CN106920000B - 基于es预测技术的煤炭供应链牛鞭效应抑制方法 - Google Patents

基于es预测技术的煤炭供应链牛鞭效应抑制方法 Download PDF

Info

Publication number
CN106920000B
CN106920000B CN201611140002.6A CN201611140002A CN106920000B CN 106920000 B CN106920000 B CN 106920000B CN 201611140002 A CN201611140002 A CN 201611140002A CN 106920000 B CN106920000 B CN 106920000B
Authority
CN
China
Prior art keywords
coal
demand
period
supply chain
effect
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.)
Active
Application number
CN201611140002.6A
Other languages
English (en)
Other versions
CN106920000A (zh
Inventor
云小红
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.)
Zhejiang Zhiduo Network Technology Co ltd
Original Assignee
Xian University of Science and Technology
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 Xian University of Science and Technology filed Critical Xian University of Science and Technology
Priority to CN201611140002.6A priority Critical patent/CN106920000B/zh
Publication of CN106920000A publication Critical patent/CN106920000A/zh
Application granted granted Critical
Publication of CN106920000B publication Critical patent/CN106920000B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Animal Husbandry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Agronomy & Crop Science (AREA)
  • Mining & Mineral Resources (AREA)
  • General Health & Medical Sciences (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于ES预测技术的煤炭供应链牛鞭效应抑制方法，包括步骤：一、建立煤炭需求模型；二、计算t期的煤炭需求量Dt的方差；三、确定备货期L内需求预测值
Figure DDA0001177740880000011
四、确定煤炭订货量qt；五、确定煤炭订货量方差Var(qt)；六、获取煤炭供应链牛鞭效应BE的表达式；七、调节煤炭供应链牛鞭效应BE表达式中参数并抑制牛鞭效应。本发明设计新颖，实现方便、使用效果好，能有效解决复杂煤炭供应链牛鞭效应问题，避免了由于无法精准预测顾客需求而增加煤炭库存量和煤炭库存费用，并且避免了难以制定合理的生产计划造成生产过量，精度高。

