公司已經(jīng)引入了新產(chǎn)品或許新技術(shù)，并且已經(jīng)察看到