物流系统需求预测幻灯片.ppt

《物流系统需求预测幻灯片.ppt》由会员分享，可在线阅读，更多相关《物流系统需求预测幻灯片.ppt（50页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、物流系统需求预测1第1页，共50页，编辑于2022年，星期日第一节第一节 系统预测概述系统预测概述一、系统预测的概念及其实质一、系统预测的概念及其实质所谓预测，就是对尚未发生或目前还不确切的事物进行预先的估计和推断，是现时对事物将要发生的结果进行的探讨和研究。系统的预测是以系统的变化为前提的。没有系统的变化，就不需要预测。系统预测的实质是分析使系统发生变化的原因，探究系统发展变化的规律，根据系统的过去和现在估计未来。2第2页，共50页，编辑于2022年，星期日二、预测方法的分类二、预测方法的分类（一）按预测的范围或层次不同分类1宏观预测2微观预测（二）按预测的时间长短分类1长期预测2中期预测3

2、短期预测4近期预测（三）按预测方法的性质来分类1定性预测法2时间序列分析预测法3因果关系预测方法3第3页，共50页，编辑于2022年，星期日图6-1预测方法分类4第4页，共50页，编辑于2022年，星期日三、预测的一般程序三、预测的一般程序（一）确定预测目的（二）资料收集和数据分析（三）建立预测模型（四）模型检验与修正（五）预测实施与结果分析5第5页，共50页，编辑于2022年，星期日三、预测的一般程序三、预测的一般程序图6-2动态的预测过程6第6页，共50页，编辑于2022年，星期日第二节第二节 物流系统预测的特征物流系统预测的特征一、物流系统需求特征一、物流系统需求特征物流需求的特征表现在

3、如下三个方面：（一）需求的时间特性和空间特性（二）需求的不规则性与规则性（三）需求的派生性与独立性7第7页，共50页，编辑于2022年，星期日（一）需求的时间特性和空间特性（1）物流需求的时间特性即需求是随时间而变化的。常用时间序列预测法。（2）物流需求的空间特性即物流需求量在何处发生。对需求地理性特征的处理有两种方式：一是先进行总需求预测，然后再按地理位置分解；二是先对每个地点的需求单独进行预测，再根据需要汇总。8第8页，共50页，编辑于2022年，星期日（二）需求的不规则性与规则性1、规则性需求变动：长期趋势(Trend)季节性(Seasonal)因素随机性(Random)因素9第9页，共

4、50页，编辑于2022年，星期日(a)随机性或水平性发展的需求，无趋势或季节性因素10第10页，共50页，编辑于2022年，星期日(b)随机性需求，呈上升趋势，无季节性因素11第11页，共50页，编辑于2022年，星期日(c)随机性需求，有趋势和季节性因素12第12页，共50页，编辑于2022年，星期日2、不规则性需求13第13页，共50页，编辑于2022年，星期日（三）需求的派生性与独立性（1）独立需求物流需求的独立性是指物流需求来自一个一个独立的客户。例如：对最终产品的需求量预测（2）派生需求即物流需求是由某一特定的生产计划要求派生出来的，这是一种从属性的需求。例如：对产品所需零部件的需求

5、预测 14第14页，共50页，编辑于2022年，星期日二、物流系统预测的特殊问题二、物流系统预测的特殊问题（一）新需求预测方法一：将最初的预测任务交给营销人员来做，由营销人员通过促销宣传、消费者行为调研等方式，积累一定的销售历史数据。方法二：利用生产线中类似产品的需求模式估计新产品的销售情况。原有产品的需求模式可以为新产品的早期需求预测提供借鉴。方法三：使用指数平滑法进行预测，将指数平滑系数定得很高（0.5）。一旦得到了足够的需求历史数据，就可以将平滑系数降低到一般水平。15第15页，共50页，编辑于2022年，星期日二、物流系统预测的特殊问题二、物流系统预测的特殊问题（二）不规则需求预测难以

