[精选]生产物流需求预测计划与控制课件(PPT 55页)28297.pptx
《[精选]生产物流需求预测计划与控制课件(PPT 55页)28297.pptx》由会员分享,可在线阅读,更多相关《[精选]生产物流需求预测计划与控制课件(PPT 55页)28297.pptx(56页珍藏版)》请在淘文阁 - 分享文档赚钱的网站上搜索。
1、CH4 生产物流:需求预测、计划与控制Page.2需求预测方法v 定性预测方法:头脑风暴法 Delphi 法v 定量预测方法:回归分析 时间序列 Page.31.回归分析v 回归分析(Regression Analysis):统计分析的方法,主要探讨数据之间的相关关系。v 主要过程:1.根据预测目标,确定自变量和因变量;2.建立回归预测模型;3.进行相关分析(获得相关系数等);4.检验回归预测模型,计算预测误差;5.计算并确定预测值。Page.4线性回归预测v 线性回归预测法是指一个或多个自变量和因变量之间具有线性关系,配合线性回归模型,根据自变量的变动来预测应变量平均发展趋势的方法。v式中:
2、y预测值(因变量)a、b回归模型系数 R 相关系数R=0时,不相关;R=1时,完全相关;0R1时,部分相关,R越大相关性越高。Page.5非线性回归预测v 非线性回归预测是指自变量与因变量之间的关系某种非线性关系时的回归预测法v 常用模型:多项式模型、对数模型、指数模型、幂函数模型等bax y=bxce y=多项式:对数:幂函数:指数:Page.6Excel 在回归分析中的应用v 利用图表进行回归分析 选择变量 生成散点图 添加趋势线 选择类型,设置选项v 利用数据分析工具进行回归分析(将函数转换为线性回归形式)数据分析回归 选项设置 输出结果 回归统计表:相关系数、标准误差等 方差分析表:通
3、过F 检验来判断回归模型的回归效果(与置信度相关)回归参数:通过t 检验的p 值判断能否解释因变量变化(p 值为可信程度的递减指标)Page.7一些常见曲线:转化为标准线性回归曲线vCompertz 曲线:描述一种新产品从试制期到饱和期产量的增长趋势Page.8Page.9vPearl 曲线:描述技术和经济的发生、发展、成熟三个阶段(缓慢、快速、缓慢)LPage.102.时间序列v 时间序列:指在一个给定的时期内按照固定时间间隔把某种变量的数值依时间先后顺序排列而成的序列。v 时间序列的四个主要因素:趋势(T),即人口、资金和技术等要素发展变化的基本情况。周期(C),即经济周期波动的影响。季节
4、(S),指一年中销售变化的固有模式,如与日、周、月或季节相关的规律性变动。偶然事件(I),包括风雨等各种自然灾害及动乱等等。这些因素都属于不可抗力的范畴之内。v 时间序列预测可用于短期预测、中期预测和长期预测Page.11时间序列预测方法v 通过对历史数据作平均运算,序列中偏高或偏低的数据可相互抵消,以此平滑时间数据序列中的波动。v 按照数据处理方法不同,可以分为:简单算术平均 加权算术平均 移动平均 指数平滑 季节指数 趋势预测(回归分析)Page.12时间序列的预测步骤 v 第一步,确定时间序列的类型 即分析时间序列的组成成分。v 第二步,选择合适的方法建立预测模型 如果时间序列没有趋势和
5、季节成分,可选择移动平均或指数平滑法 如果时间序列含有趋势成分,可选择趋势预测法 如果时间序列含有季节成分可选择季节指数法v 第三步,评价模型准确性,确定最优模型参数 v 第四步,按要求进行预测 Page.13(1)简单算术平均 某销售公司2010 年下半年各月的销售额分别为18、17、19、20、17、19 万元,试预测2011 年1 月份该公司销售额。预测值 Page.14(2)加权算术平均v赋予时间序列中距离预测期较近数据以较大的权重。例:某商场家电产品在前四周的需求量依次为12、17、15、13,给最近一期数据赋予权重0.4,上一期数据赋予权重0.3,上上一期数据分配权重0.2,距离预
6、测期最远一期数据分配权重0.1。则加权平均值为:MAn0.4130.3150.2170.11215 优点:对最近一期的实际情况反应灵敏。难点:一个是移动间隔期的确定,企业没有办法知道多久以前的需求对预测期的需求没有影响;另一个是赋予每一期的权重没有科学的确定方法,只能依靠主观的经验进行判断。Page.15v移动平均:利用过去一系列的实际数值进行预测,将距离预测期最近几期的实际数值的平均值作为预测值。计算公式为:(3)移动平均p 适用:历史数据量大,无明显长期增长下降趋势和周期波动p 缺点:赋予各期相同的权重,如果在时间序列中发生了非随机性变动,移动平均预测法对这种变化的反应不敏感。Page.1
7、6年份 销售量 移动平均数N=3 移动平均数N=51992 206 1993 214 1994 208 1995 220 209.331996 230 214.001997 212 219.33 215.61998 202 220.67 216.81999 210 214.67 214.42000 218 208.00 214.82001 206 210.00 214.4211.33 209.6根据历史数据,通过移动平均预测未来值(直接将最后一期移动平均值作为预测值)Page.17Excel 做移动平均v 自定义函数与公式,测算与比较MSEv 数据分析移动平均 输入区域 间隔:移动周期 输出区
8、域:预测数据开始单元格 标准误差Page.18v上一期预测值加上该期实际与预测值差额的一定百分数即得新的预测值 式中:Ft第t期的预测值;Ft-1第t-1期的预测值;a平滑系数;At-1第t-1期的实际值。(4)指数平滑上式可变形为:p 平滑常数决定了预测对时间序列偏差调整的快慢,一般取0.010.3p 适用:数据量少,短期预测Page.19时间序列观测值时间序列预测值Ft-2Ft-1a1-aFt+1a1-aFt1-aaAt-1At-2AtPage.20Excel 做指数平滑预测v 自定义函数与公式,测算与比较MSEv 数据分析指数平滑 输入区域 阻尼系数=1-平滑系数 输出区域:预测数据开始
9、单元格 标准误差Page.21v 对于既含有线性趋势成分又含有季节成分的时间序列,须对其成分进行分解,这种分解建立在以下乘法模型的基础上:v 其中,Tt表示长期趋势成分,St表示季节成分,Ct表示周期性成分,It表示不规则成分。由于不规则成分的不可预测,因此预测值就可表示为趋势成分和季节成分的乘积。(5)季节指数Page.22建立季节指数模型v 建立季节指数模型的一般步骤如下:第一步,计算每一季(每季度,每月等等)的季节指数St。第二步,用时间序列的每一个观测值除以适当的季节指数,消除季节影响。第三步,为消除了季节影响的时间序列建立适当的趋势模型,并用这个模型进行预测。第四步,用预测值乘以季节
10、指数,计算出最终的带季节影响的预测值。Page.23v 根据时间序列预测第五年各季度销售量季别各季销售量第一年第二年第三年第四年第一季 148 138 150 145 145.25 127.27 147.00第二季 62 64 58 66 62.50 54.77 63.26第三季 76 80 72 78 76.50 67.03 77.42第四季 164 172 180 173 172.25 150.93 174.32季均销售 季节指数 预测值Page.24(1)计算各年同季季平均销售额资料于表第6栏。如第一季为:(2)计算所有年所有季的季平均销售额(3)计算各季节比率于表第7栏。如第二季为:(
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 精选 精选生产物流需求预测计划与控制课件PPT 55页28297 生产 物流 需求预测 计划 控制 课件 PPT 55 28297
限制150内