Description

基于ES预测技术的煤炭供应链牛鞭效应抑制方法
技术领域
本发明属于抑制牛鞭效应技术领域，具体涉及一种基于ES预测技术的煤炭供应链牛鞭效应抑制方法。
背景技术
牛鞭效应(Bullwhip Effect，BE)是供应链上的一种需求变异放大现象，当信息流从客户端向供应商传递时，信息出现了扭曲而逐级放大，越靠近供应链的上游需求信息放大程度越严重。煤炭行业曾经是中国经济增长最大的受益者，经历了十年的繁荣时期，但在2012年出现重大转折。受实体经济下滑的影响，煤炭供应链出现急剧变化，煤炭需求量、产销量、铁路和港口转运量增速大幅下滑，库存增加、价格下行、效益下滑，随之出现一系列反应，低迷的市场环境进一步加剧了煤炭供应链牛鞭效应，比如由于无法精准预测客户需求而增加库存量和库存费用，并且难以制定合理的生产计划造成生产过量、供应过剩、产品积压，无形中增加额外成本，使得整个煤炭供应链的运作成本过高，运作效率和经济效益降低。指数平滑法(Exponential Smoothing，ES)预测技术是在移动平均法基础上发展起来的一种时间序列分析预测法，它是通过计算指数平滑值，配合一定的时间序列预测模型对现象的未来进行预测，其原理是任一期的指数平滑值都是前期实际观察值与前期指数平滑值的加权平均。
数理统计方法是量化并抑制牛鞭效应最常用的方法,数理统计方法的基本模型比较一致，基于AR(1)需求过程或者衍生出来的ARIMA需求过程的模型，由于研究的对象不同，则从基本模型出发，根据所研究的不同前提假设进行衍生，推演出基于各特定情形的量化模型。现有的基于移动平均法(MA)、指数平滑法(ES)、最小均方差法(MMSE)下进行需求预测时牛鞭效应的量化模型中，当AR(1)需求过程是已知并且不随时间变化，最小均方差(MMSE)法会有较好的表现；当AR(1)的需求过程随时间而发生改变的时候，移动平均法和指数平滑法两种方法因为其能够更敏感地捕捉到需求的短期波动，而显得更有效。然而，许多企业的需求过程都是一个固定间隔期的季节性循环，比如煤炭行业，煤炭主力消耗行业为电力、冶金、建材、化工等四大行业，这其中电力行业占据全国煤炭消费者的绝对优势地位，其波动趋势将代表四大用煤行业甚至全国煤炭消费量的波动趋势。而电力消费受季节性因素影响较大，夏、冬两季明显高于春、秋两季，致使电力生产量和电力生产所需的煤炭需求量存在季节性波动，而且，煤炭的需求统计数据告诉我们，AR模型、ARIMA模型或ARMA模型并不是描述煤炭供应链市场需求的最佳模型，煤炭市场需求带有明显的季节性特征，因此，现如今缺少一种带有明显的季节性波动趋势且可有效缓解煤炭供应链牛鞭效应抑制方法，提升煤炭供应链效率和效益，实现煤炭供应链健康、稳定发展。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于ES预测技术的煤炭供应链牛鞭效应抑制方法，实现方便、使用效果好，能有效解决复杂煤炭供应链牛鞭效应问题，避免了由于无法精准预测顾客需求而增加煤炭库存量和煤炭库存费用，并且避免了难以制定合理的生产计划造成生产过量，精度高，便于推广使用。
为解决上述技术问题，本发明采用的技术方案是：基于ES预测技术的煤炭供应链牛鞭效应抑制方法，其特征在于该方法包括以下步骤：
步骤一、建立煤炭需求模型：采用计算机构建煤炭需求模型且煤炭需求量D服从SARMA(1,0)X(0,1)s季节时间序列，其中，s为季节性循环周期；
步骤二、根据公式
Figure BDA0001177740860000021
计算t期的煤炭需求量Dt的方差，其中，t期的煤炭需求量Dt服从步骤一中SARMA模型且Dt＝μ+ρDt-1+εt-θεt-s，μ是非负常数，ρ为季节性自回归系数且0<ρ<1，θ为季节性移动平均系数且0<θ<1，εt为t期独立同分布的随机变量且εt～N(0,σ2)，εt-s为t-s期独立同分布的随机变量且εt-s～N(0,σ2)，Dt-1为输入计算机中的t-1期实际煤炭需求量；
步骤三、确定备货期L内需求预测值
Figure BDA0001177740860000031
过程如下：
步骤301、确定t期时备货期L内第i备货期的需求预测值
Figure BDA0001177740860000032
计算机采用指数平滑法计算
