基于季节性时间序列的物流需求综合预测模型文献综述
2020-04-28 08:04
1．目的及意义
1）研究目的
物流需求预测是根据物流市场过去和现在的需求状况及影响物流市场需求变化的因素之间的关系，利用一定的判断、技术方法和预测模型以及合适的科学方法，对有关反映市场需求指标的变化以及发展的趋势进行预测。通过合理预测，物流企业可以有效利用各种资源来降低成本，在满足顾客需求的前提下获得最大利润。而对于市场波动较大的季节性产品如空调来说，物流需求预测就更为重要。季节性商品的销售情况与季节气候密切相关，具有很大的不确定性，而季节性商品若是供需不平衡的话，会在很大程度上影响市场的稳定。同时，由于过季的商品价值贬值较大，这会使得供应链上参与季节性商品运作的各个企业产生一定的经济损失。因此，对季节性商品的物流需求进行预测已成为企业制定销售战略的关键一步。
季节性时间序列具有高度复杂的非线性结构，同时表现为周期性变化的重要特征。在建立预测模型时，一方面要体现它的周期特性，呈现出相对稳定的有规律的重复；另一方面还要准确的拟合季节性时间序列的非线性的变化。因此有必要选择合适的预测方法对季节性商品物流需求进行预测，以促进建立和完善季节性预测模型体系。
本文的研究正是以空调的物流需求为对象，通过对时间序列的平稳性、趋势性、季节性、异方差等数据特征进行统计检验，筛选出适合该产品的物流需求时间序列的单项预测模型并比较分析其特点，同时以各单项预测模型的预测结果为基础，利用组合预测原理，构建一个空调短期月度的物流需求预测以及长期年度的物流需求预测的组合预测模型。
2）研究意义
本文试图在适合单项季节性时间序列的预测模型的基础上，来创建新的组合预测模型，这在一定程度上能为预测方法的优化研究提供思路，减少预测的系统误差，提高预测精度，能为预测模型的实际应用提供重要的理论和实验依据。
3）国内外研究现状分析
国内外对预测的研究源远流长，预测方法也非常丰富，而针对于现代产品季节性强、周期性明显等特征，适应的方法偏少。
在单项预测模型建立中，国内学者赵钰坤、蔡臻和窦万峰采用时间序列分析方法，对公共自行车使用量统计数据进行处理，消除了季节性影响和趋势成分，得到一个平稳序列，然后根据平稳序列的自相关与偏相关函数，建立了乘积季节预测模型[1]。王腾龙对于季节性的时间序列，采用季节性多元回归模型以及时间序列分解模型对内陆出货量进行预测，之后对比分析两种模型的预测效果，得到时间序列分解模型预测效果优于季节性多元回归模型的结论[2]。郑淦文讨论温特线性与季节性指数平滑法，自适应过滤法和 ARIMA模型拟合法这3种重要且比较典型的预测方法，比较了3 种方法的优劣，这有助于在实际预测中正确选择预测方法[3]。国外学者Claudio Guarnaccia，Joseph Quartieri 和Carmine Tepedino采用了两种预测模型对机场发出的声级进行预测。第一个模型是基于确定性、季节性以及周期性的随机变量。第二种模型是基于季节性的自回归移动平均值，属于随机类模型[ 13 ]。
在组合预测模型建立中，国内学者王川、赵俊晔以我国苹果批发市场价格为研究对象，筛选出双指数平滑模型、Holt—Winters乘法模型、ARIMA(1，1，4)模型为我国苹果市场价格短期预测的适用模型并以此为基础，以误差平方和最小为最优准则建立了组合预测模型对未来3期的苹果市场价格开展预测[4]。郭泽宇、陈玲俐结合季节性时间序列模型（SARIMA）和BP神经网络二者优点，构建了一种新型的组合预测模型，对上海市用水量进行不同时间尺度的预测。结果表明，组合预测的精度要高于单项时间序列预测模型[5]。国外学者Mark Dekker，Karel van Donselaar 和Pim Ouwehand采用了产品聚集与Holt-Winters和Na.lve 1方法的组合预测，与Winters方法相比，基于产品聚合和组合预测的方法显示出sMAPE / MAD / MSE的大幅降低。因此，组合预测的方法效果最好[14]。
{title}2. 研究的基本内容与方案
{title} 本文将主要以企业季节性商品空调的物流需求为研究对象，结合案例从实证分析的角度，重点从以下五个方面进行分析和探讨：
（1）季节性需求及其构成的时间序列的特点分析；
（2）常用的季节性时间序列预测方法和模型进行比较；
（3）构建组合预测模型；
（4）对季节性产品物流需求进行月度及年度预测；
（5）对比单一预测与组合预测的预测精度。
本文拟采用的技术方案及措施：
（1）分析季节性需求及构成的时间序列的特点，对常用的需求预测方法进行简要概述，重点放在季节性时间序列预测方法；
（2）收集整理对企业季节性商品的物流需求数据，建立适用的季节性时间序列的单一预测模型，在此基础上再构建组合预测模型；
（3）通过matlab软件求解，得出单一预测模型以及组合预测模型的预测值；
（4）数值分析，将单一预测方法得出的预测值与组合预测方法预测值进行对比分析，比较单一与组合模型的预测精度；
（5）对全文的总结及进一步的研究方向。
3. 参考文献[1] 赵钰坤,蔡臻,窦万峰. 基于季节性时间序列模型的公共自行车使用量预测研究[J].产业与科技论坛,2016 ,15(07):49-51.
[2] 王腾龙.季节性多元回归模型与时间序列分解模型在内陆用箱需求预测中的应用比较[J].集装箱化,2016,27(08):1-4.
[3] 郑淦文.季节性时间序列预测方法选择[J].齐齐哈尔大学学报,2010,26(6):90-94
[4] 王川,赵俊晔.组合预测模型在农产品价格短期预测中的应用——以苹果为例的实证分析[J].系统科学与数学,2013,33(1):89-96
[5] 郭泽宇,陈玲俐.城市用水量组合预测模型及其应用[J].水电能源科学,2018,36(1):40-43
[6] 罗维,方晓平. 基于季节性时间序列的物流企业货运需求预测研究与应用[J]. 管理科学与工程, 2016, 05(01): 7-14.
[7] 孙靖,程大章.基于季节性时间序列模型的空调负荷预测[J].电工技术学报.2004,19(3):88-93.
[8] 罗琳.基于季节性时间序列组合模型的电信运营商呼叫中心话务量预测[J].消费导刊,2013,11:27-28.
[9] 赵俊龙,赵秀丽.利用样条函数建立季节性时间序列的预测模型[J].北京理工大学学报,2017,27(4):370-373
[10] 毛会.面向短时间序列的季节性预测模型及其应用研究[D].武汉:武汉轻工大学,2015.
剩余内容已隐藏，您需要先支付 10元 才能查看该篇文章全部内容！立即支付
