第5章 需求预测分析
理论6课时 + 上机6课时
5.1 为什么需要预测
供应链各环节都要提前准备（采购、生产、库存），所以需要估计未来的需求量。准确的需求预测能帮助企业合理安排生产和采购，降低库存成本，减少缺货风险。
5.2 简单移动平均法
用最近N期的平均值作为下一期预测值。
公式：F(t+1) = (A(t) + A(t-1) + ... + A(t-N+1)) / N
N越大越平滑，但对变化反应越慢；N越小越敏感，但波动大。
5.3 加权移动平均法
给近期数据更高的权重。例如最近一期权重0.5，前两期0.3，三期0.2。
优点：比简单移动平均更重视近期数据，预测更贴近实际。
5.4 指数平滑法
只用一个平滑系数 alpha（0~1）。
公式：新预测 = alpha x 实际值 + (1-alpha) x 上期预测
alpha越大，对最新变化越敏感；alpha越小，预测越平稳。
5.5 预测误差指标
- MAE（平均绝对误差） = |实际-预测|的平均值
- RMSE（均方根误差） = sqrt(sum((实际-预测)^2)/n)
越小说明预测越准。RMSE对异常值更敏感（因为平方放大效应）。
5.6 季节性分析（了解）
如果数据有明显的淡旺季，可以计算季节指数，把趋势和季节分开预测。
5.7 Python示例：移动平均和指数平滑预测
import pandas as pd
import numpy as np
sales = [120, 135, 128, 142, 150, 138, 160, 155]
# 3期简单移动平均
ma3 = pd.Series(sales).rolling(window=3).mean()
print("3期移动平均:", ma3.tolist())
# 指数平滑（alpha=0.3）
alpha = 0.3
forecast = [sales[0]] # 初始预测值
for actual in sales[1:]:
f = alpha * actual + (1 - alpha) * forecast[-1]
forecast.append(f)
print("指数平滑预测:", [round(x,1) for x in forecast])
# 计算MAE
mae = np.mean([abs(a-f) for a,f in zip(sales, forecast)])
print("MAE:", round(mae,2))
自学自检小问题
- 移动平均的期数N选大一点好还是小一点好？各有什么优缺点？
- 指数平滑中，alpha=0.9和alpha=0.1有什么区别？
- MAE和RMSE都是误差指标，RMSE对异常值更敏感，为什么？
拓展学习素材
- 实训数据集：用Excel自建24个月的历史销售数据，用于练习各种预测方法
- 工具安装：Python matplotlib（pip install matplotlib），用于画预测曲线
- 线上教程：B站搜索"Excel预测功能"，学习用Excel内置的预测工作表
基础巩固练习
0/5
1
选择题
指数平滑法中，平滑系数 alpha 的取值范围是？
答案解析
正确答案是 A. 0 < alpha < 1。alpha在0到1之间。alpha越接近1，预测越跟随最新实际值；alpha越接近0，预测越平稳，受最新值影响越小。
2
选择题
3期简单移动平均预测第4期，用的是哪几期的数据？
答案解析
正确答案是 A. 第1、2、3期。3期简单移动平均预测第4期，使用的是第1、2、3期的实际值的平均。即 F4 = (A1+A2+A3)/3。
3
选择题
MAE（平均绝对误差）的计算公式是？
答案解析
正确答案是 B。MAE（Mean Absolute Error）= sum|实际-预测|/n，即各期绝对误差的平均值。A是MSE，C是RMSE，D是平均偏差（不是误差）。
4
选择题
指数平滑法中，alpha越大说明？
答案解析
正确答案是 B. 对最新变化越敏感。alpha越大，最新实际值在预测中的权重越高，预测越紧跟最新变化。alpha=0.9时预测几乎等于上期实际值。
5
判断题
MAE和RMSE都是预测误差指标，RMSE对异常值更敏感。
答案解析
正确答案是 正确。RMSE在计算时对误差先平方再开方，因此对大的异常误差有放大效应，比MAE更敏感。当需要重点关注大误差时，应优先看RMSE。
0/5