ความต้องการที่ คาดการณ์ ง่าย เฉลี่ยเคลื่อนที่

วิธีการเชิงปริมาณของการคาดการณ์เทคนิคทางปริมาณส่วนใหญ่จะคำนวณการพยากรณ์ความต้องการเป็นค่าเฉลี่ยจากความต้องการในอดีต ต่อไปนี้เป็นเทคนิคการคาดการณ์ความต้องการที่สำคัญ วิธีเฉลี่ยโดยเฉลี่ย: ค่าเฉลี่ยความต้องการที่เกิดขึ้นในทุกช่วงเวลาที่ผ่านมาจะเป็นค่าพยากรณ์ความต้องการสำหรับช่วงเวลาถัดไปในวิธีนี้ (ตัวอย่างที่ 1) วิธีเฉลี่ยถ่วงน้ำหนักแบบธรรมดา: ในวิธีนี้ค่าเฉลี่ยของความต้องการจากหลายช่วงเวลาล่าสุดจะเป็นความต้องการในช่วงเวลาถัดไป จำนวนรอบในอดีตที่จะใช้ในการคำนวณจะถูกเลือกไว้ในตอนเริ่มต้นและจะคงที่ตลอดไป (เช่นค่าเฉลี่ยเคลื่อนที่ 3 ช่วง) (ตัวอย่างที่ 2) วิธีถัวเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนัก: ในวิธีนี้น้ำหนักที่ไม่เท่ากันจะถูกกำหนดให้กับข้อมูลความต้องการในอดีตขณะที่คำนวณค่าเฉลี่ยเคลื่อนที่อย่างง่ายตามการคาดการณ์ความต้องการในช่วงเวลาถัดไป โดยปกติข้อมูลล่าสุดจะได้รับการกำหนดค่าน้ำหนักสูงสุด (ตัวอย่างที่ 3) วิธีการเรียบแบบเสี้ยว (Exponential smoothing method): ในวิธีนี้น้ำหนักจะได้รับการกำหนดให้เป็นเลขชี้กำลัง น้ำหนักลดลงอย่างมากจากข้อมูลความต้องการล่าสุดไปจนถึงข้อมูลความต้องการที่มีอายุมากกว่า (ตัวอย่างที่ 4) วิธีการวิเคราะห์การถดถอย: ในวิธีนี้ข้อมูลความต้องการในอดีตถูกใช้เพื่อสร้างความสัมพันธ์ระหว่างสองตัวแปร ตัวแปรหนึ่งรู้จักหรือสันนิษฐานว่าเป็นที่รู้จักและใช้เพื่อคาดการณ์ค่าของตัวแปรที่ไม่รู้จักอื่น ๆ (เช่นความต้องการ) (ตัวอย่างที่ 5) ข้อผิดพลาดในการคาดการณ์ข้อผิดพลาดในการคาดการณ์คืออะไร แต่เป็นตัวเลขที่แตกต่างกันในความต้องการที่คาดการณ์ไว้และความต้องการที่แท้จริง MAD (Mean Absolute Deviation) และค่าความลำเอียงเป็นสองมาตรการที่ใช้ในการประเมินความถูกต้องของความต้องการที่คาดการณ์ไว้ อาจสังเกตได้ว่า MAD แสดงขนาด แต่ไม่ใช่ทิศทางของข้อผิดพลาดค่าเฉลี่ยเคลื่อนที่อย่างง่ายวิธีการ ad hoc แบบที่สองคือค่าเฉลี่ยเคลื่อนที่แบบง่าย ซึ่งใช้ค่าก่อนหน้าเพื่อหาพารามิเตอร์ที่เหมาะสมที่สุดที่ให้ข้อผิดพลาดในการคาดการณ์ต่ำสุด ส่วนสำคัญในวิธีนี้เป็นทางเลือกที่ถูกต้องของจำนวนงวดในการคาดการณ์ Weatherford และ Kimes (2003) ได้ทดสอบระยะเวลา 2 8211 8 และพบว่าค่าความผิดพลาดต่ำสุดมีค่าเฉลี่ยเคลื่อนที่ 8 ช่วง การคำนวณทางคณิตศาสตร์คำนวณดังนี้ F (t1) - สำหรับความต้องการห้องพักในช่วง t1, x 8211 คือจำนวนห้องพักที่ขายในช่วง