6、用数学方法进行准确预测。参考方法：第一，寻找导致需求不规则变化的关键原因，再利用这些因素进行预测；将不规则需求预测与其他规则性需求预测分开进行，分别使用不同的方法。第二，如果没有找到促使需求发生突变的关键原因，就暂时不对这类产品或服务的需求变化作出反应；相反，要利用一些简单的、平稳的预测方法。第三，对预测精度要求不太高的场合，可以根据具体情况要求适当调整预测值，保证需求的可靠性。16第16页，共50页，编辑于2022年，星期日二、物流系统预测的特殊问题二、物流系统预测的特殊问题（三）地区性预测问题：先进行地区总量预测后，再按地区分配？还是直接对每一地区单独进行需求预测后再汇总？对所有地区的物流

7、需求进行总量预测要比单独预测各地区需求后再汇总更精确一些。因此，一般先进行物流总需求量的预测，然后将总量分配到各地区。17第17页，共50页，编辑于2022年，星期日二、物流系统预测的特殊问题二、物流系统预测的特殊问题（四）预测的误差问题预测误差是不可避免的将几种预测模型的结果进行综合，可使预测值更稳定、更可靠18第18页，共50页，编辑于2022年，星期日第三节第三节 物流需求预测的方法物流需求预测的方法一、移动平均法一、移动平均法二、指数平滑法二、指数平滑法三、回归分析预测方法三、回归分析预测方法19第19页，共50页，编辑于2022年，星期日一、移动平均法一、移动平均法基本思想：根据时间

8、序列信息，逐项推移，依次计算包含一定项数的序时平均值，以反映数据序列的长期趋势。特点：（1）可以消除周期变动和随机波动的影响，揭示出事件的发展方向与趋势。（2）简单、易行。20第20页，共50页，编辑于2022年，星期日一、移动平均法一、移动平均法计算方法：设时间序列：逐项推移求出N个数的平均数：一次移动平均：二次移动平均：21第21页，共50页，编辑于2022年，星期日一、移动平均法一、移动平均法趋势预测模型：22第22页，共50页，编辑于2022年，星期日二、指数平滑法二、指数平滑法以移动平均法为基础，特殊的加权移动平均法。有效的短期预测法。简单、易用，只要很少的数据量当预测数据发生根本性

9、变化时还可以进行自我调整。23第23页，共50页，编辑于2022年，星期日（一）基本的指数平滑模型（一）基本的指数平滑模型1、什么是一次指数平滑预测？利用时间序列中本期的实际值与本期的预测值加权平均作为下一期的预测值。式中，t 本期的时间；指数平滑系数，规定01；xt在t时刻的实际需求值；在t+1时刻的一次指数平滑值。24第24页，共50页，编辑于2022年，星期日（一）基本的指数平滑模型（一）基本的指数平滑模型2、关键参数确定（1）初始值F1：数据较多时，将已有数据中的某一部分的算术平均值或加权平均值作为初始值F1数据较少时，用定性预测法选取F1（2）平滑系数：0.010.3 值越大：对近期

10、需求影响大，对时间序列变化敏感；值越小：对近期数据影响小，历史数据的权数越大，反映长期的大致发展趋势。25第25页，共50页，编辑于2022年，星期日（一）基本的指数平滑模型（一）基本的指数平滑模型3、例题6-2 季度1234去年12007009001100今年14001000F3试对今年第三季度需求进行预测。26第26页，共50页，编辑于2022年，星期日（一）基本的指数平滑模型（一）基本的指数平滑模型解：=0.2；F0=（1200+700+900+1100）/4=975 今年第一季度预测需求：F1=0.2x0+（1-0.2）F0=1000今年第二季度预测需求为：F2=0.2x1+（1-0.

11、2）F1=1080今年第三季度的预测需求为：F3=0.2x2+（1-0.2）F2=1064 季度1234去年12007009001100今年14001000预测值10001080106427第27页，共50页，编辑于2022年，星期日（二）趋势校正（二）趋势校正如果数据表现出明显的长期趋势和季节性特征，基本模型内在的滞后性就会造成很大的预测误差，因此必须对模型加以分析修正。St+1=x t+(1-)(St+Tt)(6-8)Tt+1=(S t+1-S t)+(1-)Tt (6-9)Ft+1=S t+1+T t+1 (6-10)Ft+1第t+1期校正趋势后的预测值；S t第t期的最初预测值；T t

