Research into Demand Planning

crazybugcn

下面我们就集中探讨时间序列模型吧，今天先开个头，呵呵，晚上要忙于看世界杯呢。

时间序列预测模型力求以历史数据作为基础来预测未来。中国人说的，历史是一面镜子果然是真理啊，以史

为鉴------牛。

两个非常简单的例子是，如：
例子1：过去6周期的销量可以用来预测第七个周期的的销量，这里的周期可能是day, week, month, year。
例子2：过去几年内每季度的销量可以用于预测未来某个季度的销量。

虽然以上两个例子都与销售量有关，但是在预测的时候会考虑不同的趋势性因素，季节性因素等各种因素，

可能选用的是不同的时间序列模型。

当然，企业选用哪种预测模型，取决于：
1. 预测的时间范围（短期，中期，长期）
2. 能否获得相关数据
3. 所需的预测精度
4. 预测预算的规模
5. 是否有合格的预测人员

基于以上考虑，如果大家有兴趣，我们就集中精力讨论以下时间序列分析预测方法，并指出它的适应条件和优缺点：
1. 简单移动平均
2. 加权移动平均
3. 指数平滑
4. 线性回归分析

至于霍特(Holt)指数平滑和温特(Winter)指数平滑以及时间序列分解等等就看时间的安排了。

当然，其中也会讨论平均绝对偏差和跟踪信号的问题。

（待续。。。）

alancehu

预测一直是困扰我的问题，好好学习学习。
楼主能否，用具体的例子来对比各个算法之间的差异呢？

支持、等待楼主

crazybugcn

呵呵，真是同情昨晚的世界杯1/8决赛中的瑞典啊，上场12分钟之内就被东道主德国队的波多尔斯基打了两记闷棍，瑞典队可谓是一蹶不振啊。

更可喜的是，阿根廷也挺进八强了哦，全胜啊。可喜可贺。

言归正传。。。。

所谓的时间序列分析是假定需求按照特定的模式发生变化，因此，预测方法的任务是从观察到的历史数据中估计这一模式，然后通过科学估计出来的模型来预测未来。这些方法的优点在于他们只需要以往的需求数据的观察值。下面就说说时间序列分析中的最常用的模型，下一贴再介绍时间序列预测方法。

1. 水平模型(Level Model)：特定时期 t 内的需求Xt由水平项 a 和随机项 Ut 组成，既然 Ut 是随机项，是无法用预测方法估计出来的，具体公式可这样表达：
Xt = a + Ut

2. 趋势模型(Trend Model)：在水平模型中加入线性趋势项 B，可如下表达公式：
Xt = a + Bt + Ut

3. 季节模型(Seasonal Model)：该模型假定每 t 周期内重复一次固定的模型，考虑到周期波动浮动的大小不同，我们可以考虑应用加法或乘法关系：
加法模型：Xt = (a + Bt) + Ct + Ut
乘法模型：Xt = (a + Bt) * Ct + Ut
请注意，这里的Ct是季节系数。

非常希望用图表分析来分析以上的模型，给大家提供直观的图表解说，但是本论坛好像不可以编辑图片信息，只能说遗憾和抱歉了。遗憾的是没有图片编辑功能，抱歉的是可能纯粹的文字说明可能并不能把问题阐述的非常清晰，可能会有让大家费解的地方。

下一贴将和大家探讨时间序列中的移动平均法。

（待续。。。）

crazybugcn

如前所述，时间序列预测基于一种假设，即未来就是过去的一种延续，因此可以用历史数据来预测将来的需求。在时间序列分析上，用的最多的莫过于简单移动平均法、加权移动平均法和指数平滑法。

所以下面我们就谈谈简单移动平均法和加权移动平均法。

1. 简单移动平均法：

我不想纯粹的用数学公式来表达它，而是希望用非常简单的话语来描述他的含义。（很多人非常喜欢一上来就用西格马等表达方式来一长串公式，里面有一堆参数，包括n, t, t - n -1等等，怪吓人的 ，其实可能只是一个非常浅显的东西，为什么不用简单易懂的话来描述问题呢？！~）

从“平均”这个词语中，我想大家都能理解一件事情，这种方法肯定适用于水平需求的项目，即一段时期内需求稳定型的情况，它不适用用于处理随时间变化而需求快速变化的情形。

表达式如下：
    预测值 = 历史需求的平均值。当然，这个历史需求是移动的，比如你可以采用6个周期的平均值进行计算，如，利用1-6月的计算第7月的预测值，利用2-7月的计算8月的预测值，以此类推。。。
如果你非要用所有的历史来计算预测值，也无可厚非，你当然有权利根据需要确定计算方法。

即预测值通过平均过去n个需求观察值来计算。

可见，简单移动平均法非常的简单易懂。

依据简单统计学的原理，预测准确性随着所涉及的时间序列长度的增长而提高，因为随机偏差的权重小。

但是如果水平值随着时间变化，这一预测将不再适用。可见他的缺点是不能对变化做出快速反馈。

举例说明：
某产品在某地的历史需求如下（单位是Case）：
1月需求是1800
2月需求是1860
3月需求是2000
4月需求是1900
5月需求是1840
6月需求是1960

那么，我们预测是：
7月份预测值 = （1800 + 1960 + 2000 + 1900 + 1840 + 1960）/ 6  = 1910
当第7月结束的时候，我们也能得到7月的真实需求，比如如果第7月的需求为1930，那么
8月的预测值= （1960 + 2000 + 1900 + 1840 + 1960 + 1930）/ 6 = 1932

2. 加权移动平均法：
。。。
。。。
。。。
。。。
It's time to watch FIFA world cup.

哈哈，得小憩一回儿了，等下还要看英格兰和厄瓜多尔的1/8决赛呢，否则明天上班会没精神的啊。

明天有时间继续聊加权移动平均法。

（待续。。。）

alancehu

LZH辛苦了！

dreamaway

楼主辛苦了! 能用通俗易懂的语言描述出来这些复杂的公式算法, 高, 正好我高数不好, 学习中....

niuerniuer

很强嘛，^_^

kevinlok023

另外，只用简单的数学公式很难准确实现实际上的预测

alancehu

最初由 kevinlok023 发布
[B]另外，只用简单的数学公式很难准确实现实际上的预测 [/B]

还需要考虑其他什么因素
能否详谈

crazybugcn

我想没有任何公司的产品会宣称能利用数学模型就能“准确“的实现预测，包括SAP, Oracle, I2, Manugistics等等SCM生产商。

正如我之前说到的，绝对理想的预测通常是不存在的，换句话说，预测总是“错误”的，商业环境中存在太多的无法确切预测的因素。

但是请记住，不断的进行评估和利用一系列的新数据不断的进行更新预测才是关键。

比如，需要根据促销进行调整，根据事件（罢工，地震，海啸等等）进行调整，针对间断的或零星的需求的调整等等。