Figure BDA0001177740860000033
且
Figure BDA0001177740860000034
其中，α为权值且0<α<1，
Figure BDA0001177740860000035
为t-1期煤炭需求预测值且
Figure BDA0001177740860000036
的初始值人工给定；
步骤302、根据公式
Figure BDA0001177740860000037
计算备货期L内需求预测值
Figure BDA0001177740860000038
其中，根据步骤301可得到
Figure BDA0001177740860000039
步骤四、确定煤炭订货量，过程如下：
步骤401、预测提前期需求的煤炭库存St：煤炭库存St采用定期补充库存策略中目标库存水平的确定方法，其中，
Figure BDA00011777408600000310
z为保证供货的服务水平系数，
Figure BDA00011777408600000311
为提前期需求预测误差且
Figure BDA00011777408600000312
为不随时间变化的常数；
步骤402、计算t期初煤炭销售运输企业向煤炭勘探开采企业发出的煤炭订货量qt：首先，通过计算机维持期末库存水平保持在St，计算得煤炭订货量
Figure BDA00011777408600000313
St-1为期末库存水平保持在St的前一期库存水平；然后，将步骤302中
Figure BDA00011777408600000314
带入
Figure BDA00011777408600000315
得
Figure BDA00011777408600000316
步骤五、确定煤炭订货量方差Var(qt)，过程如下：
步骤501、对公式
Figure BDA00011777408600000317
两边同取方差，计算t-1期煤炭需求预测值
Figure BDA00011777408600000318
的方差，得
Figure BDA00011777408600000319
其中，取
Figure BDA00011777408600000320
且Var(Dt-1)＝Var(Dt)；
步骤502、对公式
Figure BDA00011777408600000321
进行无限展开，推导t-1期煤炭需求预测值
Figure BDA00011777408600000322
展开形式，得
Figure BDA00011777408600000323
m为预测展开次数；
步骤503、对协方差
Figure BDA00011777408600000324
进行展开，将步骤502所得
Figure BDA00011777408600000325
带入协方差
Figure BDA00011777408600000326
进行等价转换，得
Figure BDA0001177740860000041
对步骤二中t期的煤炭需求量Dt＝μ+ρDt-1+εt-θεt-s进行递推，得t期进行m次预测后的煤炭需求量
Figure BDA0001177740860000042
j为预测展开次数m的变量，将递推后的Dt+m带入cov(Dt+m,Dt)对协方差
Figure BDA0001177740860000043
进行展开，得
Figure BDA0001177740860000044
步骤504、对
Figure BDA0001177740860000045
两边同取方差，计算煤炭订货量方差Var(qt)，得
Figure BDA0001177740860000046
将t-1期需求预测值方差
Figure BDA0001177740860000047
以及实际煤炭需求量和需求预测值的协方差
Figure BDA0001177740860000048
带入
Figure BDA0001177740860000049
得
Figure BDA00011777408600000410
步骤六、获取煤炭供应链牛鞭效应BE的表达式：根据公式
Figure BDA00011777408600000411
计算煤炭供应链牛鞭效应BE的表达式，将步骤504中得到的
Figure BDA00011777408600000412