i, n - จำนวนงวดที่ผ่านมา (พุทธิชัยและมงคลกุล, 2555) ค่าเฉลี่ยเคลื่อนที่ง่ายง่ายรวดเร็วในการคำนวณและตอบสนองได้เร็วขึ้นเพื่อเปลี่ยนความต้องการเมื่อช่วง N มีขนาดเล็ก อย่างไรก็ตามวิธีนี้มีสองข้อเสียที่สำคัญ ประการแรกสมมติว่าข้อสังเกตล่าสุดเป็นตัวพยากรณ์ที่ดีกว่าข้อมูลที่เก่ากว่า ประการที่สองเมื่อข้อมูลมีแนวโน้มสูงขึ้นหรือลดลงวิธีจะถูก overforecast หรือ underforcast อย่างต่อเนื่อง เพื่อที่จะรับมือกับแนวโน้มดังกล่าว Talluri และ Van Ryzin (2004) แนะนำให้ใช้ค่าเฉลี่ยเคลื่อนที่สองหรือสามเท่า การใช้วิธีการนี้ในชุดข้อมูลของเรามีอยู่ที่นี่: ค่าเฉลี่ยเคลื่อนที่แบบง่ายในการประยุกต์ใช้วิธีการคาดการณ์นี้เพื่อให้บรรลุ MAPE จาก 4 ตัวอย่างที่ดีมากคืออะไร อย่างไรก็ตามตามที่ได้กล่าวมาก่อนวิธีนี้เป็นตัวทำนายที่ไม่ดีเมื่อความต้องการไม่แน่นอนมากขึ้น กราฟต่อไปนี้แสดงสถานการณ์เช่นนี้ MAPE มีค่าเท่ากับ 60 (ในรูปแบบ 2 8211 ที่คาดการณ์ไว้ Values1: 2) และ 55 (ในรูปแบบ 8 8211 คาดการณ์ค่า 2: 8 งวด) พุ่มชัย, ดีมงคลกุล, เจ (2012) ความต้องการห้องพักของโรงแรมผ่านข้อมูลการให้บริการที่ได้รับการยอมรับ การประชุมเชิงปฏิบัติการระบบการจัดการอุตสาหกรรมแห่งเอเชียแปซิฟิค 2012, หน้า 1978-1985 Talluri, K. และ Van Ryzin, G. (2004) ทฤษฎีและการปฏิบัติเกี่ยวกับการจัดการรายได้ Boston, Kluwer Academic Publishers Weatherford, L. R. แอมป์คิมส์ S. E. (2003) การเปรียบเทียบวิธีการคาดการณ์สำหรับการจัดการรายได้ของโรงแรม วารสารนานาชาติของการพยากรณ์อากาศ ฉบับ 19 ไม่มี 3, หน้า 401-415 Share Search engineOR-Notes เป็นชุดของบันทึกแนะนำหัวข้อที่อยู่ภายใต้หัวข้อกว้างของเขตข้อมูลของการวิจัยการดำเนินงาน (OR) พวกเขาถูกใช้โดยฉันในเบื้องต้นหรือหลักสูตรที่ฉันให้ที่อิมพีเรียลคอลเลจ ตอนนี้พวกเขาพร้อมสำหรับการใช้งานโดยนักเรียนและครูผู้สนใจในหรือภายใต้เงื่อนไขดังต่อไปนี้ คุณสามารถดูหัวข้อทั้งหมดที่มีอยู่ใน OR-Notes ได้ที่นี่ ตัวอย่างการคาดการณ์ตัวอย่างการคาดการณ์ตัวอย่าง 1996 UG ความต้องการผลิตภัณฑ์ในแต่ละ 5 เดือนล่าสุดแสดงไว้ด้านล่าง ใช้ค่าเฉลี่ยเคลื่อนที่สองเดือนเพื่อสร้างการคาดการณ์สำหรับความต้องการในเดือน 6 ​​ใช้การปรับให้เรียบแบบเสวนาด้วยค่าคงที่ที่ราบเรียบเป็น 0.9 เพื่อสร้างการคาดการณ์สำหรับความต้องการสำหรับความต้องการในเดือนที่ 6 ซึ่งจากทั้งสองการคาดการณ์ที่คุณชอบและทำไมการย้ายสองเดือน ค่าเฉลี่ยสำหรับเดือนที่สองถึงห้าจะได้รับโดย: