面向库存管理的销售量预测模型及实证研究

《面向库存管理的销售量预测模型及实证研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、面向库存管理的销售量预测模型及实证研究的库存需求量应用移动平均法对未来的库存存续量进行预测。郭锐根据华北电网2006年以来的售电量的历史数据运用灰色预测和加权移动平均法对其售电量进行了预测比较[7]。黄荣富、綦化乐等建立三次指数平滑模型并利用VB语言编写程序求出最佳平滑系数，输入预测年份得到相应的吞吐量预测结果[8]。王森、吴春明运用时间序列法并选择带季节性指数的移动平均法和最小平方法，对烟草系统的短、中期总体销量进行了预测检验[9]。通过上面的实例可以看到此法在应用过程中因为道理简单、运算方便得到了很广泛的应用，但很难单独使用只能和其他预测方法比较着应

2、用到预测中。另外此方法的最大缺点就是所需的数据量大、当在小数据情况下预测精度明显降低。（3）指数平滑预测法美国学者布朗在库存管理的统计预测一文中，提出了指数平滑的概念。它是通过对预测目标历史统计序列的逐层平滑计算，消除由于随机因素造成的影响，找出预测目标的基本变化趋势并以此预测未来，指数平滑法分为：一次指数平滑法、二次指数平滑法和三次指数平滑法等。王西萍早在1998年用二次、三次指数平滑法对青海省的粮食需求量及种子需求量进行了预测[10]；李自强在2005年所作的学位论文中应用二次指数平滑法根据某种商品需求量的历史记录对企业中的商品需求量进行了预测[11

3、]。程玉波、车建国、杨作斌等在文章中建立了基于指数平滑法的装备维修器材需求量预测模型，为准确预测装备维修器材需求量提供了一种较为科学合理的方法[12]。李院生、时和平用指数平滑法的改进模型-温特指数平滑法对装备备件进行了预测分析，经实例验证此种方法用于备件预测是有效的、可行的，比移动平均法具有更好的预测精度[13]。窦宁、赵庆祯等利用双指数平滑法对农村物流需求量进行了预测，其结果是可信的[14]。此类方法的有点就是使用简单，预测精度较高，只需少量数据和计算时间，模型分量和参数对使用者具有较直观的意义，容易理解和控制，所需费用较低。但此种方法不适于多步、长

4、期预测。（4）马尔柯夫（Markov）预测法马尔柯夫预测是以俄国数学家A．A．Markov名字命名，是利用状态之间的转移概率矩阵预测事件发生的状态及其发展变化趋势，也是一种随机时间序列分析法。它基于马尔柯夫链，根据事件的目前状况预测其将来各个时刻（或时期）变动状况。曹庆奎，杨艳丽等在供应链独立需求库存量预测一文中指出根据销售数据表现出显著的时间序列性，应用马尔柯夫链的相关预测方法，通过它的历史数据来预测未来状态[15]；傅学芳，4河北经贸大学硕士学位论文刘序梅等在基于Markov链的随机需求预测模型一文中指出以需求量的历史数据的统计分析为基础，应用马尔柯

5、夫链预测与蒙特卡洛仿真技术所建立随机需求预测模型，可以根据事先给定的供应完备率，比较准确地估计未来订货周期的数量，为供应计划决策提供可靠的数量依据[16]。WilliamJH，LewisDJ应用马尔柯夫模型进行了预测[17]。CurnowRN在文章中应用马尔柯夫方法对效率进行了预测[18]。常春水、张文秀等以1981-2006年共计26年的统计资料为例，用加权的马尔柯夫链模型预测和分析了吉林省未来粮食生产的丰欠年景[19]。高阳、谭阳波在基于新维无偏灰色马尔柯夫预测模型的中长期能源消费预测一文中对能源消费问题进行了预测[20]。吴桂平、曾永年等利用灰色马

6、尔柯夫链模型对地区的耕地量进行了预测[21]。于兴杰、韩建霞等应用灰色马尔柯夫预测模型对河川入库径流量进行了预测准确度明显提高[22]。李文淑、庞立铁等应用灰色马尔柯夫方程预测了小麦的单产量，经检验精度较高[23]。通过以上的文献可知马尔柯夫预测法具有计算简便、精度较高等优点。因为马尔柯夫链的转移矩阵反映了各个随机因素的影响程度所以他适合于数据波动比较大的预测问题。又马尔柯夫是一种时间序列方法预测，在预测过程中所需的数据量是比较大的。因此在使用马尔柯夫预测方法进行预测时不要单独依据马尔柯夫方法进行预测，而是把马尔柯夫方法与其他预测方法结合起来应用，这样就

7、能弥补马尔柯夫的缺点使得预测精度进一步提高。（5）神经网络预测法神经网络法不同于一般的预测方法，人工神经网络模型可以利用一些经验性的知识，建立能够“学习”的模型。人工神经网络的工作原理是大致模拟人脑的工作原理，即首先要以一定的学习准则进行学习，然后才能进行推断、评价等工作方法。因此，近几年用神经网络进行预测分析得到了普遍的认可。轩超亭，黄培淸等于2000年用BP网络对上海市场自行车的需求量进行了预测[24]；王东旭，沈益民等于2001年用BP神经网络模型预测了ERP的安全供货库存[25]；Nguyen和Widrow通过加入权值W和阈值Q得到一个初始双重网

8、络，对原神经网络模型进行了优化，这种方法通常能成数量级地缩短神经网络的训练时间[