12、第t期的趋势；趋势平滑系数。28第28页，共50页，编辑于2022年，星期日（二）趋势校正（二）趋势校正例6-3利用例6-2中的历史数据预测今年第三季度的需求，要考虑趋势因素。解：S0=975，=0.2，趋势平滑系数=0.3，初始趋势T0=0今年第一季度的预测需求为：S 1=0.21100+0.8(975+0)=1000T 1=0.3(1000-975)+(1-0.3)0=7.5F1=1000+7.5=1007.5 1008今年第二季度的预测需求为：S 2=0.21400+0.8(1000+7.5)=1086T 2=0.3(1086-1000)+(1-0.3)7.5=31.05F2=1086+

13、31.05=1117.05 1117利用第二季度的预测结果，今年第三季度的预测需求为：S 3=0.21000+0.8(1086+31.05)=1093.64T 3=0.3(1093.64-1086)+(1-0.3)31.05=24.03F3=1093.64+24.03=1117.67 111829第29页，共50页，编辑于2022年，星期日（三）趋势和季节性因素的校正（三）趋势和季节性因素的校正St+1=(x t/It-L)+(1-)(St+Tt)(6-11)Tt+1=(S t+1-S t)+(1-)Tt (6-12)It=(x t/S t)+(1-)It-L (6-13)Ft+1=(S t+

14、1+T t+1)/It-L+1 (6-14)式中：Ft+1第t+l期校正趋势和季节性因素后的预测值；季节性指数基础上的平滑系数；It第t期的季节性指数；L一个完整的季节周期，如一年的4个季节或12个月重复一次；30第30页，共50页，编辑于2022年，星期日（四）二次指数平滑法（四）二次指数平滑法二次指数平滑法，是指在一次指数平滑值基础上再作一次指数平滑，然后利用两次指数平滑值，建立预测模型确定预测值的方法。1计算时间序列的一次、二次指数平滑值2建立二次指数平滑预测模型3利用预测模型进行预测31第31页，共50页，编辑于2022年，星期日（四）二次指数平滑法（四）二次指数平滑法例6-4某公司近

15、年产品销售量如下（见表6-1），用二次指数平滑法预测2005年和2006年销售量。表6-1销售量及二次指数平滑预测单位：万个观察期t（年份）销售量xtatbtYt+T1(1999)2(2000)3(2001)4(2002)5(2003)6(2004)6274809210010472647278.489.397.97265.670.776.886.895.762.473.38091.8100.16.45.26.4108.85678.586.4101.8108.932第32页，共50页，编辑于2022年，星期日三、回归分析预测方法三、回归分析预测方法原理：根据事物内部因素变化的因果关系来预测事物未

16、来的发展趋势。类型：一元回归分析和多元回归分析；线性回归和非线性回归。33第33页，共50页，编辑于2022年，星期日（一）一元线性回归预测法（一）一元线性回归预测法例6-5薄钢板消耗量与当年的汽车产量之间有一定的相关性，假设该国1992的汽车年产量约为34万辆，试估计1992年的薄钢板消耗量。序号年份t汽车产量x(万辆)薄钢板消耗量y(千吨)1198513.9819.1802198613.5219.9373198712.5420.2194198814.9129.2625198918.6030.3996199024.4032.3887199128.840.24534第34页，共50页，编辑于2

17、022年，星期日一元线性回归预测步骤一元线性回归预测步骤（1）数据的直观分析及散点图描述35第35页，共50页，编辑于2022年，星期日一元线性回归预测步骤一元线性回归预测步骤（2）建立一元线性回归方程y=a+bx36第36页，共50页，编辑于2022年，星期日一元线性回归预测步骤一元线性回归预测步骤（3）求解回归系数，得到回归模型b=1.167 a=6.249（4）利用模型预测结果 1992的薄钢板需求量预测值 =6.249+1.16734=45.927(千吨)37第37页，共50页，编辑于2022年，星期日（二）多元线性回归预测分析多元线性回归预测分析y=b0+b1x1+b2 x2+bm

