CN104036103A - 一种面向供应链系统的多尺度需求预测方法 - Google Patents

一种面向供应链系统的多尺度需求预测方法 Download PDF

Info

Publication number
CN104036103A
CN104036103A CN201310071041.5A CN201310071041A CN104036103A CN 104036103 A CN104036103 A CN 104036103A CN 201310071041 A CN201310071041 A CN 201310071041A CN 104036103 A CN104036103 A CN 104036103A
Authority
CN
China
Prior art keywords
predicted value
period
demand
refer
forecasting
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201310071041.5A
Other languages
English (en)
Inventor
徐小龙
孙雁飞
张顺颐
王晓军
李玲娟
骆健
徐鹤
刘茜萍
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Post and Telecommunication University
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing Post and Telecommunication University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing Post and Telecommunication University filed Critical Nanjing Post and Telecommunication University
Priority to CN201310071041.5A priority Critical patent/CN104036103A/zh
Publication of CN104036103A publication Critical patent/CN104036103A/zh
Pending legal-status Critical Current

Links

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

针对目前单一尺度需求预测方法所导致的需求预测精度的难以控制，本发明提出的一种面向供应链系统的多尺度需求预测方法，综合考虑针对某一预测对象的长期趋势、周期波动和近期市场消费情况，以及当前突发的随机扰动事件，对未来某一时段的市场需求进行科学合理的预测，给出了产品在未来的一段时间里的需求期望水平，为企业调整生产能力、采购、安排生产作业等具体生产经营活动和组织供应链提供重要的计划和决策支撑依据。