การคาดการณ์สำหรับเดือนที่หกเป็นเพียงค่าเฉลี่ยเคลื่อนที่ของเดือนก่อนหน้านั่นคือค่าเฉลี่ยเคลื่อนที่สำหรับเดือน 5 m 5 2350 การใช้การเพิ่มความล้าสมัยโดยมีค่าคงที่ที่ราบเรียบเท่ากับ 0.9 เราได้รับดังนี้ การคาดการณ์สำหรับเดือนที่หกเป็นเพียงค่าเฉลี่ยสำหรับเดือน 5 M 5 2386 เมื่อต้องการเปรียบเทียบสองการคาดการณ์เราจะคำนวณค่าความเบี่ยงเบนเฉลี่ย (MSD) ถ้าเราทำเช่นนี้เราจะพบว่าสำหรับค่าเฉลี่ยเคลื่อนที่ของ MSD (15 - 19) sup2 (18 - 23) sup2 (21 - 24) sup23 16.67 และสำหรับค่าเฉลี่ยที่ให้คะแนนที่ราบเรียบด้วยค่าคงที่ที่ราบเรียบเท่ากับ 0.9 MSD (13 - 17) sup2 (16.60 - 19) sup2 (18.76 - 23) sup2 (22.58 - 24) sup24 10.44 โดยรวมแล้วเราจะเห็นว่าการทำให้เรียบเป็นทวีคูณดูเหมือนจะให้การคาดการณ์ล่วงหน้าหนึ่งเดือนที่ดีที่สุดเนื่องจากมี MSD ที่ต่ำลง ดังนั้นเราจึงชอบการคาดการณ์ของ 2386 ที่ได้รับการผลิตโดยการทำให้เรียบแบบทวีคูณ การคาดการณ์ตัวอย่างเช่นการทดสอบ UG ในปี 2537 ตารางด้านล่างแสดงถึงความต้องการใช้เครื่องโกนหนวดใหม่ในร้านในช่วง 7 เดือนที่ผ่านมา คำนวณค่าเฉลี่ยเคลื่อนที่สองเดือนสำหรับเดือนที่สองถึงเจ็ด อะไรคือการคาดการณ์ของคุณสำหรับความต้องการในเดือนที่แปดใช้เรียบเรียงชี้แจงด้วยค่าคงที่ราบเรียบของ 0.1 เพื่อคาดการณ์สำหรับความต้องการในเดือนที่แปด การคาดการณ์ใดในสองเดือนที่แปดที่คุณชอบและเหตุใดผู้ดูแลร้านจึงเชื่อว่าลูกค้าจะเปลี่ยนมาใช้ผลิตภัณฑ์หลังการขายใหม่จากแบรนด์อื่น ๆ อภิปรายเกี่ยวกับวิธีการสร้างแบบจำลองพฤติกรรมการสลับนี้และระบุข้อมูลที่คุณต้องการเพื่อยืนยันว่าการสลับนี้เกิดขึ้นหรือไม่ ค่าเฉลี่ยเคลื่อนที่สองเดือนสำหรับเดือนที่สองถึงเจ็ดจะได้รับโดย: การคาดการณ์สำหรับเดือนที่แปดเป็นเพียงค่าเฉลี่ยเคลื่อนที่สำหรับเดือนก่อนหน้านั่นคือค่าเฉลี่ยเคลื่อนที่สำหรับเดือนที่ 7 m 7 46 ใช้การคำนวณหากำไรให้เรียบโดยมีค่าคงที่ที่ราบเรียบเท่ากับ 0.1 รับ: เป็นก่อนที่การคาดการณ์สำหรับเดือนแปดเป็นเพียงค่าเฉลี่ยสำหรับเดือน 7 7 7 31.11 (ที่เราไม่สามารถมีความต้องการเศษ) เมื่อต้องการเปรียบเทียบสองการคาดการณ์เราจะคำนวณส่วนเบี่ยงเบนเฉลี่ย (MSD) ถ้าเราทำเช่นนี้เราพบว่าสำหรับค่าเฉลี่ยเคลื่อนที่และค่าเฉลี่ยที่ได้รับความราบรื่นแบบจำลองที่มีค่าคงที่ที่ราบเรียบเท่ากับ 0.1 โดยรวมแล้วเราจะเห็นว่าค่าเฉลี่ยเคลื่อนที่สองเดือนมีแนวโน้มที่ดีที่สุดในการคาดการณ์ล่วงหน้าหนึ่งเดือนเนื่องจากมีค่า MSD ที่ต่ำลง