1、如對你有幫助，請購買下載打賞，謝謝！需求預測方法常用的物資需求預測方法主要包括基于時間序列模型的移動平均預測法、指數平滑預測法、趨勢外推預測法等；基于因果分析模型的回歸分析預測法，基于統計學習理論以及結構 風險最小原理的支持向量機預測方法，基于人工智能技術的人工神經網絡算法。歸納如圖1：圖1 :物資需求預測方法一、 時間序列法1. 定義：將預測對象按照時間順序排列起來，構成一個所謂的時間序列，從所構成的這一組時間序列過去的變化規律，推斷今后變化的可能性及變化趨勢、變化規律，就是時間序列預測法。2. 概況：時間序列法主要考慮以下變動因素：趨勢變動，季節變動，循環變動，不規則變動。若以，表示時間序

2、列的季節因素，長期趨勢波動、季節性變動、不規則變動則實際觀測值與它們之間的關系常用模型有加法模型：Xt =TtStIt乘法模型：xt =Tt St Ita)心二St譏h混合模型：b)人=S (Tt Tt)時間序列預測一般反映三種實際變化規律：趨勢變化、周期性變化、隨機性變化。3. 時間序列常用分析方法：移動平均法、指數平滑法、季節變動法等(1 )移動平均法 簡單移動平均法：將一個時間段的數據取平均值作為最新時間的預測值。該時間段根據要求取最近的。例如：5個月的需求量分別是 10, 12, 32 , 12, 38。預測第6個月的需求量。可以選擇使用3個月的數據作為依據。那么第6個月的預測量 Q

3、。 加權移動平均法：將每個時段里的每組數根據時間遠近賦上權重。例如：上個例子，3個月的數據，可以按照遠近分別賦權重 0.2,0.3,0.5。那么第6個月的預測量 Q=(只是在簡單移動平均的基礎上考慮了不同時段影響的權重不同，簡單移動平均默認權重=1.)(2 )指數平滑法基本思想：預測值是以前觀測值的加權和，且對不同的數據給予不同的權數，新數據給予較大的權數，舊數據給予較小的權數。指數平滑法的通用算法：指數平滑法的基本公式：St=aYt+（1-a）St-1式中，St-時間t的平滑值；Yt-時間t的實際值；St-1-時間t-1的平滑值；a-平滑常數，其取值范圍為0,1具體方法：一次指數平滑、二次指

4、數平滑、三次指數平滑。方法的選取：指數平滑方法的選用， 一般可根據原數列呈現的趨勢來確定。 當時間數列無明 顯的趨勢變化，可用一次指數平滑預測。如呈現直線趨勢，選用二次指數平滑法； 若實際數 據序列呈非線性遞增趨勢，采用三次指數平滑預測方法。如呈現拋物線趨勢，選用三次指數 平滑法。或者，當時間序列的數據經二次指數平滑處理后，仍有時，應用三次指數平滑法。（3）季節變動法根據季節變動特征分為：水平型季節變動和長期趨勢季節變動水平型季節變動：是指時間序列中各項數值的變化是圍繞某一個水平值上下周期性的波動。若時間序列呈水平型季節變動，則意味著時間序列中不存在明顯的長期趨勢變動而僅有季節變動和不規則變動

5、。季節指數=各年同季（月）平均數/總平均數季節變差=各年同季（月）平均數 -總平均數長期趨勢季節變動：是指時間序列中各項數值一方面隨時間變化呈現季節性周期變化，另一方面隨著時間變化而呈現上升（或下降）的變化趨勢。季節指數=各年同季（月）平均數/趨勢值季節變差=各年同季（月）平均數 趨勢值季節變動預測的方法很多，應用時應根據季節變動的類型選擇適應的預測方法若時間序列呈長期趨勢季節變動，貝憶味著時間序列中不僅有季節變動、不規則變動，而且還包含有長期趨勢變動。（4）趨勢外推法趨勢外推預測法是一種通過邏輯推理分析，以期達到預測效果的預測方法。其主要以事物發展的規律性為假設前提，即認為只要能夠正確地了解

6、并且掌握事物歷史及現有的發展狀 態，就能夠遵循其發展規律來預測事物的未來發展趨勢。趨勢外推預測方法是一種探索型的預測方法，其主要適用于預測那些時間序列隨著單位時間的增加或者減少，出現變化大致相同的長期需求預測。4. 時間序列建模時間序列是同類型指標值按時間順序排列而形成的數列。很多行業特別是金融行業會產生大量的時間序列， 如經濟數據、股市數據等。要從這些數據中得到有用的數據，需要采用數據挖掘的技術，而建模是影響數據挖掘效果的一個重要因素，對于時間序列數據而言更是如此。以下是時間序列建模的常用方法。典型的時間序列模型有 ARMA，HMM等基于模型的表示方法。1. 隱 Markov 模型（HMM

7、） （matlab 求解）隱馬爾可夫模型（Hidden Markov Model，HMM ）是統計模型，它用來描述一個含有隱含未知參數的馬爾可夫過程。其難點是從可觀察的參數中確定該過程的隱含參數。然后利用這些參數來作進一步的分析，例如模式識別。HMM是一種不完全數據的統計模型，這種模型既能反映對象的隨機性，又能反映對象的潛在結構， 便于利用對象的結構與局部聯系性質等方面的知識，以及對研究對象的直觀與先驗的了解。HMM理論的主要內容包括 3個基本問題及其算法：*1評估問題：前向*2解碼問題： Viterbi算法*3學習問題： Baum-Welch算法（向前向后算法）12. 自回移動平局模型（ARMA）（可以用SPSS和matlab求解）ARMA用于對平穩時間序列的建模，是一類基于自相關的時間序列分析模型。ARMA模型是AR模型和MA模型的綜合，描述了系統對過去自身狀態的記憶和系統對過去時刻進 入系統的噪聲的記憶。近年來，許多成果將ARMA模型與時間序列挖掘方法相結合，用于研究時間序列的預測、分類、聚類以及相似查找等。ARMA模型的基本思想是， 時間序列數據的當前值 X,不僅受當前干擾的影響， 還與歷 史數據以及歷史