带入公式
Figure BDA00011777408600000413
得煤炭供应链牛鞭效应BE的表达式为
Figure BDA00011777408600000414
步骤七、调节煤炭供应链牛鞭效应BE表达式中参数并抑制牛鞭效应：通过计算机选取煤炭供应链牛鞭效应BE表达式中参数取值，调节煤炭供应链牛鞭效应BE的数值抑制牛鞭效应。
上述的基于ES预测技术的煤炭供应链牛鞭效应抑制方法，其特征在于：步骤二中季节性自回归系数ρ和季节性移动平均系数θ均满足平稳可逆条件。
上述的基于ES预测技术的煤炭供应链牛鞭效应抑制方法，其特征在于：步骤二中t期包括t月或t季度。
上述的基于ES预测技术的煤炭供应链牛鞭效应抑制方法，其特征在于：步骤401中保证供货的服务水平系数z取0。
上述的基于ES预测技术的煤炭供应链牛鞭效应抑制方法，其特征在于：步骤301中权值α满足：0.5<α<1。
本发明与现有技术相比具有以下优点：
1、本发明采用的抑制方法步骤简单合理、实现方便。
2、本发明采用的抑制方法基于ES预测技术，兼容了全期平均法和移动平均法的优势，不舍弃过去的数据，根据预测给予逐渐减弱的影响程度，通过计算指数平滑值赋予逐渐收敛为零的权数，配合一定的时间序列预测模型对现象的未来进行预测，可以精准预测煤炭客户需求，进而减少煤炭供应链牛鞭效应，所需参数少，就可以预测出来所需要的结果，实现效果好。
3、本发明采用计算机建立带有明显的季节性波动趋势的SARMA煤炭需求模型，可有效缓解煤炭供应链牛鞭效应，提升煤炭供应链效率和效益，实现煤炭供应链健康、稳定发展。
4、本发明设计新颖合理，能有效解决煤炭供应链牛鞭效应带来的危害问题，能对需抑制的煤炭供应链牛鞭效应进行有效预防，便于推广使用。
综上所述，本发明设计新颖合理，实现方便、使用效果好，能有效解决复杂煤炭供应链牛鞭效应问题，避免了由于无法精准预测顾客需求而增加煤炭库存量和煤炭库存费用，并且避免了难以制定合理的生产计划造成生产过量，精度高，便于推广使用。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明的方法流程框图。
具体实施方式
如图1所示，本发明的基于ES预测技术的煤炭供应链牛鞭效应抑制方法，其特征在于该方法包括以下步骤：
步骤一、建立煤炭需求模型：采用计算机构建煤炭需求模型且煤炭需求量D服从SARMA(1,0)X(0,1)s季节时间序列，其中，s为季节性循环周期；
实际使用中，煤炭供应链是一个固定间隔期的季节性循环，夏、冬两季明显高于春、秋两季，致使煤炭需求量存在季节性波动，建立的煤炭需求模型中煤炭需求量D服从SARMA(1,0)X(0,1)s季节时间序列，预测的煤炭需求量比传统的AR模型、ARIMA模型或ARMA模型精度高。
步骤二、根据公式
Figure BDA0001177740860000061
计算t期的煤炭需求量Dt的方差，其中，t期的煤炭需求量Dt服从步骤一中SARMA模型且Dt＝μ+ρDt-1+εt-θεt-s，μ是非负常数，ρ为季节性自回归系数且0<ρ<1，θ为季节性移动平均系数且0<θ<1，εt为t期独立同分布的随机变量且εt～N(0,σ2)，εt-s为t-s期独立同分布的随机变量且εt-s～N(0,σ2)，Dt-1为输入计算机中的t-1期实际煤炭需求量；
本实施例中，步骤二中季节性自回归系数ρ和季节性移动平均系数θ均满足平稳可逆条件。
实际使用中，季节性自回归系数ρ和季节性移动平均系数θ均满足平稳条件，即季节性自回归系数ρ和季节性移动平均系数θ的协方差平稳不随时间的推移而改变；同时，季节性自回归系数ρ和季节性移动平均系数θ均满足可逆条件，即季节性自回归系数ρ和季节性移动平均系数θ在时间的推移下趋于0，因此，t期的煤炭需求量Dt的方差Var(Dt)不随时间的推移而改变。
本实施例中，步骤二中t期包括t月或t季度。
步骤三、确定备货期L内需求预测值
Figure BDA0001177740860000062
过程如下：
步骤301、确定t期时备货期L内第i备货期的需求预测值
Figure BDA0001177740860000063
计算机采用指数平滑法计算
Figure BDA0001177740860000064
且
