Tidsserie Metoder. Tidsseriemetoder er statistiske teknikker som benytter seg av historiske data akkumulert over en tidsperiode. Tidsserie-metoder antar at det som har skjedd tidligere, vil fortsette å skje i fremtiden. Som navnet serier angir, henvender disse metodene prognosen til bare en faktor - tid De inkluderer glidende gjennomsnitt, eksponensiell utjevning og lineær trendlinje, og de er blant de mest populære metodene for prognoser for kortdistanse blant service - og produksjonsbedrifter. Disse metodene forutsetter at identifiserbare historiske mønstre eller trender for etterspørselen over tid vil gjenta seg selv. Gjennomsnittlig gjennomsnitt. En prognose for tidsserier kan være så enkel som bruk av etterspørsel i den nåværende perioden for å forutsi etterspørsel i neste periode. Dette kalles noen ganger en naiv eller intuitiv prognose. 4 For eksempel, hvis etterspørselen er 100 enheter denne uka er prognosen for neste ukes etterspørsel 100 enheter hvis etterspørselen viser seg å være 90 enheter i stedet, da er følgende etterspørsels etterspørsel 90 uni ts og så videre. Denne typen prognosemetode tar ikke hensyn til historisk etterspørselsadferd som det bare er basert på etterspørsel i den nåværende perioden. Det reagerer direkte på de normale, tilfeldige bevegelsene i etterspørselen. Den enkle glidende metoden bruker flere etterspørselsverdier under Nylig fortid for å utvikle en prognose Dette har en tendens til å dempe eller utjevne de tilfeldige økninger og reduksjoner av en prognose som kun bruker en periode. Det enkle glidende gjennomsnittet er nyttig for å forutse etterspørselen som er stabil og ikke viser noen uttalt etterspørselsadferd, slik som som en trend eller sesongmessig mønster. Gjennomsnittlig gjennomsnitt beregnes for bestemte perioder, for eksempel tre måneder eller fem måneder, avhengig av hvor mye forutsetningen ønsker å glatte etterspørseldataene. Jo lengre glidende gjennomsnittstid, jo jevnere blir det Formelen for beregning av det enkle bevegelige gjennomsnittet betegner et enkelt flytende gjennomsnitt. Instant Paper Clip Office Supply Company selger og leverer kontorrekvisita til bedrifter, skoler, en d-byråer innenfor en radius på 50 kilometer fra lageret Kontorforsyningsvirksomheten er konkurransedyktig, og evnen til å levere bestillinger raskt er en faktor for å få nye kunder og holde gamle. Kontorer ordner vanligvis ikke når de går lite på forsyninger, men når de helt utløpt Som et resultat trenger de umiddelbart sine ordrer. Overordnet leder av selskapet ønsker å være sikre nok kjører og kjøretøyer er tilgjengelige for å levere bestillinger omgående og de har tilstrekkelig lagerbeholdning på lager. Derfor ønsker lederen å kunne prognose nummeret av ordrer som vil skje i løpet av den neste måneden, dvs. for å prognose etterspørselen etter leveranser. Fra poster over leveringsordrer har ledelsen akkumulert følgende data de siste 10 månedene, hvorfra den vil beregne 3- og 5-måneders glidende gjennomsnitt. La oss anta at det er slutten av oktober. Prognosen som kommer fra enten 3- eller 5-måneders glidende gjennomsnitt er typisk for neste måned i sekvensen, som i dette tilfellet er N ovember Det glidende gjennomsnittet beregnes fra etterspørselen etter ordrer for de foregående 3 månedene i sekvensen i henhold til følgende formel. Det 5-måneders glidende gjennomsnittet beregnes fra de foregående 5 månedene av etterspørseldata som følger. 3- og 5- Månedlig gjennomsnittlig prognose for alle månedene av etterspørseldata er vist i tabellen nedenfor. Faktisk kan bare prognosen for november basert på den siste månedlige etterspørselen brukes av lederen. I de tidligere prognosene for tidligere måneder kan vi imidlertid sammenligne prognose med den faktiske etterspørselen for å se hvor nøyaktig prognosemetoden er - det vil si, hvor bra det gjør. Tre - og fem-måneders gjennomsnitt. De gjennomsnittlige prognosene i tabellen ovenfor har en tendens til å jevne ut variasjonen i de faktiske dataene. Dette utjevningseffekt kan observeres i følgende figur hvor 3-måneders og 5-måneders gjennomsnitt er lagt på