最新[工学]03-需求预测课件PPT.ppt 49页

'[工学]03-需求预测 一、预测的概念是对未来可能发生的情况的预计和推测。科学性：客观事物发展的惯性；随机现象的统计规律性。第一节预测二、预测的作用1、预测是制定战略的基础。2、预测是制定计划的基础。3、预测是协调各部门工作的依据。4、有助于为尽快满足用户需求做好准备。2 三、预测的分类第一节预测（1）科学预测：是对科学发展情况的预计和推测。（2）技术预测：是对技术进步情况的预计和推测。（3）经济预测：是政府部门以及其它一些社会组织经常就未来的经济发展状况作经济预测报告。（4）需求预测：不仅为企业给出了其产品在未来的一段时间里的需求期望水平，而且为企业的计划和控制决策提供了依据。3 六、预测一般步骤1、决定预测的目的和用途；2、决定影响因素；3、收集分析资料；4、选择预测方法和模型；5、计算并核实预测结果；6、应用预测结果；7、预测监控。第一节预测7 第二节定性预测方法一、德尔菲法(Delghimethod)：专家调查法（1）挑选专家；（2）函询调查：向专家提出问题，要求书面答复；（3）汇集综合整理：将搜集来的专家意见整理；（4）再次函询：将整理的意见反馈给各专家，要求他们修正其预测，并说明修正理由；（5）最终预测：循环3、4步，至3、4轮。优点：匿名性，避免群体压力现象，专家充分发表意见，且最后能统一。缺点：受主观因素影响，专家的选择没有明确的标准，预测结果的可靠性缺乏严格的科学分析，最后趋于一致的意见仍带有随大流的倾向。1、步骤：2、优缺点：8 第二节定性预测方法一、德尔菲法(Delghimethod)：专家调查法3、三条原则：匿名性、反馈性、收敛性。1、部门主管集体讨论法2、用户调查法3、销售人员意见汇集法（略、自学）二、其他方法9 第三节定量预测方法假设：过去存在的变量间关系和相互作用机理，今后仍存在并继续发挥作用。一、时间序列：1、概念：按一定时间间隔和事件发生的先后顺序排列起来的数据构成的序列。10 趋势(T)２　时间序列构成要素时间序列的4个构成要素需求以一定的比率增加或减少的倾向季节性变化(S)在趋势线上下变化以一年为单位反复出现循环因素(C)经过一年以上的长时间变化,需求循环性的上下浮动不规则变化/偶然变化(I)说不出原因的变化,不能预测和控制(例如:战争,地震…)<例1>预测用途与预测技术需求时间序列模型趋势时间季节性变化周期因素不规则变化11 第三节定量预测方法一、时间序列：2、时间序列构成要素：12 一、时间序列：2、时间序列构成要素：1）趋势成分：引起原因（人口的变动，经济的增长，技术的进步，生产力的发展）。T（Trend)2）季节成分：每个年度内成规则性的重复波动形态。起因：季节性的气候变化和风俗习惯。S(Season)3）周期成分：经济成长过程中景气和不景气交替重复发生的波动情况。发展、繁荣、衰退、恢复。诱发因素：社会政治变动、战争、经济形势变化。C(Cycle)4）随机成分：不可控因素引起的，没有规则的上下波动。I（Irregularity)13 二、时间序列平滑模型时间实销平均预测1月A12月A23月A3SMA3SMA34月A4SMA4SMA45月A5SMA5SMA5第三节定量预测方法1、简单移动平均（Simplemovingaverage）简单移动平均值为：可消除由于随机成分的影响而导致的需求偏离平均水平14 第三节定量预测方法月份实际销量（百台）n=3n=412022132342421.3352522.6721.7562724.0023.3372625.3324.7582526.0025.5092626.0025.75102825.6726.00112726.3326.25122927.0026.50预测值同简单移动平均所选的时段长n有关，具有滞后性。n越大，对干扰的敏感性越低，预测的稳定性越好，滞后性越强，响应性就越差。简单移动平均法对数据不分远近，同样对待。为了反映最近的趋势，可采用加权移动平均。15 二、时间序列平滑模型第三节定量预测方法2、加权移动平均（Weightedmovingaverage）加权移动平均值为：为实际需求的权系数。16 第三节定量预测方法月份实际销量（百台）n=3120221323424(0.5×20+1.0×21+1.5×23)/3=21.83525(0.5×21+1.0×23+1.5×24)/3=23.1762724.3372625.8382526.1792625.67102825.67112726.83122927.17若对最近的数据赋予较大的权重，则预测数据与实际数据的差别较简单移动平均法的结果要小。