18、xm 38第38页，共50页，编辑于2022年，星期日（二）多元线性回归预测分析多元线性回归预测分析39第39页，共50页，编辑于2022年，星期日（二）多元线性回归预测分析多元线性回归预测分析例6-6 某港口的货物吞吐量与该地区的国民生产总值、人均收入的近几年统计数据如表6-3。如果该地区2003年的国民生产总值预计为451亿、人均月收入1400元，要求预测该港口2003年的年吞吐量。序号年份t港口吞吐量y(万吨)国民生产总值x1(亿)人均月收入x2(元)11995714215.890021996736280.088031997645338.495041998537321.610505199

19、9595344.7110062000630378.5115072001733409.5125082002980444.0130040第40页，共50页，编辑于2022年，星期日（二）多元线性回归预测分析多元线性回归预测分析例6-6解答：y=b0+b1x1+b2 x2 利用Excel：b0=330.96,b1=0.2024,b2=0.2761得回归方程：y=330.96+0.2024x1+0.2761 x2该港口2003年的总吞吐量预测值为：y=330.96+0.2024 451+0.2761 1400 =808.7824809（万吨）41第41页，共50页，编辑于2022年，星期日（三）回归模

20、型的检验及预测值的显著性检验（三）回归模型的检验及预测值的显著性检验检验内容：理论意义检验一级检验（统计学检验）二级检验（经济计量学检验）42第42页，共50页，编辑于2022年，星期日（三）回归模型的检验及预测值的显著性检验（三）回归模型的检验及预测值的显著性检验1、回归模型拟合程度的评价0|r|0.3：y与x之间微弱线性相关；0.3|r|0.5：y与x之间低度线性相关；0.5|r|0.8：y与x之间显著线性相关；0.8|r|1：y与x之间高度线性相关；|r|=1：y与x之间完全线性相关；|r|=0：y与x之间不存在线性相关关系。43第43页，共50页，编辑于2022年，星期日2、预测值的显

21、著性检验通过对预测值的置信区间估计来说明预测值的波动范围，检验预测值的显著性。(y0-yf0)S y0的置信度为（1-）的预测区间：44第44页，共50页，编辑于2022年，星期日2、预测值的显著性检验例6-8 根据例6-5中的统计数据，预测1992年的置信度为95%的薄钢板需求量。解：显著性水平=1-95%=0.05，n=7，查t-分布表得：=2.57；由式（6-31）（6-34）可计算：Lxx=377.16、Lxy=272.4、Lyy=233.47；剩余标准差S=2.71；假设1992的汽车年产量x0=34万辆，y f0=45.927(千吨)，y0的置信度为95%的预测区间为：45第45页

22、，共50页，编辑于2022年，星期日第四节第四节 基于神经网络的物流系统预测法基于神经网络的物流系统预测法一、神经网络预测的数学模型一、神经网络预测的数学模型神经网络的理论：一个三层前馈神经网络能以任意精度逼近一个任意复杂的非线性函数。神经网络预测的原理：利用NN强大的非线性映射能力，通过对历史数据样本的学习自动产生自变量与因变量之间的非线性映射关系，并将这种关系隐含在神经网络的结构和参数中；对任一新的自变量值，可很快利用该网络输出因变量值。46第46页，共50页，编辑于2022年，星期日图6-6三层BP网络的拓扑结构47第47页，共50页，编辑于2022年，星期日图6-6三层BP网络的拓扑结

23、构48第48页，共50页，编辑于2022年，星期日二、神经网络预测的学习过程二、神经网络预测的学习过程（一）正向计算第一步，确定初始参数：各层神经元节点数目、学习精度、迭代次数；初始权重及阈值。第二步，对任一样本输入向量X，按式（6-37）计算隐层输出值Oj（j=1，2，l），此即为输出层的输入。第三步，按式（6-38）计算输出层的输出值yk（k=1，2，n）。49第49页，共50页，编辑于2022年，星期日二、神经网络预测的学习过程二、神经网络预测的学习过程（二）误差反向传播计算 第四步，计算输出值误差（gk-yk）和bk。第五步，初定学习速率、=0.50.85。第六步，调整输出层与隐层间的权重Wjk(2,3)和阈值k。第七步，计算ej，再调整隐层与输出层间的权重Wij(1,2)和阈值j。50第50页，共50页，编辑于2022年，星期日