预测方法 | 分类 | 详述 | ||
定性 | 当被预测变量的历史数据不适合或者难以获得,利用专家判断来进行预测 | |||
定量 | • 当以下条件同时满足时 | |||
1. 被预测变量过去的信息可用 | ||||
2. 这些信息可以被量化 | ||||
3. 过去的模式将会持续到未来的假定合理 | ||||
• 使用时间序列法来进行预测 |
预测精度 | 测量预测精度 | 确定一种预测方法是否能很好地再现已经得到的时间序列数 | |||
预测误差 | 预测误差=实际值-预测值 | ||||
常用测度 | |||||
预测方法 | 朴素预测法 (用近的值作为下一期的预测值) | 平均绝对误差:MAE=预测误差绝对值的平均数 | |||
均方误差:MSE=预测误差平方和的平均数 | |||||
平均绝对百分数误差:MAPE=百分数预测误差的绝对值得平均数 | |||||
百分数误差=预测误差/实际值x100 | |||||
过去数值平均法 ( 用所有历史数据平均值作为下一期的预测值) | 平均绝对误差:MAE=预测误差绝对值的平均数 | ||||
均方误差:MSE=预测误差平方和的平均数 | |||||
平均绝对百分数误差:MAPE=百分数预测误差的绝对值得平均数 | |||||
百分数误差=预测误差/实际值x100 | |||||
时间序列分解法 | 概念 | 可以将一个时间序列分解出趋势、季节和不规则成分,得到对时间序列的一个更好的分析 | |||
分解模型 | • 假设时间序列t期的实际值为Yt | ||||
• Yt包含趋势成分、季节成分和不规则成分 | |||||
• 加法分解模型 Yt =Trendt +Seasonalt +Irregular t | |||||
• 乘法分解模型 Yt =Trendt ×Seasonalt ×Irregular | |||||
步骤 | 计算季节指数 (剔除数据中组合在一起的季节和不规则影响) | 1、计算移动平均数 | |||
2、计算中心移动平均数 | 移动平均数的平均数,得到趋势值 | ||||
3、计算季节指数 | 实际数值/趋势值 | | |||
消除季节影响的时间序列 | 消除季节影响的销售量=观测值Yt/季节指数 | ||||
利用消除季节影响的时间序列确定趋势 | | ||||
季节调整 | 消除季节影响的销售量*季节指数 |