第六章 预测模型(Forecast Models )本讲主要内容1. 预测和预测模型2. 时间序列预测模型3. 灰色预测模型4. 数学建模案例:SARS 疫情对某些经济指标影响问题6.1预测和预测模型6.1.1 什么是预测预测作为一种探索未来的活动早在古代已经出现,但作为一门科学的预测学,是在科学技术高度发达的当今才产生的。
“预测”是来自古希腊的术语。
我国也有两句古语:“凡事预则立,不预则废”, “人无远虑,必有近忧” 。
预测的目的在于认识自然和社会发展规律,以及在不同历史条件下各种规律的相互作用,揭示事物发展的方向和趋势,分析事物发展的途径和条件,使人们尽早地预知未来的状况和将要发生的事情,并能动地控制其发展,使其为人类和社会进步服务。
因而预测是决策的重要的前期工作。
决策是指导未来的,未来既是决策的依据,又是决策的对象,研究未来和预测未来是实现决策科学化的重要前提。
预测和决策是过程的两个方面,预测为决策提供依据,而预测的目的是为决策服务,所以不能把预测模型和决策模型截然分开,有时也把预测模型称为决策模型。
20世纪以来,预测技术所以得以长足进步,一方面,与社会需求有很大关系,另一方面通过社会实践和长期历史验证,表明事物的发展是可以预测的。
而且借助可靠的数据和科学的方法,以及预测技术人员的努力,预测结果的可靠性和准确性可以达到很高的程度,这也是预测技术迅速发展的另一个重要原因。
6.1.2 预测的方法和内容为保证预测结果的精确度,预测之前的主要工作是数据的准备,数据是预测工作的前提和重要依据,预测不能是臆造和空想,任何事物的发展都有一定的规律,认真研究预测对象并充分考察预测对象所处的环境,以系统分析的方法对过去和现在的数据进行总结,从中找出规律,便可科学地推断未来。
1.数据的收集和整理 按时态分,数据可分为历史数据和现实数据;按预测对象分,可分为内部数据和外部数据;就收集的手段分,可分为第一手数据和第二手数据。
第一手数据,包括以各种形式初次收集的数据。
收集第一手数据的途径包括:抽样调查,连续调查,或全面调查。
在预测的定性方法中常常需要第一手数据,但获取第一手数据的费用较高,时间较【产品销量预测问题】假设商店某种产品的销售量如下表6-1。
表6-1 某产品销量资料年份2002 2003 2004 2005 2006 2007 2008 2009 2010销售量(万件)10 18 25 30.5 35 38 40 39.5 38试预测2011年的销售量,并且要求在90%的概率保证下,给出预测的置信区间。
长,所以定量方法常采用第二手数据。
第二手数据多为已经公布和发表的资料,易于获取,代价低,数据精度也有一定的保证。
其缺点是数据可能不能直接适用于预测情况。
因此,常常需要对已公布的数据进行修正和处理,使其适应于预测需要。
无论是第一手数据还是第二手数据,都可能是混乱的、无序的、彼此间孤立的。
预测人员都应将原始数据按“单元”或“类别”整理和集中,以便使其成为内容上完整、有序、系统,形式上简明统一的数据。
2.数据的分析和处理建模不仅需要大量的数据,同时数据必须可靠,并适合建模的要求。
这些数据虽然是历史的客观写照,但有可能是失真的数据。
对于失真的数据,以及不符合建模的数据,必须通过分析,加以适当处理。
处理的原则是准确、及时、适用、经济、一致,处理方法有判别法、剔除法、平均值法、差分法等等。
有些模型只能处理平稳数据,如果原始数据为非平稳数据,则需釆取差分处理。
在预测过程中,由于预测对象不同,预测内容不同,以及预测期限不同,所需的数据内涵及数量也不同。
经济预测的数据主要包括:(1)国民经济总产值及各部类的分配情况;(2)各行业的生产规模和生产能力以及技术水平;(3)政府的经济政策及产业政策;(4)生产力布局;(5)人口发展趋势及就业情况;(6)国民经济投资及分配;(7)国际环境及变化趋势。
市场需求预测需要的数据主要有:(1)人口及人均收入;(2)国民收入的增长及分配情况;;(3)与产品消费直接有关的政府政策和法规,如进口限制、进口税、销售稅和其它税费、信贷管理及外费管理等;(4)一段时期内产量和产值的生产能力;(5)一段时期内的产品的进口量;(6)代用品或近似代用品的产量和进口量;(7)与有关新投入的产品前后关联度高的产品的产量;(8)国家计划规定的产品或代用品的生产指标;(9)产品出口量;(10)个人或集体消费者们的习惯或嗜好;(11)法律方面的资料。
针对不同的预测问题可选取适当的数学模型进行预测。
实用的预测模型很多,数学建模中常用的预测模型有时间序列模型,回归分析模型和灰色预测模型等等。
回归模型在第四章中已经介绍,本章讲分别介绍时间序列预测模型和灰色预测模型。
6.2 时间序列预测模型时间序列一般指一组按时间顺序排列的数据,展示了研究对象在一定时期的发生变化过程。
时间序列模型,就是根据预测对象时间变化特征,研究事物自身的发展规律,探讨未来发展趋势,是一种重要的定量预测方法。
它是在时间序列变量分析的基础上,运用一定的数学方法建立预测模型,使时间趋势向外延伸,从而预测未来市场的发展变化趋势,确定变量预测值。
时间序列模型包括多种模型,主要适用于经济预测、商业预测、需求预测、库存预测等,预测期限主要为中、短期,不适用于有拐点的长期预测。
在时间序列中,通常根据影响因素将数据的变化趋势分为四大类:长期趋势、季节变动、循环变动和不规则变动。