近期数据的权重越大，则预测的稳定性就越差，响应性就越好。可以同时改变n和α。简单移动平均和加权移动平均需要的数据量大，计算量非常大，当产品很多时计算工作繁重。17 3、一次指数平滑法（Singleexponentialsmoothing）一次平滑指数值：二、时间序列平滑模型第三节定量预测方法SFt+1为（t+1）期一次指数平滑预测值；At为t期实际值；α为平滑系数，它表示赋予实际数据的权重（0≤α≤1）可以将上述公式中的SFt依次展开，得到书上65页式3.6，从而将第t+1期的预测值看作前t期实测值的指数形式的加权和。t+1预测值为第t期的实际值和预测值的加权和。18 3、一次指数平滑法（Singleexponentialsmoothing）二、时间序列平滑模型第三节定量预测方法用一次指数平滑法进行预测，当出现趋势时，预测值之虽然可以描述实际值的变化形态，但预测值总是滞后于实际值。当出现趋势时，取较大的α得到的预测值和实际值比较接近。一般来说，α选得小一些，预测稳定性比较好；反之，其响应性就比较好。面对有上升或下降趋势的需求序列时，就要采取二次指数平滑法进行预测。对于出现趋势并有季节性波动的情况，则要用三次指数平滑法。19 三、时间序列分解模型第三节定量预测方法企图从时间序列之中找出各种成分，并在对各种成分单独进行预测的基础上，综合处理各种成分的预测值，以得到最终的预测结果。1、概念2、假设：各种成分单独地作用于实践需求，而且过去和现在起作用的机制持续到未来。实际需求是以上几种因素共同作用的结果。3、模型加法模型：用各成分相乘的方法来求出需求估计值乘法模型：用各成分相乘的方法来求出需求估计值TF＝T·S·C·ITF＝T＋S＋C＋I20 时间序列分解模型-通过分解时序列构成要素(趋势,季节,循环,偶然)来预测需求-实际上要掌握不规则的循环变化和偶然性因素是很困难的因此一般更多的利用分解趋势和季节因素的预测值FITS(forecastincludingtrendandseasonal)-趋势和季节因素的结合形态有加法和乘法季节变化趋势分析法加法季节变化FITS=趋势+季节变化乘法季节变化FITS=趋势*季节变化aYtt01234aYtt0123421 时间序列分解模型<例>某一产品1994年实际需求为400个,从季节看春天90,夏天150,秋天110,冬天50.假设此产品的年平均需求量以10%增长时,利用加法和乘法季节变化,求出1995年各季节需求预测值.实际需求(Yt)春夏秋冬9015011050季节变化幅度90-100=-10150-100=50110-100=1050-100=-50合计400440440季节指数90/100=0.9150/100=1.5110/100=1.150/100=0.5加法变化幅度110-10=100110+50=160110+10=120110-50=60乘法变化幅度110*0.9=99110*1.5=165110*1.1=121110*0.5=5519941995平均季节需求值(1994年)=400/4=100平均季节需求预测值(1995年)=100*（1+10%）=11022 第三节定量预测方法4、有线性趋势、相等季节波动的时间序列分解模型例3.4有某旅游服务点过去3年各季度快餐的销售记录。试预测该公司未来一年各季度的销售量解（1）求趋势直线方程①用表3－6绘出曲线图形；T=0时，a=10000份；t=12时，为12000份；b=(12000-10000)/12=167所以趋势直线方程为：Tt=10000+167t三、时间序列分解模型②计算4个季度的移动平均值，标在图上；③利用目测法，让直线穿过移动平均值，使数据分布在直线两侧；④得到趋势直线方程。23 第三节定量预测方法4、有线性趋势、相等季节波动的时间序列分解模型（2）估计季节系数季节系数：就是实际值At与趋势值Tt的比值的平均值，即At/Tt三、时间序列分解模型At由表3－6可以查到，Tt用趋势直线方程可以计算得到。t123456789101112At/Tt1.161.010.850.991.131.000.821.001.100.950.871.01分别计算夏秋冬春的季节系数，得到SI（夏）＝1.15；SI（秋）＝1.00；SI（冬）＝0.85；SI（春）＝1.00；需要对这些系数进行不断地修正。