Description

一种面向供应链系统的多尺度需求预测方法
技术领域
本发明是一种针对基于互联网或是内联网的供应链系统，为了提升供应链系统中所涉及的主体的针对未来不确定需求的反应能力，可采用的多尺度需求预测方法。本技术属于计算机网络、计算机软件、电子商务的交叉技术应用领域。
背景技术
随着当前市场竞争日益激烈和全球化，企业需要对它在市场的活动采取更加先进，更加有效率的管理运作方式。供应链将供应商、制造商、运输商、分销商、零售商以及客户等多个主体视为生产活动的组成部分而加以控制和协调的有机系统。很多学者也对供应链管理给出了定义。哈理森（Harrison）将供应链定义为一种“执行采购原材料，将它们转换为中间产品和成品，并且将成品销售到用户的功能网链”。史蒂文斯（Stevens）认为供应链是一种“通过增值过程和分销渠道控制，始于供应的源点、结束于消费的终点的流”。供应链管理（Supply Chain Management ,简称SCM）系统围绕核心企业，为了使整个供应链系统成本达到最小，通过对信息流，物流，资金流的控制，从采购原材料开始，制成中间产品以及最终产品，最后由销售网络把产品送到消费者手中的，将供应商、制造商、运输商、分销商、零售商，直到最终客户连成整体的功能网链系统，有效支撑计划、获得、存储、分销、服务等活动。
供应链的反应能力的重要指标是指供应链对变动的产品及原料的未来需求量的反应速度和预测准确度。预测是根据已知事件的规律性，去预计和推断未知事件，既包括对目前尚未发生的事件的推测，也包括对现在已经发生但我们尚未观察到的事件的推测。从狭义上理解，预测仅指对目前尚未发生的事件的推测，但不包括对现在已经发生而尚未被观察到的事件的推测。需求预测为企业给出了产品在未来的一段时间里的需求期望水平，为企业的计划和控制决策提供了依据。需求预测分为定性预测和定量预侧：定性预测是指通过对预测对象目标运动的内在机理进行质的分析，以判断未来质的变化情况的预测；定量预侧是运用一套严密的预测理论和根据这些理论所建立的数学模型，对预测对象目标运动质的规律进行描述，据以预测未来量的变化程度。
需求预测精度的控制是供应链预测中的重要环节。如果不能及时察觉环境变化及其变化规律性，将会影响预测结果的精度，产生较大的产销偏差，从而导致决策错误。
发明内容
技术问题：本发明的目的是提出一种面向供应链系统的多尺度需求预测方法，针对目前单一尺度需求预测方法所导致的需求预测精度的难以控制，从宏观、微观的多维因素来对未来的市场需求进行更为科学合理的预测，从而有效支撑企业的生产决策并保障供应链系统的正常运行。
技术方案：本发明的面向供应链系统的多尺度需求预测方法，综合考虑针对某一预测对象的长期趋势、周期波动和近期市场消费情况，以及当前突发的随机扰动事件，对未来某一时段的市场需求进行科学合理的预测，给出了产品在未来的一段时间里的需求期望水平，为企业调整生产能力、采购、安排生产作业等具体生产经营活动和组织供应链提供重要的计划和决策支撑依据。
多尺度需求预测方法考虑的多维因素包括：
（1）长期趋势成分——指需求数据在长期时间区间（如以年为单位）内的环比变化趋势；
（2）周期波动成分——指需求数据在中期时间区间（如以一年内的各季度或月份为单位）内作周期性的规则波动；
（3）近期消费成分——指需求数据在短期时间区间（如以天为单位）内的市场需求情况；
（4）随机扰动成分——指需求数据由于随机突发的事件引起无规则的异常情况。
设针对预测对象的下一时期的需求预测值为 ，则：
（1）
式（1）中（）指的分别是长期（）、中期（）和短期（）的多维时间尺度，联合构成一个特定的具体时间段；是指针对预测对象在下一时期（）的长期趋势预测值，是指针对预测对象的下一时期（）的周期波动预测值，是指针对预测对象的下一时期（）的近期消费预测值，是指针对预测对象的下一时期（）的随机扰动预测值；是指为以上各个预测成分设定的权值，为用户提供动态调整各个成分对于预测结果的重要程度的接口。
1、长期趋势预测值
长期趋势预测值应能反映需求的总体发展水平。设实际的长期需求历史数值为，，，……，，首先计算出长期趋势的环比变化速度：
， ，……， （2）
然后计算出长期趋势的平均环比变化速度：
（3）
由此可以得出为：
（4）。
2、周期波动预测值
周期波动预测值主要是考虑了很多商品呈现的中期市场需求周期性波动规律。设实际需求历史数值为，，，……，，则：
（5）
式（5）中的是预测误差调节系数。式（4）表明当前针对下一时间段的预测值是当前时间段的实际值与上次针对当前时间段的预测值的加权平均，式（5）可进一步演绎为：
（6）
这表明根据历史的周期波动预测情况和历史上实际的市场需求情况可计算得出下一时间段的周期波动预测值。
3、近期消费预测值
近期消费预测值主要是选取短期一段时期内的市场需求情况来进行加权平均以预测未来时间段市场的需求情况。设近期的市场需求情况为,,,……, ，则：
（7）
式（7）中的是权重调节系数。
4、随机扰动预测值
随机扰动预测值主要是受到随机突发的事件的影响，这种影响是难以依赖计算机自动计算得到，因此主要是依赖人的主观判定，主要可通过定性预测中的专家调查法、用户期望调查法、部门主管意见和销售人员意见汇集法来人为的估算出来，让用户自身的经验也可作为预测的参数之一。
有益效果：本发明提出的一种面向供应链系统的多尺度需求预测方法，可达到如下的效果：
（1）科学合理。单一尺度需求预测方法所导致的需求预测精度的难以控制，本发明的面向供应链系统的多尺度需求预测方法，综合考虑针对某一预测对象的长期趋势、周期波动和近期市场消费情况，以及当前突发的随机扰动事件，对市场需求预测显然更为科学合理。
（2）简洁高效。方法采用易于理解的加权平均等方法来得出最终的数值结果，容易实施和部署，且方法的计算开销也较低。
（3）灵活。方法采用的调节系数都是用户可以灵活调节设置的，且随机扰动预测值也主要是依赖人的主观判定，这也为供应链系统用户提供了一个灵活的接口。
具体实施方式
本发明可具体实施于供应链系统中。本发明方法综合考虑针对某一预测对象的长期趋势、周期波动和近期市场消费情况，以及当前突发的随机扰动事件，对未来某一时段的市场需求进行科学合理的预测，给出了产品在未来的一段时间里的需求期望水平，为企业调整生产能力、采购、安排生产作业等具体生产经营活动和组织供应链提供重要的计划和决策支撑依据。
本方法主要是依据长期趋势、周期波动、近期消费和随机扰动因素计算得到下一时期的需求预测值为，则：
（8）
式（8）中（）指的分别是长期（）、中期（）和短期（）的多维时间尺度，联合构成一个特定的具体时间段；是指针对预测对象的下一时期（）的长期趋势预测值，是指针对预测对象的下一时期（）的周期波动预测值，是指针对预测对象的下一时期（）的近期消费预测值，是指针对预测对象的下一时期（）的随机扰动预测值；是指为以上各个预测成分设定的权值，为用户提供动态调整各个成分对于预测结果的重要程度的接口。
1、长期趋势预测值
长期趋势预测值应能反映需求的总体发展水平。设实际的长期需求历史数值为，，，……，，首先计算出长期趋势的环比速度：
， ，……， （9）
然后计算出长期趋势的平均环比速度：
（10）
由此可以得出为：
（11）。
2、周期波动预测值
周期波动预测值主要是考虑了很多商品呈现的中期市场需求周期性波动规律。设实际需求历史数值为，，，……，，则：
（12）
式（12）中的是预测误差调节系数。式（4）表明当前针对下一时间段的预测值是当前时间段的实际值与上次针对当前时间段的预测值的加权平均，式（12）可进一步演绎为：
（13）
这表明根据历史的周期波动预测情况和历史上实际的市场需求情况可计算得出下一时间段的周期波动预测值。
3、近期消费预测值
近期消费预测值主要是选取短期一段时期内的市场需求情况来进行加权平均以预测未来时间段市场的需求情况。设近期的市场需求情况为,,,……, ，则：
（14）
式（14）中的是权重调节系数。
4、随机扰动预测值
随机扰动预测值主要是受到随机突发的事件的影响，这种影响是难以依赖计算机自动计算得到，因此主要是依赖人的主观判定，主要可通过定性预测中的专家调查法、用户期望调查法、部门主管意见和销售人员意见汇集法来人为的估算出来，即本发明方法为供应链系统用户提供了一个灵活的接口，让用户自身的经验也可作为预测的参数之一。