对于前三种数据趋势预测问题,由于数据均呈现出某种规律性,因此我们能够将数据进行简化、分析,从而使预测成为可能;而不规则变动是指由某种偶然因素引起的突然变动,如战争的发生、政权的更迭、重大自然灾害的发生等,不规则变动没有周期性。
在建模中常用的时间序列预测方法有移动平均法、指数平滑法、趋势外推法、季节指数预测法等等。
6.2.1 移动平均预测法移动平均法是根据时间序列资料逐渐推移,依次计算包含一定项数的时序平均数,以反映长期趋势的方法。
当时间序列的数值由于受周期变动和不规则变动的影响,起伏较大,不易显示出发展趋势时,可用移动平均法消除这些因素的影响,分析、预测序列的长期趋势。
移动平均法有简单移动平均法、加权移动平均法、趋势移动平均法等,这些都是比较简单的时间序列预测方法。
移动平均法的基本方法是,选一个固定的周期N ,对数据进行平均,每递推一个周期就加上后一个数据,舍去初始数据,依次类推,直至把数据处理完毕。
以N =5为例:512345)1(5y y y y y M ++++=,523456)1(6y y y y y M ++++=.()()1156M M 、分别表示第五、第六个周期的一次移动平均值,依次类推。
若移动平均的周期为N ,则可得到计算移动平均值的一般公式:Ny y y y M N t t t t t )1(21)1(−−−−++++=L ,其中,)1(t M 表示第t 期的一次移动平均值。
可见,移动平均法实际上是对于某一期数据,取前N 个数据进行平均,N 个数权数相同,而其它数据的权为零,这样经过移动平均,将消除数据列中异常的因素,对数据进行修匀。
一般情况下,如果数据没有明显的周期变化和趋势变化,可用第t 期的一次移动平均值作为t +1期的预测值,即)1(1ˆt t M y=+. 表6-2中的的第二列和第三列,即是原始数据与一次移动平均值的对比。
始取N =3的3期移动平均,则第三期数据的移动值为5766.33,它可以作为第4期的预测值。
一次移动平均法只能用来对下一期进行预测,不能用于长期预测。
使用移动平均法,最重要的是移动周期N 的选择。
由于移动平均修匀后的方差,随着N 的加大而减少。
也就是N 越大,对原始数据修匀能力越强。
必须选择合理的移动跨期,跨期越大对预测的平滑影响也越大,移动平均数滞后于实际数据的偏差也越大。
跨期太小则又不能有效消除偶然因素的影响。
跨期取值可在3~20间选取。
表6-2 移动平均值序 列 原 始 数 据 一次移动平均值 二次移动平值 1 2 3 4 5 6 7 8 9 10 115600 5796 5930 6092 6257 6567 6851 7141 7436 7738 80455775.3 5939.3 6093.0 6305.3 6558.3 6853.0 7142.7 7438.3 7739.75935.9 6112.5 6318.9 6572.2 6851.3 7144.7 7440.2在一次移动平均值的基础上,应用移动平均的原理,还可以进行二次甚至多次的移动平均,二次移动平均,就是以一项移动平均值为原始数据,再进行一次移动平均。
二次移动平均法的公式为:Ny y y y MN t t t t t)1(21)1(−−−−++++=L ,NM M M M M N t t t t t )1()1()1(2)1(1)1()2(−−−−++++=L .二次移动平均使原始数据得到了进一步修匀,使其显现线性趋势。
表6-2中的第四列数据为N =3的二次移动平均值。
在二次移动平均值的基础上,可建立线性模型:ττt t t b a y+=+ˆ 其中 ,2)2()1(t t t M M a −=)(12)2()1(t t t M M n b −−=,式中:τ-预测超前期数。
对于表6-1中的数据,如以11期数据预测12期值,当取N =3时,则有:,2.80392.74407.773922)2(11)1(1111=−×=−=M M a.5.2992.74407.7739)(132)2(11)1(1111=−=−−=M M b 预测方程为ττ5.2992.8039ˆ11+=+y. 所以第12期的预测值为 7.83385.2992.8039ˆ12=+=y. 二次移动平均法是对一次移动平均数再次进行移动平均,并在两次移动平均的基础上建立预测模型对预测对象进行预测。
二次移动平均法与一次移动平均法相比,其优点是大大减少了滞后偏差,使预测准确性提高。
但它只适用于短期预测。
而且只用于0≥T 的情形。
6.2.2指数平滑预测法指数平滑法(Exponential Smoothing,ES )是布朗(RobertG.Brown )所提出的,他认为时间序列的态势具有稳定性或规则性,所以时间序列可被合理地顺势推延;他认为最近的过去态势,在某种程度上会持续到未来,所以将较大的权数放在最近的资料。
指数平滑法来自于移动平均法,是一次移动平均法的延伸。
它将时间数据加工平滑,从而获得其变化规律与趋势。
根据平滑次数的不同,指数平滑法可以分为一次指数平滑法、二次指数平滑法和三次指数平滑法等。
1. 一次指数平滑法 一次指数平滑公式为)1(1)1()1(−−+=t t t S y S αα.其中)1(t S :t 期数据的指数平滑值;α:平滑常数,0<α<1;t y :现期数据值。