en graf av de opprinnelige dataene. Det 5-måneders glidende gjennomsnittet i foregående figur utjevner svingninger i større grad enn 3-måneders glidende gjennomsnitt. Det 3-måneders gjennomsnittet reflekterer nå de nyeste dataene som er tilgjengelige for kontorforvalteren. Generelt er prognosene ved bruk av lengre glidende gjennomsnitt, langsommere å reagere på de siste endringene i etterspørsel enn ville de som ble gjort ved hjelp av glidende gjennomsnitt for kortere periode. De ekstra datatidene demper hastigheten som prognosen responderer. Etablering av passende antall perioder som skal brukes i en bevegelig gjennomsnittlig prognose krever ofte en viss prøve-og-feil-eksperimentering. Ulempen med den bevegelige gjennomsnittlige metoden er at den ikke reagerer på variasjoner som oppstår av en grunn, for eksempel sykluser og sesongmessige effekter. Faktorer som forårsaker endringer, blir generelt ignorert. Det er i utgangspunktet en mekanisk metode som gjenspeiler historiske data på en konsekvent måte. den bevegelige gjennomsnittlige metoden har fordelen av å være enkel å bruke, rask og relativt billig. Generelt kan denne metoden gi en god forec for kort tid, men det bør ikke skyves for langt inn i fremtiden. Veidende bevegelige gjennomsnitt. Den bevegelige gjennomsnittlige metoden kan justeres for å reflektere mer svingninger i dataene. I vektet glidende gjennomsnittlig metode blir vektene tildelt mest Nylige data i henhold til følgende formel. Etterspørseldataene for PM Computer Services vist i tabellen for eksempel 10 3 ser ut til å følge en økende lineær trend. Selskapet vil beregne en lineær trendlinje for å se om den er mer nøyaktig enn eksponensiell utjevning og justerte eksponensielle utjevningsprognoser utviklet i eksempler 10 3 og 10 4.De verdier som kreves for minste kvadratberegningene, er som følger. Ved bruk av disse verdiene beregnes parametrene for den lineære trendlinjen som følger. Derfor er den lineære trendlinjekvasjon. Til å beregne en prognose for periode 13, la x 13 i den lineære trendlinjen. Følgende diagram viser den lineære trendlinjen sammenlignet med de faktiske data. Trenden linjen ser ut til å r følg nøye de faktiske dataene - det vil si å passe bra - og ville dermed være en god prognosemodell for dette problemet. En ulempe med den lineære trendlinjen er at den ikke vil tilpasse seg en endring i trenden, Som eksponentielle utjevningsprognoser vil det antas at alle fremtidige prognoser vil følge en rett linje. Dette begrenser bruken av denne metoden til en kortere tidsramme hvor du kan være relativt sikker på at trenden ikke vil endre seg. Årlige justeringer . Et sesongbasert mønster er en repeterende økning og etterspørsel etter etterspørsel. Mange etterspørselsprodukter viser sesongmessig oppførsel. Klærsalg følger årlige sesongmønstre, med etterspørselen etter varme klær øker om høsten og vinteren og faller om våren og sommeren ettersom etterspørselen etter kjøligere klær øker Etterspørselen etter mange detaljhandler, inkludert leker, sportsutstyr, klær, elektroniske apparater, skinke, kalkuner, vin og frukt, øker i løpet av ferien. Sammen med spesielle dager som Valentinsdag og morsdag. Sesongmønstre kan også forekomme hver måned, ukentlig eller til og med daglig. Noen restauranter har høyere etterspørsel om kvelden enn til lunsj eller i helgene, i motsetning til hverdager Trafikk - derav salg - i kjøpesentre plukker opp fredag og lørdag. Det finnes flere metoder for å reflektere sesongmessige mønstre i en tidsrekkefølge. Vi vil beskrive en av de enklere metodene ved å bruke en sesongfaktor. En sesongfaktor er en numerisk verdi som multipliseres med normal prognose for å få en sesongjustert prognose. En metode for å utvikle en etterspørsel etter sesongmessige faktorer er å dele etterspørselen etter hver sesongperiode med total årlig etterspørsel, i henhold til følgende formel. De resulterende sesongfaktorene mellom 0 og 1 0 er i effekt, den del av den totale årlige etterspørselen som er tildelt hver sesong. Disse sesongfaktorene multipliseres med den årlige forventede etterspørselen for å gi