24 第三节定量预测方法4、有线性趋势、相等季节波动的时间序列分解模型三、时间序列分解模型（3）预测：选择正确的t值和季节系数本例的t值分别为13，14，15，16，对应的季节系数分别为SI（夏）,SI（秋）,SI（冬）,SI（春）夏季：（10000＋167×13）×1.15=13997秋季：（10000＋167×14）×1.00=12338冬季：（10000＋167×15）×0.85=10629春季：（10000＋167×16）×1.00=1267225 四、因果模型：除时间外，其他因素对需求的影响第三节定量预测方法一元回归模型YT为一元线性回归预测值；α为截距,为X为自变量X=0时的预测值；b为斜率；n为变量数；X为自变量的取值；Y为因变量的取值；26 四、因果模型（回归模型、经济计量模型、投入产出模型）第三节定量预测方法衡量一元线性回归方法的偏差，可用两个指标：线性相关系数r和标准差SyxR为正：正相关；为负，负相关。R越接近1，说明实际值与所作出的直线越接近。Syx越小表示预测值与直线的距离接近。27 代入[公式]Y6=19+11*6=85b=nΣtYt-(ΣYt)(Σt)nΣt2-(Σt)2a=ΣYt-b(Σt)n<例>某一产品在过去5年中的需求如下:年度实际需求90919293943040605080年度实际需求(Yt)90919293943040605080为求出a,b值.先做如下表:为计算方便把90年作为期间1期间(t)12345t2tYt14916253080180200400合计1526055890=19=11Yt=a+bt=19+11t因此所求曲线是:1995年为t=6,预测值Y6见EXCEL计算28 年度实际需求89909192939462798694107120JiangSPizza店在过去6年中销售额如下表显出增长趋势.利用最小二乘法求出曲线,并画出趋势图利用曲线推算95年的销售额作业29 Yt=2.2+0.80X作业LL电子为了预测TV的销售额,随机选定10个地区,分析结果如下,人口数(单位:万名)和年销售额(单位:百万)之间成立如下线性回归方程.(1)变量和自变量是什么(2)请预测人口为6万的城市年销售额是多少.30 一、预测精度测量第四节预测监控评价预测精度的指标：平均绝对偏差、平均平方误差、平均预测误差、平均绝对百分误差。1、平均绝对偏差如果预测误差为正态分布，MAD约等于0.8倍的标准偏差，可较好地反映预测精度。预测误差：是指预测值和实际值之间的差异。平均误差：是评价预测精度、计算预测误差的主要指标。式中：At表示时段t的实际值；Ft表示时段t预测值；n是整个预测期内的时段个数（或预测次数）。31 一、预测精度测量第四节预测监控2、平均平方误差3、平均预测误差4、平均绝对百分误差32 二、预测监控两种方法（1）最近的实际值与预测值进行比较，看偏差是否在可接受的范围以内。（2）应用跟踪信号（Trackingsignal，TS）跟踪信号：预测误差滚动和与平均绝对偏差的比值）1、预测的理论基础是：一定形式的需求模式过去、现在和将来起着基本相同的作用。第四节预测监控33 若预测模型仍然有效——TS应该比较接近于零（TS在一定范围内）。上限下限出界时间O图3-9预测跟踪信号第四节预测监控34 作业P77思考题：3，4，5练习题：5综合题：1.对未来10年武汉市房价作预测2.对未来１０年工业工程毕业生就业率作预测35 1.对未来10年武汉市房价作预测房价的构成：地价，材料成本，人工成本，其他费用，利润经济周期产品生命周期通货膨胀情况政府宏观调控：利率历史数据36 2.对未来１０年工业工程毕业生就业率作预测就业率＝需求／供给需求：经济发展供给：高校招生经济周期产品生命周期政府宏观调控历史数据：国内；国外37 回乡偶书上姚小学:陈彦文 （约659年—约744年）唐代著名诗人。小时候就以文词知名，他写的诗清新痛俗，他以写七绝见长,性情爽直。他一生仕途顺利，直到八十几岁才告老还乡，在离开京城时百官都来送行，真是衣锦还乡。当他以一个普通老人的面貌回到阔别五十多年的故乡时，又是一番怎样的场景呢？贺知章 学习生字yīnkèhé音客何 1熟读诗文回乡书贺知章少小离家老大回，乡音无改鬓毛衰。儿童相见不相识，笑问客从何处来。偶朗读 2理解诗意回乡偶书偶然作者辞官回家后，感慨很深，于是出于偶然写了这首诗，写了自己还乡时的感触。 少小离家老大回，年轻的时候年老的时候（自己）年轻的时候离开家乡，老了才回到家乡。 乡音无改鬓毛衰。家乡的口音没有什么改变耳边的头发花白稀少了（自己）说话的口音没有什么改变，可是两鬓头发已经斑白稀疏了。 儿童相见不相识，小孩认识小孩见了我都不认识。 笑问客从何处来。笑着问我，是从哪儿来的。哪里 把整首诗的意思说一说。 3体会诗情这首诗写的是作者刚刚回到久别的家乡时的情景作者抓住回乡时的一个细节，。表达了对家人既亲切又陌生的感情，流露出无限的感慨。 4练习检测从诗中摘录两组反义词（少小）—（老大）（离）—（回）'