大家好,我是许栩,欢迎来到我的专栏《需求预测基础知识26讲》,本文是专栏的第9讲,时间序列预测法的分类。(专栏的明细目录见下图,具体请查看文末左下角“原文阅读”。)
一、随机漫步法/天真预测,Naive Forecast。
最简单的时间序列预测法被称为朴素模型。
朴素模型的思路是,假定未来的需求将完全复制过去的模式。朴素模型又称为随机漫步法,有时也被称作无变化模型,因为,它预测未来时期的结果和过去观察到的实际结果完全一样,没有变化。
但市场是动态变化的,认为未来和过去完全一样当然过于天真,于是,将这种随机漫步法称为天真预测。
天真预测,Naive Forecast,是指预测下一期需求时,下一期的预测数量等于本期的实际需求数量。无疑,这是一种最单纯、操作最简单、成本最低廉的预测方法。
天真预测最早由统计学家塞尔提出,他认为,没有比直接将前一个月的实际销售量作为后一个月的预测销售量更容易的事。他又提到,如果其他技术均不能比这最容易的技术提供更好的预测,我们为什么不使用简单的技术呢?
我非常认可这个观点,如果我们使用其它较复杂的预测技术,提供的预测结果并不比天真预测好,那么,我们为什么不直接使用天真预测。
二、平均法/移动平均法,Moving Average。
最常见的时间序列预测法是平均法。
平均法,即平均值预测法,是将以前各期的平均值作为下一期预测值的预测方法。平均法是最基础的时间序列分析方法,或者这么说,所有的时间序列技术本质上都是平均值。
因平均方法不考虑趋势与季节性且对需求的反应滞后,缺点明显,所以,为了克服平均值方法的缺点,其他几乎所有的时间序列方法都因此而发展起来。
平均法的具体方法有很多种,我将其分为数学方法、物理方法两个大类。数学方法主要包括,算术平均、几何平均、调和平均和平方平均。物理方法主要包括,移动平均、加权平均、移动加权平均和中心移动平均。
需求预测中最常用的平均法是移动平均法。这里说的最常用是指用得最多,并不代表移动平均法效果更好或预测更有效。
移动平均法,我将在专栏的第13讲详细讲述与说明。
三、平滑法/指数平滑法,Exponential Smoothing。
使用最广泛的时间序列预测法是平滑法。
首先说明,平滑其实是平均的一种(平均有时也称为平滑),平滑法是一种特殊的平均方法。我这里将平滑法单列说明,是为了与上面所讲的那些普通的平均方法相区分。
平滑法的具体方法也有很多种(比如仅自适应平滑技术就有十多种),比如一次指数平滑法(也称指数平滑法)、自适应指数平滑法、Holt双参数指数平滑法,Holt-Winters三参数指数平滑法等。
需求预测中最常见平滑法是一次指数平滑法。
一次指数平滑法,我将在专栏的第15讲详细讲述与说明。
四、时间序列预测法的分类图。
以上,我说明时间序列的主要几种方法,分别是最简单的天真预测法,最常见的平均值预测法和使用最广泛的平滑预测法。
时间序列预测法的分类明细如上图,不过,我们一般忽略天真预测,仅将时间序列分为平均法和平滑法两大类。
五、时间序列技术的另一种分类方法。
按照时间序列技术如何区分时间序列的四种模式(水平、趋势、季节性和噪音),可以将时间序列技术分为两大类:开放模型时间序列技术和固定模型时间序列技术。
开放模型时间序列预测(OMTS,Open-ModelTime-Series),通过分析时间序列中存在的四种模式,建立针对分析结果的唯一模型来进行预测。固定模型时间序列预测(FMTS,Fixed- Model Time-Series),则先假设时间序列中存在(或不存在)四个模式中的一种或几种,再进行建模预测。
用一句话描述两者的区别:开放模型时间序列预测是先建模后分析,固定模型时间序列预测是先分析后建模。
存在多种不同的开放模型时间序列技术,比如分解分析技术、谱分析技术、傅里叶分析技术、自回归移动平均分析技术等。
使用开放模型时间序列技术进行预测,需要大量的历史数据,并且分析过程非常复杂,对使用者的技术要求非常高,并且,最关键的是,它预测的结果并不一定比固定模型时间序列技术表现更好。
所以,对于我们做供应链管理的需求预测来说,我非常不建议使用开放模型时间序列技术进行预测,完全没有必要,而使用固定模型时间序列技术,完全可以满足我们供应链进行需求预测的需求。
前面我讲的平均法、平滑法都属于固定模型时间序列预测法。
本讲小结。
最简单的时间序列预测法是天真预测法,但因为过于“天真”,我们一般不用,除天真预测外,我将时间序列分为平均法和平滑法两大类。
最常见的平均法是移动平均法,最常见的平滑法是指数平滑法。
按照时间序列技术如何区分时间序列的四种模式,我们还可以将时间序列预测法分为开放模型时间序列预测法和固定模型时间序列预测法。开放模型时间序列预测法因其要求数据多、复杂和不实用,所以,我不建议我们日常工作中采用。
有话要说...