justerte prognoser for hver kryssning en prognose med sesongjusteringer. Wishbone Farms vokser kalkuner til å selge til et kjøttproduserende selskap gjennom hele året. Men høysesongen er åpenbart i fjerde kvartal av året, fra oktober til desember har Wishbone Farms opplevd etterspørselen etter kalkuner for de siste tre årene som vises i følgende tabell. Fordi vi har tre års etterspørseldata, kan vi beregne sesongfaktorene ved å dividere totalt kvartalsbehov for de tre årene etter total etterspørsel i alle tre år. Nesten vil vi multiplisere den forventede etterspørselen for neste år 2000, etter hvert sesongfaktor for å få forventet etterspørsel etter hvert kvartal. For å oppnå dette, trenger vi en etterspørselsprognose for 2000 I dette tilfellet, ettersom etterspørseldataene i tabellen ser ut til å vise en generelt økende trend , beregner vi en lineær trendlinje for de tre årene med data i tabellen for å få et grovt prognostisert estimat. Derfor er prognosen for 2000 58 17, eller 58 170 kalkuner. Bruke denne årlige prognosen for Etterspørselen, de sesongjusterte prognosene, SF i, for 2000 utarbeider disse kvartalsvise prognosene med de faktiske etterspørselsverdiene i tabellen, synes de å være relativt gode prognose estimater, som reflekterer både sesongvariasjoner i dataene og den generelle oppadgående trenden.10 -12 Hvordan er den bevegelige gjennomsnittlige metoden lik eksponensiell utjevning.10-13 Hvilken effekt på eksponensiell utjevningsmodell vil øke utjevningskonstanten har.10-14 Hvordan er justert eksponensiell utjevning forskjellig fra eksponensiell utjevning.10-15 Hva bestemmer valget av utjevningskonstanten for trend i en justert eksponensiell utjevningsmodell.10-16 I kapitteleksemplene for tidsseriemetoder ble startprognosen alltid antatt å være den samme som den faktiske etterspørselen i den første perioden. Foreslå andre måter at startprognosen kan avledes i faktisk bruk.10-17 Hvordan er lineær trendlinjeprognosemodell forskjellig fra en lineær regresjonsmodell for prognoser.10-18 Av tidsserien mo Delvis presentert i dette kapittelet, inkludert det bevegelige gjennomsnittlige og vektede glidende gjennomsnittet, eksponensiell utjevning og justert eksponensiell utjevning og lineær trendlinje, hvilken anser du for best Hvorfor.10-19 Hvilke fordeler har justert eksponensiell utjevning over en lineær trend linje for forventet etterspørsel som viser en trend.4 KB Kahn og JT Mentzer, prognose i forbruker - og industrisektoren, Journal of Business Forecast 14, no 2 Summer 1995 21-28.MAT 540 Uke 4 Hjemmeproblemer, kapittel 15.MAT 540 Uke 4 Hjemmekontor Kapittel 15 1 Overordnet leder av Carpet City-utløpet må gjøre en nøyaktig prognose for etterspørselen etter Soft Shag-teppe sin største selger. Hvis lederen ikke bestiller nok teppe fra teppefabrikken, vil kundene kjøpe teppet fra en av Carpet City s mange konkurrenter Lederen har samlet følgende etterspørseldata for de siste 8 månedene Måned Etterspørsel etter myk shag Gulvteppe 1000 m 1 10 2 9 3 8 4 9 5 10 6 12 7 14 8 11.a Beregn en 3-m beregnende gjennomsnittlig prognose for måneder 4 til 9 b Beregn en veid 3 måneders glidende gjennomsnittlig prognose for måneder 4 til 9 Tilordne vektene 0 55, 0 35 og 0 10 til månedene i rekkefølge, begynner med den siste måneden c Sammenlign de to prognosene ved å bruke MAD Hvilken prognose ser ut til å være mer nøyaktig 2 Lederen av Petroco Service Station vil prognose etterspørselen etter blyfri bensin neste måned slik at riktig antall galloner kan bestilles fra distributøren Eieren har akkumulert følgende data på etterspørsel etter blyfri bensin fra salg i løpet av de siste 10 månedene Måned Bensin Krevde gal oktober 775 november 835 desember 605 januar 450 februar 600 mars 700 april 820 mai 925 juni 1,500 juli 1,200 a Beregn en eksponensielt jevn prognose, med en verdi på 0 40 b Beregn MAPD 3 Emily Andrews har investert i et vitenskaps - og teknologifond. Nå vurderer hun å likvide og investere i et annet fond. Hun vil gjerne prognose t han prisen på vitenskaps - og teknologifondet for neste måned før hun bestemmer seg. Hun har samlet