Figure BDA0001177740860000065
其中，α为权值且0<α<1，
Figure BDA0001177740860000066
为t-1期煤炭需求预测值且
Figure BDA0001177740860000067
的初始值人工给定；
本实施例中，步骤301中权值α满足：0.5<α<1。
实际使用中，采用ES预测技术，预测值是前期观察值和前期指数平滑值的加权平均，且对前期观察值和前期指数平滑值给予不同的权值，前期指数平滑值给予较小的权值，前期观察值给予较大的权值，
Figure BDA0001177740860000071
为t-1期煤炭需求预测值且
Figure BDA0001177740860000072
的初始值通过键盘人工输入至计算机，
Figure BDA0001177740860000073
的初始值人工给定误差较大，随着时间的推移预测量越来越接近需求量；
ES预测技术兼容了全期平均法和移动平均法的优势，其中，移动平均法则不考虑前期指数平滑值，只计算最近数期实际需求值的平均值；而指数平滑法所需数据资料少，就可以预测出来所需要的结果，指数平滑法是在移动平均法基础上改进的时间序列分析预测法，不舍弃过去的数据，根据预测给予前期的预测值逐渐减弱的影响程度，通过计算指数平滑值赋予逐渐收敛为零的权数，配合一定的时间序列预测模型对现象的未来进行预测，可以精准预测煤炭客户需求，进而减少煤炭供应链牛鞭效应，实现效果好。
步骤302、根据公式
Figure BDA0001177740860000074
计算备货期L内需求预测值
Figure BDA0001177740860000075
其中，根据步骤301可得到
Figure BDA0001177740860000076
步骤四、确定煤炭订货量，过程如下：
步骤401、预测提前期需求的煤炭库存St：煤炭库存St采用定期补充库存策略中目标库存水平的确定方法，其中，
Figure BDA0001177740860000077
z为保证供货的服务水平系数，
Figure BDA0001177740860000078
为提前期需求预测误差且
Figure BDA0001177740860000079
为不随时间变化的常数；
本实施例中，步骤401中保证供货的服务水平系数z取0。
实际使用中，由于煤炭库存不足或者库存过量都会影响煤炭用户的稳步运行，增加煤炭用户的运营压力，进而影响其正常供应，因此，煤炭库存多采用定期补充库存策略中目标库存水平的确定方法，煤炭销售运输企业周期检查库存，为使期末库存水平保持在St，取保证供货的服务水平系数z为0，简化步骤，便于计算。
步骤402、计算t期初煤炭销售运输企业向煤炭勘探开采企业发出的煤炭订货量qt：首先，通过计算机维持期末库存水平保持在St，计算得煤炭订货量
Figure BDA0001177740860000081
St-1为期末库存水平保持在St的前一期库存水平；然后，将步骤302中
Figure BDA0001177740860000082
带入
Figure BDA0001177740860000083
得
Figure BDA0001177740860000084
实际订货中，煤炭订货量qt可以为负数，表示多余库存可以无成本返回给煤炭勘探开采企业。
步骤五、确定煤炭订货量方差Var(qt)，过程如下：
步骤501、对公式
Figure BDA0001177740860000085
两边同取方差，计算t-1期煤炭需求预测值
Figure BDA0001177740860000086
的方差，得
Figure BDA0001177740860000087
其中，取
Figure BDA0001177740860000088
且Var(Dt-1)＝Var(Dt)；
t期的煤炭需求量Dt的方差Var(Dt)不随时间的推移而改变，煤炭需求量Dt的是平稳时间序列，故
Figure BDA0001177740860000089
且Var(Dt-1)＝Var(Dt)。
步骤502、对公式
Figure BDA00011777408600000810
进行无限展开，推导t-1期煤炭需求预测值
Figure BDA00011777408600000811
展开形式，得
Figure BDA00011777408600000812
m为预测展开次数；
步骤503、对协方差
Figure BDA00011777408600000813
进行展开，将步骤502所得
Figure BDA00011777408600000814
带入协方差
Figure BDA00011777408600000815
进行等价转换，得
Figure BDA00011777408600000816
对步骤二中t期的煤炭需求量Dt＝μ+ρDt-1+εt-θεt-s进行递推，得t期进行m次预测后的煤炭需求量
Figure BDA00011777408600000817
j为预测展开次数m的变量，将递推后的Dt+m带入cov(Dt+m,Dt)对协方差
Figure BDA00011777408600000818
进行展开，得
Figure BDA00011777408600000819
步骤504、对
Figure BDA00011777408600000820
两边同取方差，计算煤炭订货量方差Var(qt)，得
Figure BDA00011777408600000821
将t-1期需求预测值方差
Figure BDA00011777408600000822
以及实际煤炭需求量和需求预测值的协方差
Figure BDA0001177740860000091
带入
Figure BDA0001177740860000092
得
Figure BDA0001177740860000093
步骤六、获取煤炭供应链牛鞭效应BE的表达式：根据公式
Figure BDA0001177740860000094
计算煤炭供应链牛鞭效应BE的表达式，将步骤504中得到的
Figure BDA0001177740860000095
带入公式
Figure BDA0001177740860000096
得煤炭供应链牛鞭效应BE的表达式为
Figure BDA0001177740860000097
步骤七、调节煤炭供应链牛鞭效应BE表达式中参数并抑制牛鞭效应：通过计算机选取煤炭供应链牛鞭效应BE表达式中参数取值，调节煤炭供应链牛鞭效应BE的数值抑制牛鞭效应。
实际使用中，煤炭供应链中牛鞭效应BE的数值大于1表明存在牛鞭效应，在大于1的范围内牛鞭效应BE的数值越小，煤炭供应链牛鞭效应抑制效果越好。
本发明使用时，煤炭供应链牛鞭效应BE的表达式可知，ES预测技术下，煤炭供应链牛鞭效应值BE依赖以下六个参数：权值α、提前订货的备货期L、季节性自回归系数ρ、季节性移动平均系数θ、季节性循环周期s和预测展开次数m。
当权值α或提前订货的备货期L越小时，煤炭供应链牛鞭效应值BE越小；
当季节性移动平均系数θ越大，将煤炭供应链牛鞭效应值BE的表达式变换为
Figure BDA0001177740860000098
由于0<θ<1，季节性移动平均系数θ越大，
Figure BDA0001177740860000099
的数值越小，煤炭供应链牛鞭效应BE的数值越小，煤炭供应链牛鞭效应抑制效果越好；
又由于0<ρ<1，当季节性自回归系数ρ越小，煤炭供应链牛鞭效应值BE越小；
当季节性循环周期s越小，将煤炭供应链牛鞭效应值BE的表达式变换为
Figure BDA0001177740860000101
季节性循环周期s越小，ρs的数值越小，煤炭供应链牛鞭效应BE的数值越小，煤炭供应链牛鞭效应抑制效果越好；
当预测展开次数m越大，将煤炭供应链牛鞭效应值BE的表达式变换为
Figure BDA0001177740860000102
预测展开次数m越大，ρm的数值越小，煤炭供应链牛鞭效应BE的数值越小，煤炭供应链牛鞭效应抑制效果越好；
实际使用中，根据实际需求，煤炭供应链牛鞭效应BE的数值达到最小时，提前订货的备货期L和季节性循环周期s不可能无限的小，预测展开次数m不可能无限的大，选取合适的提前订货的备货期L、季节性循环周期s和预测展开次数m，结合权值α、季节性自回归系数ρ和季节性移动平均系数θ，获取较佳的抑制数值。
以上所述，仅是本发明的较佳实施例，并非对本发明作任何限制，凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化，均仍属于本发明技术方案的保护范围内。