Claims (1)

1. 一种面向供应链系统的多尺度需求预测方法，其特征在于：
1）综合考虑针对某一预测对象的长期趋势、周期波动和近期市场消费情况，以及当前突发的随机扰动因素，计算得到下一时期的需求预测值为 ，则：
（1）
式（1）中（）指的分别是长期（）、中期（）和短期（）的多维时间尺度，联合构成一个特定的具体时间段；是指针对预测对象的下一时期（）的长期趋势预测值，是指针对预测对象的下一时期（）的周期波动预测值，是指针对预测对象的下一时期（）的近期消费预测值，是指针对预测对象的下一时期（）的随机扰动预测值；是指为以上各个预测成分设定的权值；
其中，长期趋势预测值主要反映需求的总体发展水平，设实际的长期需求历史数值为，，，……，，首先计算出长期趋势的环比速度：
， ，……， （2）
然后计算出长期趋势的平均环比速度：
（3）
由此可以得出为：
（4）
2）周期波动预测值
周期波动预测值主要是考虑了很多商品呈现的中期市场需求周期性波动规律，设实际需求历史数值为，，，……，，则：
（5）
式（5）中的是预测误差调节系数，式（4）表明当前针对下一时间段的预测值是当前时间段的实际值与上次针对当前时间段的预测值的加权平均，式（5）可进一步演绎为：
（6）
这表明根据历史的周期波动预测情况和历史上实际的市场需求情况可计算得出下一时间段的周期波动预测值；
3）近期消费预测值
近期消费预测值主要是选取短期一段时期内的市场需求情况来进行加权平均以预测未来时间段市场的需求情况，设近期的市场需求情况为,,,……, ，则：
（7）
式（7）中的是权重调节系数；
4）随机扰动预测值
随机扰动预测值主要是受到随机突发的事件的影响，主要是依赖人的主观判定，主要通过定性预测中的专家调查法、用户期望调查法、部门主管意见和销售人员意见汇集法来人为的估算出来。
CN201310071041.5A 2013-03-06 2013-03-06 一种面向供应链系统的多尺度需求预测方法 Pending CN104036103A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310071041.5A CN104036103A (zh) 2013-03-06 2013-03-06 一种面向供应链系统的多尺度需求预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310071041.5A CN104036103A (zh) 2013-03-06 2013-03-06 一种面向供应链系统的多尺度需求预测方法

Publications (1)

Publication Number Publication Date
CN104036103A true CN104036103A (zh) 2014-09-10

Family

ID=51466874

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310071041.5A Pending CN104036103A (zh) 2013-03-06 2013-03-06 一种面向供应链系统的多尺度需求预测方法

Country Status (1)