følgende data på gjennomsnittlig pris på fondet de siste 20 månedene. Måned Fond Pris 1 55 3 4 2 54 1 4 3 55 1 8 4 58 1 8 5 53 3 8 6 51 1 8 7 56 1 4 8 59 5 8 9 62 1 4 10 59 1 4 11 62 3 8 12 57 1 1 13 58 1 8 14 62 3 4 15 64 3 4 16 66 1 8 17 68 3 4 18 60 5 19 65 875 20 72 25 a Bruk et 3-måneders gjennomsnitt, prognosen fondprisen for måned 21 b Ved å bruke et 3 måneders veiet gjennomsnitt med den siste måneden vektet 0 50, den neste siste måned vektet 0 30, og tredje måned vektet 0 20, prognosen fondprisen for måned 21 c Beregn en eksponensielt jevn prognose, bruk 0 30, og prognosen fondprisen for måned 21 d Sammenlign prognosene i a, b og c , ved hjelp av MAD, og indikere den mest nøyaktige 4 Carpet City ønsker å utvikle et middel til å prognose sitt teppe-salg. Forretningsforvalteren mener at butikkets salg er direkte relatert til antall nye boliger sta rts i byen Administrasjonen har samlet data fra fylkeskilder om månedlige boligbyggnadsstillatelser og fra butikkrekord på månedlig salg Disse dataene er som følger Månedlig teppe Salg 1000 m Månedlig byggeprosesser 9 17 14 25 10 8 12 7 15 14 9 7 24 45 21 19 20 28 29 2 a Utvikle en lineær regresjonsmodell for disse dataene og forutsi teppeforedling dersom 30 byggetillatelser for nye boliger blir arkivert b Bestem styrken til årsakssammenhenget mellom månedlig salg og ny boligbygging ved hjelp av korrelasjon 5 Lederen av Gilley s iskrembar trenger en nøyaktig prognose for etterspørselen etter iskrem Butikken bestiller iskrem fra en distributør en uke fremover hvis butikken ordrer for lite, det mister forretninger, og hvis den ordrer for mye, må ekstra kastes Lederen mener at en stor determinant av iskremsalg er temperatur, jo varmere været, jo flere iskrem folk kjøper. Ved hjelp av en almanak har lederen bestemt den gjennomsnittlige dagtemperaturen eratur i 14 uker, valgt tilfeldig og fra lagerrekorder har han bestemt iskonsumet for de samme 14 ukene. Disse dataene er oppsummert som følger Uke Gjennomsnittlig temperatur iskrem solgt grad gal 1 68 80 2 70 115 3 73 91 4 79 87 5 77 110 6 82 128 7 85 164 8 90 178 9 85 144 10 92 179 11 90 144 12 95 197 13 80 144 14 75 123 a Utvikle en lineær regresjonsmodell for disse dataene og prognose iskonsumet hvis gjennomsnittlig ukentlig dagtidstemperaturen forventes å være 85 grader b Bestem styrken av det lineære forholdet mellom temperatur og iskonsumbruk ved å bruke korrelasjon.6 Rapporter bestemmelseskoeffisienten for dataene i Problem 5 og forklar dens betydning RELATERTE PRODUKTER. Linjære programmeringsstudier, Chip Company. Linear Programming Case Study, Rayhoon Restaurant. Linear Programmering Case Study, Portfolio Manager XYZ Investment. Moving Gjennomsnittlig Forecasting. Introduction Som du kanskje antar vi ser på noen av de mest primitive ap proaches til prognoser Men forhåpentligvis er disse minst en verdig innføring i noen av databehandlingsproblemene knyttet til implementering av prognoser i regneark. I denne veinen vil vi fortsette ved å starte i begynnelsen og begynne å jobbe med Moving Average Forecasts. Moving Average Forecasts Alle er kjent med bevegelige gjennomsnittlige prognoser, uavhengig av om de tror at de er Alle studenter gjør dem hele tiden Tenk på testresultatene dine i et kurs der du skal ha fire tester i løpet av semesteret. La oss anta at du fikk en 85 på din første test. Hva ville du forutsi for din andre testscore. Hva tror du at læreren din ville forutsi for din neste testscore. Hva tror du dine venner kan forutsi for din neste testscore. Hva tror du at foreldrene dine kan forutsi for din neste test? score. Uansett hvilken blabbing du kan gjøre til dine venner og foreldre, er de og din lærer veldig sannsynlig å forvente deg å få noe i området av Nå har du det. Vel, la oss nå anta at til tross for selvforfremmelsen til vennene dine, overestimerer du deg selv og du kan finne ut at du kan studere mindre for den andre testen, og så får du en 73. Nå er det alt de bekymrede og ubekymrede kommer til å forutse deg, vil du få på den tredje testen. Det er to svært sannsynlige tilnærminger for dem å utvikle et estimat, uansett om de vil dele det med deg. De kan si til seg selv: Denne fyren blåser alltid røyk om hans smarts han skal få en annen 73 hvis han er heldig. kanskje foreldrene vil prøve å være mer støttende og si, vel, så langt har du fått en 85 og en 73, så kanskje du burde finne på å få en 85 73 2 79 Jeg vet kanskje ikke, kanskje hvis du gjorde mindre fester og ikke ville veksle vevet over alt, og hvis du begynte å studere mye, kunne du få en høyere score. Bortsett fra disse estimatene er faktisk flytte gjennomsnittlige prognoser. Den første bruker bare din siste poengsum for å prognose fremtidig utførelse ance Dette kalles en bevegelig gjennomsnittlig prognose ved hjelp av en dataperiode. Den andre er også en flytende gjennomsnittlig prognose, men bruker to perioder med data. La oss anta at alle disse menneskene bryr seg i ditt store sinn, har slags pisset deg av og du bestemmer deg å gjøre det bra på den tredje testen av dine egne grunner og å sette en høyere poengsum foran dine allierte. Du tar testen, og poengsummen din er faktisk en 89. Alle, inkludert deg selv, er imponert. Så nå har du den endelige testen av semester kommer opp, og som vanlig føler du behovet for å få alle til å gjøre sine spådommer om hvordan du skal gjøre på den siste testen. Vel, forhåpentligvis ser du mønsteret. Nå, forhåpentligvis kan du se mønsteret. Hva tror du er mest nøyaktige. Whistle mens vi jobber Nå går vi tilbake til vårt nye rengjøringsfirma som startet av din fremstilt halv søster, kalt Whistle While we Work Du har noen tidligere salgsdata representert av følgende del fra et regneark Vi presenterer først dataene i en tre periode movi ng gjennomsnittlig prognose. Oppføringen for celle C6 skal være. Nå kan du kopiere denne celleformelen ned til de andre cellene C7 til C11. Notat hvordan gjennomsnittet beveger seg over de nyeste historiske dataene, men bruker nøyaktig de tre siste perioder som er tilgjengelige for hver prediksjon Du bør også legge merke til at vi ikke virkelig trenger å gjøre spådommene for de siste perioder for å utvikle vår siste prediksjon. Dette er definitivt forskjellig fra eksponentiell utjevningsmodell jeg har tatt med de siste spådommene fordi vi vil bruke dem i neste nettside for å måle prediksjonsgyldighet. Nå vil jeg presentere de analoge resultatene for en to-års glidende gjennomsnittlig prognose. Oppføringen for celle C5 skal være. Nå kan du kopiere denne celleformelen ned til de andre cellene C6 til og med C11. Notat hvordan nå bare de to siste stykkene av historiske data blir brukt for hver prediksjon Igjen har jeg tatt med de siste spådommene for illustrative formål og for senere bruk i prognose validering. Som andre ting s som er viktig for å legge merke til. For en m-periode som beveger gjennomsnittlig prognose, blir bare de nyeste dataverdiene brukt til å foreta prognosen. Det er ikke nødvendig med noe annet. For en m-periode som beveger gjennomsnittlig prognose, legger du merke til at Den første prediksjonen forekommer i periode m 1.Bet av disse problemene vil være svært viktig når vi utvikler vår kode. Utvikle den bevegelige gjennomsnittsfunksjonen Nå må vi utvikle koden for den bevegelige gjennomsnittlige prognosen som kan brukes mer fleksibelt. Koden følger Merknad at inngangene er for antall perioder du vil bruke i prognosen og en rekke historiske verdier Du kan lagre den i hvilken arbeidsbok du vil. Funksjon MovingAverage Historisk, NumberOfPeriods Som Single Declaration og initialisering av variabler Dim Item As Variant Dim Counter As Integer Dim Akkumulering Som Single Dim HistoricalSize Som Integer. Initialisering av variabler Teller 1 Akkumulering 0. Bestemme størrelsen på Historisk matrise HistoricalSize. For Counter 1 til NumberOfPeriods. Akkumulere riktig antall siste tidligere observerte verdier. Akkumulasjonsakkumulering Historisk Historisk størrelse - AntallOfPeriods Counter. MovingAverage AkkumuleringsnummerOfPeriods. Koden vil bli forklart i klassen. Du vil plassere funksjonen på regnearket slik at resultatet av beregningen vises der den skal som følgende.
No comments:
Post a Comment