基于時間序列模型的精準需求預測分析

郭家鳴

摘要：本文基于對銷售數據進行了特征分析，進而構建了組合預測模型對產品的流行趨勢進行預測，并且將網絡搜索數據作為銷售數據的補充構建預測模型對互聯網時尚產品流行趨勢分別進行了在線和離線預測。產品能否流行受消費者心理需求的影響并反映在消費行為上從長期來看群體消費行為具有一定的規律性，而短期消費行為由于受 諸多不確定因素的影響則表現出極大的不穩定性，這給流行元素的短期預測帶來了很大的困難。消費行為的不確定性反映在產品銷售數據的變化方面是線性與非線性現象并存。本文面對這一數據特征分別采用ARIMA時間序列模型和ELM極限學習機模型分別對銷售數據進行線性建模和非線性建模，然后采用加權投票 的方法進行集成，建立組合模型。

關鍵詞：時間序列模型;特征分析;組合模型

引言

隨著中國大陸城市化進程的日益加速，高樓大廈如雨后春筍般的建設，中國電梯行業也因房地產業的蓬勃發展得以快速崛起，然而發展帶來的巨大壓力也是無法避免的。企業產品交貨期因客戶繁雜的個性化需求日趨要求嚴格。企業的生產管理面臨著巨大的挑戰?；阡N售預期的供應鏈訂單預測是制造商和供應商的聯系紐帶，預測準確性高即可以幫助企業降低運作成本，同時還會提高企業客戶滿意度。企業生產計劃的施行是在企業預測基礎之上開展的，科學的生產計劃有助于企業的良好效益。

根據公司供應鏈產品訂單預測誤差的問題，提出了用協同的整體觀念來審視供需鏈環境下的訂單預測的準確性，利用生產過程全局性和整體性的思想，確定供應鏈訂單預測誤差的目標值，企業的生產目標，協調企業各局部生產過程，從而達到企業總體最優目標，以獲得全局的最優。

1 模型分析

本文關注的是基于生命周期測定的銷售預測，所以搜索了國內外關于短生命周期產品的銷售特點，與階段劃分等的研究文獻，以及圍繞短生命周期產品的銷售預測方法領域做出歸納，同時也簡單學習了解了服裝補貨策略的相關理論研究，希望能夠基于現有的理論，對于服裝零售企業的需求和訂貨管理的理論研究做出一定的補充及提供參考。

從一方面來看，產品的是否熱銷是消費者對該產品喜好最直觀的反映。因此成交數據反映了產品的熱銷度。因此，可將時尚產品的成交數據作為時尚產品流行元素流行趨勢預測的數據來源。從另一方面來看，網絡搜索數據由于是消費者在網上搜索行為的反映，可以通過提前預知消費者對產品的搜索行為，進而獲悉消費者對該產品的需求。因此，網絡搜索數據也是時尚產品流行元素流行趨勢預測的另一個重要的數據來源。接下來，將分別對基于銷售數據的時尚產品預測模型的相關研究，搜索數據與社會經濟行為的相關研究進行詳細介紹。

2 模型建立

將預測變量的過去值、當前值和誤差值進行綜合考慮從而提高了模型的預測精度。該模型包括自回歸（AR）模型，移動平均（MA）模型，自回歸求積移動平均（ARIMA）模型三種。在 ARIMA 時間序列預測模型中，用序列的滯后項、隨機干擾項的當期與滯后期的線性函數來表示未來值，該模型的一般形式如下式所示：

ARIMA 模型是經過 d 階差分后的 ARMA 模型（p，d，q），這其中p是自回歸模型的階數，q 是移動平均的階數，εt 是一個白噪聲過程。

ARIMA 模型具有扎實的理論基礎，在建模的時候可以將歷史數據和序列自身具有的規律均考慮在內，對具有規律性特征的數據非常適合。

回歸分析是用于分析兩種或兩種以上變量間相互依賴的定量關系的一種統計方法。在大量觀測數據的基礎上，通過建立自變量與因變量之間的函數關系式，確定回歸方程以預測事物未來的發展趨勢。

回歸分析預測模型步驟：

（1）確定變量

通過明確預測的具體目標確定因變量;通過尋找與預測目標相關的影響因素并從中選出主要的影響因素確定自變量。

（2）進行相關分析

程度來進行的，這就需要求出變量之間的相關關系，進而通過相關系數的大小來判斷變量之間的相關程度。因此，自變量與因變量之間是否存在某種關系，對回歸方程具有重要意義

（3）建立預測

回歸分析預測模型的建立是通過對自變量和因變量的歷史數據進行計算，并進而建立回歸分析方程。

（4）計算預測誤差

不僅需要對回歸方程進行檢驗，還需要將預測誤差作為檢驗回歸預測模型是否可用于實際預測的參數指標。只有當回歸方程通過了檢驗，并且預測誤差到達標準，才能選擇將該回歸方程作為預測模型。

（5）確定預測值

通過回歸預測模型計算得到預測值，分析預測值后，得到最終的預測值。

3 模型求解

①相關分析與回歸分析在實際應用中有密切關系。然而在回歸分析中，所關心的是一個隨機變量 Y 對另一個（或一組）隨機變量X的依賴關系的函數形式。而在相關分析中 ，所討論的變量的地位一樣，分析側重于隨機變量之間的種種相關特征。例如，以X、Y分別記小學生的數學與語文成績，感興趣的是二者的關系如何，而不在于由X去預測Y。

②相關系數是按積差方法計算，同樣以兩變量與各自平均值的離差為基礎，通過兩個離差相乘來反映兩變量之間相關程度;著重研究線性的單相關系數。

③確定相關關系的數學表達式。

④確定因變量估計值誤差的程度。

運用 SPSS軟件編程得到的計算結果見圖。

結論

對于新零售企業的精準需求預測采取時間序列的動態分析方法不具備有效性。原因 主要是需求預測中的隱性的因素不能通過時間函數反映出來?；谝蚬治龅臄祿Ｐ?， 可以良好地預測需求。使得需求預測誤差落在預定的誤差范圍內。

預測分析的數據需要通過協同合作與供應商一起挖掘。預測模型也需要聯系供應商的實際生產能力來設定目標誤差。本文的不足之處是在多元回歸分析過程中，一些通過專家篩選的相關因素都在回歸過程中被剔除了，主要的原因是顯著性很低。考慮到采用的是多元線性回歸的方法，其中眾多定性因素沒有體現出來。今后可以嘗試用多元非線性分析方法，引入與預測相關的定性因素。預期建立的模型能夠更好地反映市場宏觀方面對需求預測的影響。

參考文獻

[1]闞毅. 迅達公司產品訂單預測模型研究[D].哈爾濱理工大學，2015，05.

[2]鄭爽. 互聯網時尚產品流行趨勢預測研究[D].大連理工大學，2015，06.

[3]李巍巍. 無偏灰色馬爾科夫優化模型及其在商品銷售預測中的應用[D].哈爾濱工業大學，2015，06.