基于時間序列模型在物流需求預測中的應用

摘要：本文采用時間序列模型進行物流需求預測，用實例從數據平穩性的判斷，平穩化，標準化，建模，經模型的識別、定階、參數估計和檢驗，到預測及誤差和置信區間的計算，詳細地說明了時間序列模型在物流需求預測中是如何應用的。結果表明該ARMA模型能夠較好地擬合并可獲得較高的中短期預測精度。

關鍵詞：物流；物流需求預測；時間序列模型

中圖分類號：F252文獻標識碼：A

文章編號：1002-3100(2007)09-0096-04

Abstract: We carry on logistics demand forecast by taking time-series model and explain its application to logistics demand forecast by justment of data stationary， stead， standardization， modeling， discernment， making steps， parameter estimate and examination to predict， error and calculation of confidential interval. The reason shows that the ARMA model can fit and get better prediction accuracy in the medium and short-time term.

Key words: logistics; logistics requirement forecasting; time-series model

物流需求是指一定時期內社會經濟活動對生產、流通、消費領域的原材料、成品和半成品、商品以及廢舊物品、廢舊材料等的配置作用而產生的對物在空間、時間和費用方面的要求，涉及運輸、庫存、包裝、裝卸搬運、流通加工以及與之相關的信息需求等物流活動的諸方面。

物流需求預測是為了制定物流管理計劃，而對需求時間、地點、庫存單位、裝運流量等所進行的預示或估計。精確的需求預測可以促進物流信息系統和生產設施能力的計劃和協調。并且通過物流需求預測可以確定產品是如何向配送中心和倉庫或零售商進行分配的。物流需求預測的目的在于為社會物流活動提供物流能力供給不斷滿足物流需求的依據，以保證物流服務的供給與需求之間的相對平衡，使社會物流活動保持較高的效率與效益。在一定時期內，當物流能力供給不能滿足這種需求時，將對需求產生抑制作用：當物流能力供給超過這種需求時，不可避免地造成供給的浪費。借助于定性和定量的分析手段，了解社會經濟活動對于物流能力供給的需求強度，進行有效的需求管理，引導社會投資有目的地進入物流服務領域，將有利于合理規劃、建設物流基礎設施，改進物流供給系統。

1預測原理

2ARMA模型

2.1時間序列模型

設所構造的模型為ARMAp，q模型，即

2.2模型的識別

從MA，AR，ARMA模型中選擇一個合適的模型的重要性在于能使估計與數據不符合的模型參數風險降到最小。模型選擇的算法如下：

（1）把時序過程看作MAq模型，確定階數q，若q太大就拒絕MA模型，否則就接受MA模型，繼續后續步驟；

（2）把時序過程看作ARMAp，q模型，估計ARp模型的階數p和AR系數，繼續后續步驟；

（3）確定ARMAp，q模型的MA階數。若階數q≠0，則原序列是ARMAp，q模型，否則是APp模型。

3模型定階及參數估計

3.1模型定階的AIC準則

對動態數據進行ARp或者MAq的辯識，可直接用樣本自相關函數和樣本偏相關函數的截尾性、拖尾性，判斷應該用何種模型來擬合。但是如果動態數據序列的自相關函數和偏相關函數都有拖尾現象，則應用AIC準則對動態數據用ARMA模型擬合。

3.2ARMA模型的參數估計

ARMA模型的參數估計的方法有很多，對平穩正態時間序列，用極大似然估計其模型參數可以提高精度的目的。

4預測誤差及置信預測區間的計算

1步預測值的一個標準誤差的置信區間，也就是置信水平為68.3%的置信區間，n是通過平穩化后的有效樣本容量：

5應用實例

云南某公司經銷某種產品，為了作好下一年的銷售工作，該公司統計了1997~2002年每個月的實際銷售量。表1列出了1997~2002年每個月的實際銷售量（單位：千件），用隨機時間序列預測方法預測2003年各月的銷售量。根據預測的值，決定每個月的最佳進貨量。

根據擬合模型估算出z 的估計值，然后經過反變換得到該時間段內的銷售量趨勢的擬合模型，見圖3：

從圖中可以看出，所建立的模型比較準確地擬合了實際銷售量。建立的模型能夠較好地預測下一年的銷售量。

計算得2003年每個月的預測結果見表４：

此時，預測結束，經營者再結合實際情況，在區間中選取適當的值，確定最佳定貨量。

6結論

上述分析說明采用ARMA模型對物流需求預測進行趨勢擬合是可行的，并在中短期內能根據歷史數據較好地預測。可以證明，預測的時間越遠，預測數值的方差就越大，因此，預測的結果與實際值的偏差就越大。由于所掌握的有關樣本數據的個數總是有一定的限度，所以，任何模型都不是完美無缺的。這要求必須及時掌握最新的數據，對預測方程進行修正，使其達到最佳。

參考文獻：

[1] 劉次華. 隨機過程[M]. 2版. 武漢：華中科技大學出版社，2001.

[2] 許國輝，余春林. 時間序列分析方法的研究[J]. 廣州大學學報，2003(12):556-559.

[3] 李序穎，等. 我國交通貨物運輸量的時間序列分析[J]. 系統工程理論與實踐，2005(1):49-55.

[4] 徐今強，等. 交通流的時間序列建摸及預測[J]. 五邑大學學報，2004(9):16-20.

[5] 張世英，等. 時間序列在城市交通預測中的應用[J]. 天津大學學報，2006(9):370-372.

“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”