ดังนั้นเราจึงชอบการคาดการณ์ของ 46 ที่ได้รับการผลิตโดยค่าเฉลี่ยเคลื่อนที่สองเดือน เพื่อตรวจสอบการเปลี่ยนเราจะต้องใช้รูปแบบกระบวนการ Markov ที่แบรนด์รัฐและเราจะต้องมีข้อมูลสถานะเบื้องต้นและความน่าจะเป็นของลูกค้าเปลี่ยน (จากการสำรวจ) เราจำเป็นต้องใช้แบบจำลองข้อมูลย้อนหลังเพื่อดูว่าเรามีความเหมาะสมระหว่างแบบจำลองและพฤติกรรมทางประวัติศาสตร์หรือไม่ การคาดการณ์ตัวอย่างเช่นการทดสอบ UG ในปี 2535 ตารางด้านล่างแสดงความต้องการใช้มีดโกนเฉพาะในร้านค้าสำหรับแต่ละช่วง 9 เดือนที่ผ่านมา คำนวณค่าเฉลี่ยเคลื่อนที่สามเดือนสำหรับเดือนที่สามถึงเก้า สิ่งที่คาดหวังของคุณสำหรับความต้องการในเดือนสิบใช้เรียบเรียงชี้แจงด้วยค่าคงที่ราบเรียบของ 0.3 เพื่อคาดการณ์สำหรับความต้องการในเดือนสิบ การคาดการณ์ใดในเดือนที่สิบสองที่คุณชอบและเหตุผลที่ค่าเฉลี่ยเคลื่อนที่ 3 เดือนสำหรับเดือนที่ 3 ถึง 9 จะได้จาก: การคาดการณ์สำหรับเดือน 10 เป็นเพียงค่าเฉลี่ยเคลื่อนที่ของเดือนก่อนหน้านั่นคือค่าเฉลี่ยเคลื่อนที่สำหรับเดือน 9 เมตร 9 20.33 ดังนั้นการคาดการณ์สำหรับเดือนที่ 10 คือ 20. ใช้การคำนวณหาค่าเฉลี่ยแบบเสวนาโดยมีค่าคงที่ที่ราบเรียบเท่ากับ 0.3 ที่เราได้รับ: ก่อนที่การคาดการณ์สำหรับเดือน 10 จะเป็นค่าเฉลี่ยสำหรับเดือนที่ 9 M 9 18.57 19 (ตามที่เรา ไม่สามารถมีความต้องการเศษ) เมื่อต้องการเปรียบเทียบสองการคาดการณ์เราจะคำนวณส่วนเบี่ยงเบนเฉลี่ย (MSD) ถ้าเราทำเช่นนี้เราพบว่าสำหรับค่าเฉลี่ยเคลื่อนที่และค่าเฉลี่ยที่ได้รับการทำให้เรียบโดยมีค่าคงที่การปรับให้เรียบอยู่ที่ 0.3 โดยรวมแล้วเราจะเห็นว่าค่าเฉลี่ยเคลื่อนที่ 3 เดือนมีแนวโน้มที่ดีที่สุดในการคาดการณ์ล่วงหน้าหนึ่งเดือนเนื่องจากมีค่า MSD ที่ต่ำลง ดังนั้นเราจึงชอบการคาดการณ์ของ 20 ที่ได้รับการผลิตโดยค่าเฉลี่ยเคลื่อนที่สามเดือน การคาดการณ์ตัวอย่างเช่นการทดสอบ UG ในปีพ. ศ. 2534 ตารางด้านล่างแสดงความต้องการใช้เครื่องแฟกซ์เฉพาะในห้างสรรพสินค้าในแต่ละสิบสองเดือนที่ผ่านมา คำนวณค่าเฉลี่ยเคลื่อนที่สี่เดือนสำหรับเดือนที่ 4 ถึง 12 ปีการคาดการณ์ของคุณสำหรับความต้องการในเดือนที่ 13 ใช้การปรับให้เรียบแบบเสวนาโดยมีค่าคงที่ที่ราบเรียบ 0.2 เพื่อพยากรณ์ความต้องการในเดือนที่ 13 ซึ่งจะมีการคาดการณ์สองเดือน 13 คุณชอบและทำไมปัจจัยอื่น ๆ ที่ไม่ได้พิจารณาในการคำนวณข้างต้นอาจมีผลต่อความต้องการเครื่องแฟกซ์ในเดือนที่ 13 ค่าเฉลี่ยเคลื่อนที่ 4 เดือนสำหรับเดือนที่ 4 ถึง 12 จะได้จาก: m 4 (23 