Claims (5)

1.基于ES预测技术的煤炭供应链牛鞭效应抑制方法，其特征在于该方法包括以下步骤：
步骤一、建立煤炭需求模型：采用计算机构建煤炭需求模型且煤炭需求量D服从SARMA(1,0)X(0,1)s季节时间序列，其中，s为季节性循环周期；
步骤二、根据公式
Figure FDA0001177740850000011
计算t期的煤炭需求量Dt的方差，其中，t期的煤炭需求量Dt服从步骤一中SARMA模型且Dt＝μ+ρDt-1+εt-θεt-s，μ是非负常数，ρ为季节性自回归系数且0<ρ<1，θ为季节性移动平均系数且0<θ<1，εt为t期独立同分布的随机变量且εt～N(0,σ2)，εt-s为t-s期独立同分布的随机变量且εt-s～N(0,σ2)，Dt-1为输入计算机中的t-1期实际煤炭需求量；
步骤三、确定备货期L内需求预测值
Figure FDA0001177740850000012
过程如下：
步骤301、确定t期时备货期L内第i备货期的需求预测值
Figure FDA0001177740850000013
计算机采用指数平滑法计算
Figure FDA0001177740850000014
且
Figure FDA0001177740850000015
其中，α为权值且0<α<1，
Figure FDA0001177740850000016
为t-1期煤炭需求预测值且
Figure FDA0001177740850000017
的初始值人工给定；
步骤302、根据公式
Figure FDA0001177740850000018
计算备货期L内需求预测值
Figure FDA0001177740850000019
其中，根据步骤301可得到
Figure FDA00011777408500000110
步骤四、确定煤炭订货量，过程如下：
步骤401、预测提前期需求的煤炭库存St：煤炭库存St采用定期补充库存策略中目标库存水平的确定方法，其中，
Figure FDA00011777408500000111
z为保证供货的服务水平系数，
Figure FDA00011777408500000112
为提前期需求预测误差且
Figure FDA00011777408500000113
为不随时间变化的常数；
步骤402、计算t期初煤炭销售运输企业向煤炭勘探开采企业发出的煤炭订货量qt：首先，通过计算机维持期末库存水平保持在St，计算得煤炭订货量
Figure FDA00011777408500000114
St-1为期末库存水平保持在St的前一期库存水平；然后，将步骤302中
Figure FDA00011777408500000115
带入
Figure FDA00011777408500000116
得
Figure FDA00011777408500000117
步骤五、确定煤炭订货量方差Var(qt)，过程如下：
步骤501、对公式
Figure FDA0001177740850000021
两边同取方差，计算t-1期煤炭需求预测值
Figure FDA0001177740850000022
的方差，得
Figure FDA0001177740850000023
其中，取
Figure FDA0001177740850000024
且Var(Dt-1)＝Var(Dt)；
步骤502、对公式
Figure FDA0001177740850000025
进行无限展开，推导t-1期煤炭需求预测值
Figure FDA0001177740850000026
展开形式，得
Figure FDA0001177740850000027
m为预测展开次数；
步骤503、对协方差
Figure FDA0001177740850000028
进行展开，将步骤502所得
Figure FDA0001177740850000029
带入协方差
Figure FDA00011777408500000210
进行等价转换，得
Figure FDA00011777408500000211
对步骤二中t期的煤炭需求量Dt＝μ+ρDt-1+εt-θεt-s进行递推，得t期进行m次预测后的煤炭需求量
Figure FDA00011777408500000212
j为预测展开次数m的变量，将递推后的Dt+m带入cov(Dt+m,Dt)对协方差
Figure FDA00011777408500000213
进行展开，得
Figure FDA00011777408500000214
步骤504、对
Figure FDA00011777408500000215
两边同取方差，计算煤炭订货量方差Var(qt)，得
Figure FDA00011777408500000216
将t-1期需求预测值方差
Figure FDA00011777408500000217
以及实际煤炭需求量和需求预测值的协方差
Figure FDA00011777408500000218
带入
Figure FDA00011777408500000219
得
Figure FDA00011777408500000220
步骤六、获取煤炭供应链牛鞭效应BE的表达式：根据公式
Figure FDA00011777408500000221
计算煤炭供应链牛鞭效应BE的表达式，将步骤504中得到的
Figure FDA00011777408500000222
带入公式
Figure FDA00011777408500000223
得煤炭供应链牛鞭效应BE的表达式为
Figure FDA0001177740850000031
步骤七、调节煤炭供应链牛鞭效应BE表达式中参数并抑制牛鞭效应：通过计算机选取煤炭供应链牛鞭效应BE表达式中参数取值，调节煤炭供应链牛鞭效应BE的数值抑制牛鞭效应。
2.按照权利要求1所述的基于ES预测技术的煤炭供应链牛鞭效应抑制方法，其特征在于：步骤二中季节性自回归系数ρ和季节性移动平均系数θ均满足平稳可逆条件。
3.按照权利要求1或2所述的基于ES预测技术的煤炭供应链牛鞭效应抑制方法，其特征在于：步骤二中t期包括t月或t季度。
4.按照权利要求3所述的基于ES预测技术的煤炭供应链牛鞭效应抑制方法，其特征在于：步骤401中保证供货的服务水平系数z取0。
5.按照权利要求3所述的基于ES预测技术的煤炭供应链牛鞭效应抑制方法，其特征在于：步骤301中权值α满足：0.5<α<1。
CN201611140002.6A 2016-12-12 2016-12-12 基于es预测技术的煤炭供应链牛鞭效应抑制方法 Active CN106920000B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611140002.6A CN106920000B (zh) 2016-12-12 2016-12-12 基于es预测技术的煤炭供应链牛鞭效应抑制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611140002.6A CN106920000B (zh) 2016-12-12 2016-12-12 基于es预测技术的煤炭供应链牛鞭效应抑制方法

