物流预测就是指物流运输活动中可能产生的运输流量、流向等数据的一种预示或估计。
在物流运输、配送等实际运作活动中,许多决策问题能否有效地开展,都依赖于预测质量的好坏。如配送网络设计,运能规划等。
预测就是根据客观事物的过去和现在的发展变化规律,借助科学的方法和手段,对研究对象的发展趋势和状况进行描述、分析,形成科学的假设和判断。
基于事物发展具有历史继承性这一规律而进行。(移动平均预测法、指数平滑预测法等)
从预测对象同其制约因素之间的因果关系着手进行预测。这类方法注重研究外因对事物发展变化的影响。(回归分析预测法、计量经济模型预测法等)
时间序列预测法是一种利用包含相对清楚而又稳定关系和趋势的数据统计方法,展示了事物在一定的时期内的发展变化过程,考虑到事物发展的历史继承性,可以通过选择适当的模型形式和模型参数,运用惯性原理对事物未来的发展趋势进行预测,称为时间序列预测。
时间序列被用于识别产生季节因素的数据系统变量、周期变化模式、趋势值、趋势增长率。
移动平均法的基本思想是:每次取一定周期长度的观察值的平均值,并按时间次序逐次推进,每增加一个时段时,就去掉前一时段的数值,再计算平均值。
移动平均法用最近几期的平均数来预测下一期的可能值,既可以消除或减少随机变动的影响,又能发现数据的演变趋势。
若资料数据单纯围绕某一水平作随机跳动,宜采用一次移动平均数法;若资料具有持续的线性增长(或下降)趋势时,宜采用二次移动平均数法。
已知数据时间序列为:x0,x1,x2,……,xn,以M(t)(1)表示第t时刻的时间序列的一次移动平均值,以N表示参与“平均”的实际值个数,也称数据的间距或移动的步长,则有:
计算出的移动平均数也构成了时间序列。一般情况下,如果时间序列没有明显的倾向变动和周期变动,
由表中所列的结果看来:由移动平均计算后所得到的新数列,其数据起伏波动的范围变小了,异常大和异常小的数据值被修匀了。从而异常数据对移动平均值的影响不大。因此,移动平均预测有较好的抗干扰能力,可以在一定程度上描述时间序列变化的趋势。
移动平均预测法对时间序列中数据变化的反映速度及对干扰的修均能力,取决于N的值。随着N的减小,移动平均对时间序列数据变化的反映敏感性增加,但修匀能力下降;而N增大,移动平均对时间序列数据变化的反映敏感性减小,但对时间序列的修匀能力却上升。因此,移动平均法的修匀能力与时间序列数据变化的敏感性是矛盾的,两者不可兼得。在确定N的时候,一定要根据时间序列的特点来确定。
(1)由所需处理的时间序列的数据点的多少而定,数据点多,可以取得大一些;
(2)要由已有的时间序列的趋势而定,趋势平稳并基本保持水平状态的,可以取得大一些;趋势平稳并保持阶梯性或周期性增长的,应该取得小一些;趋势不稳并有脉冲式增减的,应取得大一些。
当时间序列有明显线性变化趋势时,上述方法存在滞后偏差,使预测值偏低。为解决这一问题,采用二次移动平均法。上面介绍的一次移动平均数本身也构成一个时间序列,在此基础上再作一次移动平均,之后建立线性预测模型进行预测,这就是二次移动平均法。
仍举上例,取N=5,求解二次移动平均预测模型,并对第12、14月的销售量进行预测
指数平滑预测法是与以前需求水平和预测水平加权平均数所估计的未来年交通运输量为基础来进行预测。是在移动平均预测法的基础上发展起来的一种预测方法。新的预测函数引入参数α。它包括一次指数平滑预测法、二次指数平滑预测法和高次指数平滑法。
一次指数平滑预测法就是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:
某企业对某年度l~11月某种物资的价格情况进行了统计,见表,试用一次指数平滑法对该年12月份该物资的市场价格进行预测。
应用指数平滑公式进行预测,就应首先确定,被称为初始值。初始值是不能直接得到的,应该通过其他方法选取或直接选用当期实际值。称为平滑系数,其值为,取值大小体现了不同时期数据在预测中所起的作用,值越大,越反映近期数据变化趋势,模型灵敏度越高;值越小,越反映长期的大致发展趋势。掌握值,是用好指数平滑模型的一个重要技巧,一般采用多方案比较方法,从中选出最能反映实际值变化规律的值。
回归预测技术就是根据存在于现象之间的内在因果关系和函数关系建立回归模型的方法,用来从某一现象的变动,来估计另一现象的变化方向和程度,也就是从一种现象变化的因,来推测另一现象变化的果。因此,回归预测也叫因果预测。回归预测按所包含的自变量的多少,可分为一元回归预测法和多元回归预测法。
已经某废品回收企业从其附近的不同回收站回收物资,不同的回收站回收的运输成本各不相同,详情见表,试预测7号回收站的运输成本。
显然:如果已知其中一个变量的未来值,那么可以通过上述公式预测另一个变量的未来值。问题在于,假设中的线性关系是否存在,或者说线性相关程度多大?研究两个变量x与y之间是否存在线性相关关系,通常的办法是将独立的n对观测数据 在坐标上画出散点图,由直观观察进行判断,散点是否沿直线排列。
相关系数是描述两个变量线性关系密切程度的数量指示(用γ表示),它的计算公式如下:
一般来讲,只有当 γ 较大时,用线性回归模型描述Y与X的相关关系,才有实际价值。
实际上,所有的预测都包含一定的不确定性,我们又往往会低估这种不确定性,有时甚至严重低估了这种不确定性。出现这种现象的原因可能是不确定性过于复杂,无法进行表示。
即使假定不确定性不存在,也无法消除不确定性,我们既然无法消除不确定性,只能设法处理不确定性。有时,通过建立适当的模型,j9.com官网能够减少预测的不确定性。但大多数情况下,无论如何修改预测模型,都无法精确地了解某些变量的不确定性有多大。