19 15 12) 4 17.25 m 5 (27 23 19 15) 4 21 m 6 (30 27 23 19) 4 24.75 m 7 (32 30 27 23) 4 28 m 8 (33 32 30 27) 4 30.5 m 9 (37 33 32 30) 4 33 m 10 (41 37 33 32) 4 35.75 m 11 (49 41 37 33) 4 40 m 12 (58 49 41 37) 4 46.25 การคาดการณ์ในเดือนที่ 13 เป็นเพียงค่าเฉลี่ยเคลื่อนที่ของเดือนก่อนหน้านั่นคือค่าเฉลี่ยเคลื่อนที่ เดือน 12 ม. 12 46.25 ดังนั้นตามที่คาดการณ์ไว้สำหรับเดือนที่ 13 คือ 46 ใช้ค่าความละเอียดที่เป็นลําชี้โดยมีค่าคงที่ที่ราบเรียบเท่ากับ 0.2 ที่เราได้รับ: ก่อนหน้าการคาดการณ์สำหรับเดือนที่ 13 เป็นเพียงค่าเฉลี่ยสำหรับเดือน 12 M 12 38.618 39 (ตามที่เรา ไม่สามารถมีความต้องการเศษ) เมื่อต้องการเปรียบเทียบสองการคาดการณ์เราจะคำนวณส่วนเบี่ยงเบนเฉลี่ย (MSD) ถ้าเราทำเช่นนี้เราพบว่าสำหรับค่าเฉลี่ยเคลื่อนที่และค่าเฉลี่ยที่ได้รับการทำให้เรียบโดยมีค่าคงที่ที่ราบเรียบจาก 0.2 โดยรวมเราจะเห็นว่าค่าเฉลี่ยเคลื่อนที่สี่เดือนมีแนวโน้มที่ดีที่สุดในการคาดการณ์ล่วงหน้าหนึ่งเดือนเนื่องจากมีค่า MSD ที่ต่ำลง ดังนั้นเราจึงชอบการคาดการณ์ของ 46 ที่ได้รับการผลิตโดยค่าเฉลี่ยเคลื่อนที่สี่เดือน ความต้องการตามฤดูกาลการเปลี่ยนแปลงราคาโฆษณาทั้งแบรนด์นี้และยี่ห้ออื่น ๆ สถานการณ์ทางเศรษฐกิจทั่วไปเทคโนโลยีใหม่การพยากรณ์เช่นการตรวจสอบ UG ปี 1989 ตารางด้านล่างแสดงความต้องการใช้เตาไมโครเวฟในห้างสรรพสินค้าเฉพาะในแต่ละสิบสองเดือนที่ผ่านมา คำนวณค่าเฉลี่ยเคลื่อนที่ 6 เดือนสำหรับแต่ละเดือน สิ่งที่จะคาดการณ์สำหรับความต้องการในเดือน 13 ใช้เรียบเรียงชี้แจงด้วยค่าคงที่ราบเรียบของ 0.7 เพื่อคาดการณ์ความต้องการในเดือน 13 ซึ่งจากสองคาดการณ์สำหรับเดือน 13 ที่คุณชอบและทำไมตอนนี้เราไม่สามารถคำนวณหก เดือนจนกว่าเราจะมีข้อสังเกตอย่างน้อย 6 ข้อกล่าวคือเราสามารถคำนวณค่าเฉลี่ยดังกล่าวได้ตั้งแต่เดือนที่ 6 เป็นต้นไปเท่านั้น ดังนั้นเราจึงมี: m 6 (34 32 30 29 31 27) 6 30.50 m 7 (36 34 32 30 29 31) 6 32.00 m 8 (35 36 34 32 30 29) 6 32.67 m 9 (37 35 36 34 32 30) 6 34.00 m 10 (39 37 35 36 34 32) 6 35.50 m 11 (40 39 37 35 36 34) 6 36.83 m 12 (42 40 39 37 35 36) 6 38.17 ประมาณการสําหรับเดือนที่ 13 เปนคาเฉลี่ยเคลื่อนที่สําหรับ เดือนก่อนหน้านั่นคือค่าเฉลี่ยเคลื่อนที่ของเดือน 12 ม. 12 38.17 ดังนั้นตามที่เราไม่สามารถมีความต้องการเศษ) การคาดการณ์สำหรับเดือน 13 เป็น 38 ใช้เรียบเรียงเรียบด้วยความราบเรียบค่าคงที่ของ 0.7 เราได้รับ: