配送中心需求量的時間序列預測方法研究

摘要：本文通過對物流需求預測的時間序列預測方法的組成成分、基本結構進行分析，利用編制計算機程序來建立時間序列需求量預測的簡單指數平滑法、自適應指數平滑法和HOLT指數平滑法三種預測模型，為配送中心的庫存控制提供支持。

關鍵詞：時間序列；需求量預測；MSE準則

中圖分類號：F272文獻標識碼：A

文章編號：1002-3100(2007)08-0044-03

Abstract: By analyzing the composition， basic struction of forecasing methods of time series about logistics demand， and utilizing program computer to construct simple exponential smoothing， adaptive exponential smoothing and HOLT exponential smoothing， it puts forward help for inventory control of distribution center.

Key words: time series; demand forecast; MSE criteria

配送中心需求量的大小直接影響最佳庫存量和訂貨點的大小，間接影響庫存的成本效益，因此需求量的預測是配送中心很重要的一個環節。各門店對商品的需求相對存貨控制是滯后的，它實際上是配送中心的商品輸出量，那么怎樣得到商品的需求量呢？實踐中我們經常是根據主管部門的指示得到，但這種主觀預測缺乏一定的科學性和可靠性，帶有強烈的主觀性，存在一定的誤差，一般而言，僅對新產品采用這種方法。為了使預測的結果科學、可靠、更符合實際需要，我們應根據商品以往的銷售情況進行預測，因為下一期的需求信息包含在以往的歷史數據之中。因此，我們利用計算機對時間序列法中的幾種具體的預測方法進行系統的研究，建立需求預測的模型，以得到科學的需求量，為建立合適的庫存控制模型和求出最佳庫存量和訂貨點提供支持。

時間序列法是指利用被預測變量的歷史數據來預測其未來值的方法。其關鍵在于識別歷史數據的結構，然后利用結構所體現出來的規律進行預測。

1時間序列的組成成分

時間序列是將某種社會經濟統計指標的數值，按時間先后順序排列所成的數據序列。經濟指標指的是各門店對某種商品的需求量之和。任一時間序列都不是單純的數據序列，而是由若干基本成分組成的復合體，其基本成分分為隨機成分和系統成分兩類。

（1）隨機成分也稱隨機波動，它沒有一定的規律性。

（2）系統成分：它是由某些系統因素引起的，隨時間呈系統變化的成分。引起數據變化的系統因素有三種。①長期趨勢：變量隨時間不斷增長或減少的趨勢；②季節波動：變量以一年為周期的周期性波動；③周期波動：其周期不固定。

任一實際的時間序列都包含有隨機波動，但未必包含所有的系統成分，不同的時間序列中系統成分的組合往往也不相同，而且它們的相對重要性同我們考察的時間尺度有關。即期預測中，三種成分都不重要，隨機成分起主要作用；短期預測中季節波動起主要作用，長期趨勢次之。由于配送中心對需求預測期不會太長，所以，本研究中的預測屬于短期或即期預測。而且系統成分還可以在時間序列的散布圖上體現出來。

2時間序列的基本結構

（1）水平型數據：它的特點是在（Dat（t），T）散布圖上，數據點分布在一條水平線的兩側，且離散幅度大體不變。

（2）水平階躍型數據：它的特點是在（Dat（t），T）散布圖上，數據點分布在一條階梯狀曲線的兩側。

（3）趨勢型數據：它的特點是在（Dat（t），T）散布圖上，數據點呈或遞增或遞減的趨勢。

（4）季節型數據：它的特點是在（Dat（t），T）散布圖上，數據點以一年為周期作周期性波動。

由于本系統中的預測是短期或即期的，經濟周期所產生的周期效應和長期效應難以區分，所以將二者合在一起討論，即我們討論的長期效應中包含有周期效應。且由于季節性在短期預測中呈現的規律與水平階躍型數據所呈現的規律一致。所以在本系統中將季節型數據劃歸于水平階躍型數據行列中。

3時間序列的預測方法

指數平滑法是一大類時間序列預測法，其中每一種方法都是針對特定的時間序列結構，在本模塊研究中，我們具體探討了三種最基本且實用的預測方法。

（1）簡單指數平滑法：它是平滑預測法中的一種，具有平滑預測法的消除隨機干擾和跟蹤數據變化的能力。其預測公式如下：

其中，X（t）為預測值，S（t）為中間結果，起橋梁作用，使運算簡單直觀。但如果往前推，發現所有的X（t）中都包含有S（1），盡管在X（1）中S（1）的權值很小，但還是會對預測結果造成一定的影響，其影響程度跟n有一定的關系，n越大則S1對Xn+1的影響則越小。為了減少影響程度，采取如下措施：若時間序列觀察值個數較多n>20時，以第一期觀察值作為初始值，即S（1）=Dat（1），若n≤20，則取最初m期觀察值作為初始值，m與n成反比，究竟m取多少呢? 在此采用MSE準則來確定m的取值。令ei=Dati-Xi，MSE為ei的平方和，MSE準則為：如果兩個不同的預測方法作用于同一預測序列，則MSE小的預測方法最優。這種準則傾向于否定容易產生大的誤差的預測方法。

簡單指數平滑法還包含一個n足夠大的條件，它的意思是n為多大時S（1）對X（n+1）的影響在5％之內，滿足條件的n稱為Nmin，Nmin因y值的不同而不同，y越大則Nmin越小，現列出常用幾個y值所對應的Nmin：

y值的大小決定了施予時間序列觀察值權數由近至遠的遞減速率。當y取小值時，權數遞減的變化速率小，平滑效果強；當y取大值時，權數的變化速率大，重視近期信息，跟蹤能力強，指數平滑值能對近期觀察值的變化迅速作出反應。當n

（2）自適應指數平滑法：它與簡單指數平滑法有一定的相似之處，只是簡單指數平滑法的參數相對固定，實際上就規定了預測方法的抗干擾能力與跟蹤能力的相對強度，而自適應指數平滑法的y值在平滑過程中不僅可變而且它的變化幅度能自動與數據水平的變化幅度相適應，能自動調整抗干擾能力和跟蹤能力的相對強度。所以，該模型適用于水平階躍型數據，特別是大批項目的預測。其預測公式如下：

此模型中引進了兩個獨立的平滑參數y和p：y的作用在于消除Dat（t）的隨機干擾并跟蹤數據水平的變化；p的作用在于消除（S（t）， S（t）-1）中剩余的隨機波動并跟蹤數據增長率的變化。當給出y和p值后，其消除隨機干擾能力和跟蹤能力的強度便相對確定。這樣，不同的y和p值將給預測結果帶來極大的差異，盡管可以一個個地組合去選擇誤差較小的y和p，但這種方法太繁瑣，一般不采取這種方法而憑經驗和對數據的變化來決定y和p的值，它們的范圍大概在[0.05，0.30]之間，而且y大于p，一般取y=0.2，P=0.05，這不見得是最好的組合，但卻是最實用的，因為它適合于大多數趨勢型時間序列。

4平滑參數的確定原則

就以上幾種預測方法而言，平滑參數y的確定至關重要，而且到目前為止仍沒有一個很好的解決辦法，y的確定一般根據經驗和數據變化特點或數據序列結構來選擇，但可以參考以下原則：

（1）時間序列長期趨勢變化平穩，有突然上升或下降時，取(0.05，0.2)使各觀察值具有大小接近的權數。

（2）時間序列有緩慢的變化趨勢，y取(0.2，0.40，使各期觀察值施予的權數緩慢變小。

（3）時間序列變化呈階梯式或固定速率上升或下降時，取(0.3，0.6)使近期信息對指數平滑起重要作用。

（4）遇到不容易判斷的情況時，可以選用不同的y值進行模擬計算，選取MSE值小的y值。

以上介紹了三種預測方法，對于一具體的時間序列，究竟采用何種方法，在此給出兩種解決辦法。

①如果時間序列的結構易于識別，則可以直接選擇[命令]框架中相應的預測方法。

②如果時間序列不易識別，可以利用MSE準則選擇合適的預測方法，這就是預測需求量菜單所實現的功能，它保證了預測結果的可靠性。

通過模型求出需求量的預測值，為以后的庫存控制模型的建立以及最佳庫存量和訂貨點的確定建立基礎。

參考文獻：

[1] 黃孟藩. 管理決策論[M]. 北京：中國人民大學出版社，2004.

[2] 魏權齡，王日爽，等. 數學規劃優化設計[M]. 長沙：國防工業出版社，2003.

[3] 李維錚，郭耀煌，等. 運籌學[M]. 北京：清華大學出版社，2004.

[4] 胡顯佑，魏權齡，等. 運籌學通論[M]. 北京：中國人民大學出版社，2005.

“本文中所涉及到的圖表、注解、公式等內容請以PDF格式閱讀原文。”