Country Link
CN (1) CN104036103A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105678588A (zh) * 2016-01-13 2016-06-15 焦点科技股份有限公司 一种基于电商平台的产品销量波动性评估方法
CN107122928A (zh) * 2016-02-24 2017-09-01 阿里巴巴集团控股有限公司 一种供应链资源需求计划配置方法及装置
CN113298344A (zh) * 2021-04-07 2021-08-24 刘昕怡 一种实现需求牵引供给、供给创造需求的方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040260664A1 (en) * 2003-06-17 2004-12-23 Bo Thiesson Systems and methods for new time series model probabilistic ARMA
CN1641659A (zh) * 2004-01-06 2005-07-20 国际脉络股份有限公司 建立多对多供应链与需求链系统及方法
CN1815498A (zh) * 2005-02-04 2006-08-09 台湾积体电路制造股份有限公司 需求预测系统及方法
JP2006350532A (ja) * 2005-06-14 2006-12-28 Ricoh Co Ltd 市場動向予測システム、市場動向予測方法、プログラム及びコンピュータ読み取り可能な記録媒体
CN102385724A (zh) * 2010-08-27 2012-03-21 上海财经大学 一种应用于库存管理的零配件组合需求预测信息处理方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040260664A1 (en) * 2003-06-17 2004-12-23 Bo Thiesson Systems and methods for new time series model probabilistic ARMA
CN1641659A (zh) * 2004-01-06 2005-07-20 国际脉络股份有限公司 建立多对多供应链与需求链系统及方法
CN1815498A (zh) * 2005-02-04 2006-08-09 台湾积体电路制造股份有限公司 需求预测系统及方法
JP2006350532A (ja) * 2005-06-14 2006-12-28 Ricoh Co Ltd 市場動向予測システム、市場動向予測方法、プログラム及びコンピュータ読み取り可能な記録媒体
CN102385724A (zh) * 2010-08-27 2012-03-21 上海财经大学 一种应用于库存管理的零配件组合需求预测信息处理方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
G.PETER ZHANG,DOUGLAS M.KLINE: "《Quarterly Time-Series Forecasting With Neural Networks》", 《IEEE TRANSACTIONS ON NEURAL NETWORKS》 *
PHILIP DOGANIS,ET AL: "《A Model Predictive Control and Time Series Forecasting Framework for Supply Chain Management》", 《WORLD ACADEMY OF SCIENCE，ENGINEERING AND TECHNOLOGY》 *
王金旺: "《供应链环境下市场需求预测体系研究》", 《中国优秀硕士学位论文全文数据库 经济与管理科学辑》 *
舒彤等: "《基于影响因子的供应链协同预测方法》", 《系统工程理论与实践》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105678588A (zh) * 2016-01-13 2016-06-15 焦点科技股份有限公司 一种基于电商平台的产品销量波动性评估方法
CN105678588B (zh) * 2016-01-13 2017-05-31 焦点科技股份有限公司 一种基于电商平台的产品销量波动性评估方法
CN107122928A (zh) * 2016-02-24 2017-09-01 阿里巴巴集团控股有限公司 一种供应链资源需求计划配置方法及装置
CN113298344A (zh) * 2021-04-07 2021-08-24 刘昕怡 一种实现需求牵引供给、供给创造需求的方法

Similar Documents

Publication Publication Date Title
Jiang et al. Case-based reinforcement learning for dynamic inventory control in a multi-agent supply-chain system
US10430219B2 (en) Configuring virtual machines in a cloud computing platform
CN106971249A (zh) 一种销量预测及补货方法
US20150332349A1 (en) System and Method for Controlling Purchasing Pace in a Real-Time Bidding Environment Using Proportional-Integral-Derivative (PID) Control
Meng et al. Agent-based simulation of competitive performance for supply chains based on combined contracts
CN104156783A (zh) 计及气象累积效应的电力系统最大日负荷预测系统及方法
US20140052489A1 (en) Time derivative-based program management systems and methods
CN105046364B (zh) 一种基于供应链的多周期库存优化管理方法
CN104036103A (zh) 一种面向供应链系统的多尺度需求预测方法
CN110689217A (zh) 一种电脑生产智能制造系统
CN103679289A (zh) 基于多元回归外推法的电力负荷预测方法
JP6705716B2 (ja) 電力需要予測方法および電力需要予測プログラム
JP2016164712A (ja) 電力取引支援装置及び方法
JP2010003112A (ja) 経営支援装置及び経営支援方法
Chiang Optimal ordering policies for periodic-review systems with a refined intra-cycle time scale
CN106463959A (zh) 电力供需指导装置及电力供需指导方法
Safiullin et al. Methodology of Competitive Positioning of types of Economic Activities of the Territory
Pattnaik Entropic order quantity (EnOQ) model under cash discounts
CN114091770A (zh) 物料需求计划的预测分析方法、装置、设备及存储介质
Nugroho et al. Inventory management analysis by optimizing the forcasting methods (case study at PT XYZ Indonesia)
Pang et al. An uncertain aggregate production planning model for vegetables
CN103714399B (zh) 面向云计算系统的多尺度任务量预测值的确定方法
TWI771615B (zh) 訂單預測方法
Ma et al. Research on the revenue-sharing mechanism based on the price game of retailers
YiPeng The Impact of" Cloud Computing"-based Information Sharing on Supply Chain

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
AD01 Patent right deemed abandoned

Effective date of abandoning: 20171103

AD01 Patent right deemed abandoned