Publications (2)

Publication Number Publication Date
CN106920000A CN106920000A (zh) 2017-07-04
CN106920000B true CN106920000B (zh) 2020-11-13

Family

ID=59453290

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611140002.6A Active CN106920000B (zh) 2016-12-12 2016-12-12 基于es预测技术的煤炭供应链牛鞭效应抑制方法

Country Status (1)

Country Link
CN (1) CN106920000B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113052330B (zh) * 2021-03-18 2022-08-02 淮北师范大学 一种基于vmd-svm算法的牛鞭效应弱化方法
CN113592309B (zh) * 2021-08-02 2024-04-30 上海华能电子商务有限公司 一种基于数据驱动的多级库存定额制定方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104008428A (zh) * 2014-05-19 2014-08-27 上海交通大学 产品服务需求预测和资源优选配置方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7054706B2 (en) * 2003-06-30 2006-05-30 Intel Corporation Managing supply chains with model predictive control

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104008428A (zh) * 2014-05-19 2014-08-27 上海交通大学 产品服务需求预测和资源优选配置方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
The impact of forecasting methods on the bullwhip effect;Xiaolong Zhang;《International Journal of Production Economics》;20041231;第15-27页 *
基于SARMA需求模式的牛鞭效应分析;云小红等;《数学的实践与认识》;20151130;第99-106页 *
煤炭供应链牛鞭效应量化研究;云小红等;《西安科技大学学报》;20160731;第560-566页 *

Also Published As

Publication number Publication date
CN106920000A (zh) 2017-07-04

Similar Documents

Publication Publication Date Title
WO2019001120A1 (zh) 商品动态定价数据处理方法和系统
Huang et al. Monthly streamflow prediction using modified EMD-based support vector machine
Moon et al. The development of a hierarchical forecasting method for predicting spare parts demand in the South Korean Navy—A case study
Su et al. A systematic data-driven Demand Side Management method for smart natural gas supply systems
Costantini et al. A hierarchical procedure for the combination of forecasts
CN107563705A (zh) 利用大数据分析家电产品安全库存及再订货的系统和方法
Hansun et al. Performance analysis of conventional moving average methods in forex forecasting
US20210326696A1 (en) Method and apparatus for forecasting power demand
Goyal et al. Production policy for ameliorating/deteriorating items with ramp type demand
Peña-Guzmán et al. Forecasting Water Demand in Residential, Commercial, and Industrial Zones in Bogotá, Colombia, Using Least‐Squares Support Vector Machines
CN104657788A (zh) 基于行业景气指数的重点行业用电量预测方法
CN106920000B (zh) 基于es预测技术的煤炭供应链牛鞭效应抑制方法
CN107358472A (zh) 数据处理方法及装置
Wen et al. Daily sales forecasting for grapes by support vector machine
Safiullin et al. Assessment of the sustainable development prospects and competitiveness of industrial production of a region under external shock “impulses”: The case of the republic of Tatarstan
Klebanova et al. Model basis of early warning and localization of crises in economic systems of territories
CN105389637A (zh) 用于月度用电预测模型的有效工作日构建方法
CN106952042A (zh) 一种售电量预测方法及装置
Wijeratne et al. Morgan-Mercer-Flodin model for long term trend analysis of currency exchange rates of some selected countries
Wang et al. Sales forecast of Chinese new energy vehicles based on wavelet and BP neural network
JP5022729B2 (ja) 流動数管理システム、方法、及びプログラム
Jiang et al. Diverse replenishment frequency model for TOC supply chain replenishment systems with capacity constraints
Hosseini-Nasab et al. DEVELOPMENT OF OPENED-NETWORK DATA ENVELOPMENT ANALYSIS MODELS UNDER UNCERTAINTY.
Nivasanon et al. Demand forecasting for online market stock: Case study cleanroom apparel
CN110232593A (zh) 社会消费品零售总额累计增幅的预测方法和系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20231124

Address after: Room 407-10, floor 4, building 2, Haichuang science and technology center, Cangqian street, Yuhang District, Hangzhou City, Zhejiang Province, 311100

Patentee after: Zhejiang Zhiduo Network Technology Co.,Ltd.

Address before: 710054 No. 58, Yanta Road, Shaanxi, Xi'an

Patentee before: XI'AN University OF SCIENCE AND TECHNOLOGY