3烟草系统卷烟需求预测模型的探讨

3.烟草系统卷烟需求预测模型的探讨王森吴春明浙江省绍兴市烟草专卖局(公司)浙江大学计算机学院摘要：中国烟草行业具有行政上的垄断性和生产上的计划性，有别与其它行业。做好卷烟销量的预测，是当前烟草行业工业生产环节与商业环节协同平滑进展的前提。本文运用了时间序列预测法，并选择了带季节指数的移动平均和最小平方法，分别对烟草系统的短、中期总体销量进行预测，同时为保证预测的可信度和选择最优的预测方法，通过计算预测标准差，设定误差控制。从算例结果比较来看，预测方法具有良好的有效性和实用性。关键词：时间序列预测法季节指数误差控制需求预测DiscussionaboutForecastingModelsofTobaccoSystemDemandsWangSenWuChunming(.DepartmentofComputerScienceandTechnology，ZhejiangUniversity，Hangzhou310027，China)(.DepartmentofComputerScienceandTechnology，ZhejiangUniversity，Hangzhou310027，China)Abstract：Chinesetobaccotradesystemisdifferentfromothertradesystem，ithasthefeatureofadministrationmonopolyandproduceplan.ForecastingthetobaccoDemandsisthekeyfortheindustryandtradesystem’smutualbenefit.Thispaperforecastetheshort-termandmedium-termtobaccodemandsbyTime-seriesAnalysiswithSeason—IndexMovingAverageandMinimumSquaremethod.Forobtainingtheexcellentmethod，thepapercalculateastandarderrorandsetupaerrorcontrolmethod.Thecasesstudyshowsthatthemethodsisvalidanduseful.Keywords：Time-seriesAnalysis，Season—IndexMovingAverage，errorcontrol，Demandforeasting1．引言就烟草行业而言，由于行业的计划性很强，烟民的消费需求变化相对较稳定，烟草行业较少存在其它行业的激烈且无序的竞争。针对这一行业特点，我们采用时间序列预测法来做卷烟销量预测1。时间序列预测法2适合于变化相对稳定的预测4环境，算法简单有效。时间序列预测2是当前烟草行业当前最简单、实用的预测总量的方法，但是它无法体现中国的农历节日如中秋、春节的消费特色，无法准确预测节日性的销量增长。为提高的预测的准确性，本文在时间序列预测方法中选择带季节指数5的移动平均和最小平方法的手段。同时为保证预测的可信度和选择最优的预测方法，本文通过计算预测标准差，设置误差控制，使预测更加准确。2．算法介绍3时间序列预测方法中选择带季节指数的移动平均和最小平方法主要分为四个步骤8：2.2.1二次移动平均法5所谓移动平均法，就是顺序将组距由前往后移动，产生多个移动平均值，根据这些移动平均值来确定预测值的预测方法。在动态数列中选择包括本期在内的最近n个时期的观测值，计算其序时平均数作为下一个时期的预测值，最后乘上季节指数值，得到最终的回溯预测值。算法步骤描述如下：第一步：求解N=12的一次移动平均预测值。公式如下：即，第一个移平均销量趋势值是第1月至第12月的销量和的算术平均。第二个移动平均值则是第2月销量至第13个月销量和的算术平均。第一个移动平均销量趋势值将的摆放位置是个关键。用公式计算：最小二乘法是研究长期趋势最常用的方法。当现象发展大体上以相同的逐期增长量上升（或下降）时，其发展趋势视为直线趋势，其实际动态数列的图形状态近似直线形状，就可以用直线方程来拟合。直线方程的一般表达式为：本系统中主要以月为单位取时间序列区间，从2002年1月至2002年8月共8个月，因此，n=8由于采用的是一元回归，仅一个变量，因此，自由度是1，即m=1以下是标准差计算示例，取n=8m=1计算置信幅度置信幅度=2×标准差Sy意义：预测值有95.4%的可信度（由于是大样本，属于F分布，故置信幅度采用此公式计算），置信幅度有正负两个值。表1标准差与置信幅度计算误差控制本模块中仅用到误差控制图作图步骤：第一步：计算绝对误差，即销量实际值与回溯预测值的差第二步：生成第一步值的散点图第三步：计算置信幅度第四步：检验散点是否在置信幅度以内。若预测值的散点连续三次落在置信幅度之外，则必须重新建立趋势值的预测模型及重新计算季节指数表2计算误差控制的数据表3预测误差控制示例从上表的预测结果可以看出，利用时间序列预测方法中选择了带季节指数的移动平均和最小平方法的方法准确有效。4.结束语通过上述实例仿真对比结果可以看出，通过采用带季节指数的移动平均和最小平方法的时间序列预测方法在预测精度上有很大的提高，使得预测结果更加准确，也证明了该方法的有效性和实用性；而且，这种方法也同样可以推广应用到其它的预测模型中。参考文献：1、李薇辉，罗文英.市场营销学.上海：华东理工大学出版社，2006：59－82.2、GavinShaddick，TimeSeriesAnalysis，2002，13-27.3、DilliRAryal，WANGYao-wu.Time-seriesanalysiswithahybridBox-JenkinsARIMAandneuralnetworkmodel.2004：26-784、李世杰王峰.市场调查与预测.武汉：武汉理工大学出版社，2005.5、周明，孙树栋.遗传算法原理及应用.北京：国防工业出版社，1999，78~896、ChenMutian，CaiHexi.Thegeometricregion-dividedmethodforsolvingtheChinaTSPproblem.ComputerEngineeringandScience，199820(1)：22-277、BobNau，CarolBray.Spreadsheetimplementationofseasonaladjustmentandexponentialsmoothing，2005：term48、林海，孙吉贵.预测及其主要模型的实现系统.吉林大学学报（信息科学版），2002：58～639、吕林涛，王鹏.基于时间序列的趋势性分析及其预测算法研究[J].计算机工程与应用，2004：172～174作者简介：王森：（1978.12－）男，汉族，浙江绍兴人，硕士在读，浙江大学计算机学院学生。吴春明：（1967.6－）男，汉族，浙江萧山人，博士，浙江大学计算机学院教授。主要从事人工智能、智能机器人技术及计算机网络等领域方向的科学研究与开发工作。