2. 需求预测基础

在供应链计划系统中，需求预测是安全库存与补货优化的基石。预测的准确性直接决定了库存水平与服务水平的平衡。本章聚焦于最常用的时间序列预测方法及其误差评估体系，为后续联合优化模型提供数据输入与质量监控手段。

2.1 时间序列分解：理解需求的构成要素

时间序列分解将历史需求数据拆解为四个核心成分，帮助分析师识别潜在模式，从而选择更合适的预测模型。

成分 定义 供应链示例
趋势（T） 长期上升或下降的总体方向 产品生命周期增长或市场萎缩
季节（S） 固定周期内的重复波动（周/月/季） 夏季饮料销量高峰、冬季取暖设备需求
周期（C） 非固定周期的经济或行业波动 宏观经济衰退导致的订单下滑
随机（R） 不可预测的噪声或突发事件 促销活动、供应链中断、天气异常

常用的分解模型有两种：加法模型（Y = T + S + C + R）适用于季节波动幅度不随趋势变化的场景；乘法模型（Y = T × S × C × R）适用于季节波动幅度随趋势成比例变化的场景。

实践提示：在安全库存计算中，若需求呈现强季节性，建议先进行季节调整（去季节化），再对平稳序列进行预测，否则会导致安全库存过高或过低。
时间序列分解结构图 原始需求 Y 趋势 T 季节 S 周期 C 随机 R 加法模型 乘法模型 加法模型：Y = T + S + C + R（季节幅度恒定） 乘法模型：Y = T × S × C × R（季节幅度随趋势变化）

2.2 移动平均法：平滑噪声，捕捉局部趋势

移动平均法通过计算最近 N 期数据的平均值来预测下一期需求，适用于无明显趋势和季节性的平稳序列。

2.2.1 简单移动平均（SMA）

公式：Ft+1 = (At + At-1 + ... + At-N+1) / N

其中 N 为移动平均窗口长度。N 越大，平滑效果越强，但对需求变化的响应越慢。

2.2.2 加权移动平均（WMA）

公式：Ft+1 = w1At + w2At-1 + ... + wNAt-N+1

权重通常满足近期权重较大、远期权重较小的原则，且所有权重之和为 1。

关键参数选择：N 值的选择直接影响预测的滞后性。在安全库存场景中，若需求波动较大，建议使用较大的 N（如 12 期）以降低噪声影响；若需求变化频繁，应使用较小的 N（如 3-4 期）以快速响应。

2.3 指数平滑法：自适应加权预测

指数平滑法赋予近期数据更高的权重，且权重随时间呈指数衰减，是一种计算高效、存储成本低的预测方法。

2.3.1 一次指数平滑（SES）

公式：Ft+1 = α × At + (1 - α) × Ft

其中 α（0 < α < 1）为平滑系数。α 越接近 1，模型对近期变化越敏感；α 越接近 0，模型越平滑。

α 值 特性 适用场景
0.1 - 0.3 高度平滑，滞后明显 需求稳定、噪声大的序列
0.4 - 0.6 中等敏感度 一般供应链需求
0.7 - 0.9 快速响应，易受噪声干扰 需求变化频繁、促销期

2.3.2 Holt-Winters 季节性指数平滑

当需求同时包含趋势和季节性时，Holt-Winters 方法通过三个平滑方程分别处理水平、趋势和季节成分：

  • 水平方程：Lt = α × (At / St-m) + (1 - α) × (Lt-1 + Tt-1)
  • 趋势方程：Tt = β × (Lt - Lt-1) + (1 - β) × Tt-1
  • 季节方程：St = γ × (At / Lt) + (1 - γ) × St-m

其中 m 为季节周期长度，β 和 γ 分别为趋势和季节平滑系数。

指数平滑法体系对比 一次指数平滑 (SES) 仅处理水平成分 无趋势、无季节 F = α·A + (1-α)·F 双指数平滑 (Holt) 水平 + 趋势成分 无季节成分 L, T 双方程 三指数平滑 (HW) 水平 + 趋势 + 季节 完整分解 L, T, S 三方程 复杂度递增 → 参数数量递增（1个 → 2个 → 3个平滑系数） 适用性：平稳序列 → 趋势序列 → 季节性序列 参数优化建议：α ∈ [0.1, 0.3]（稳定需求），α ∈ [0.5, 0.8]（快速变化） β, γ 通常取 0.1 - 0.3，避免过度拟合噪声

2.4 预测误差度量：量化预测质量

预测误差是实际需求与预测值之间的偏差。在安全库存优化中，误差的分布特征（均值、方差、偏度）直接影响安全系数的设定。以下是三种最常用的误差度量指标。

指标 公式 单位 特性
MAE MAE = (1/n) × Σ|At - Ft| 与需求同单位 对异常值不敏感，反映平均偏差
RMSE RMSE = √[(1/n) × Σ(At - Ft)²] 与需求同单位 对较大误差赋予更高权重，适合安全库存场景
MAPE MAPE = (100%/n) × Σ|(At - Ft) / At| 百分比（%） 无量纲，便于跨SKU比较；当实际值为0时不可用
安全库存关联警告：RMSE 是计算安全库存时最关键的误差指标，因为它直接与需求预测误差的标准差相关。在联合优化模型中，RMSE 每降低 10%，安全库存可减少约 5%-8%（取决于服务水平目标）。切勿仅使用 MAPE 进行安全库存决策，因为 MAPE 无法反映误差的方差结构。

2.4.1 误差度量在模型选择中的应用

在比较不同预测方法时，建议同时使用 MAE 和 RMSE：

  • 若 RMSE 远大于 MAE（比值 > 1.3），说明存在较大的离群误差，需检查数据质量或考虑鲁棒性更强的模型。
  • 若 MAE 和 RMSE 均较低，但 MAPE 较高，说明需求中存在大量低值样本，此时应关注误差而非百分比误差。
  • 在安全库存优化中，优先选择 RMSE 最小的模型，因为安全库存公式直接依赖于预测误差的标准差。

2.4.2 预测误差的分解与诊断

为进一步诊断预测偏差的来源，可将误差分解为：

  • 偏差（Bias）：平均误差 ME = (1/n) × Σ(At - Ft)，反映系统性的高估或低估。
  • 随机误差：RMSE 中扣除偏差后的剩余部分，反映不可预测的噪声。
  • 跟踪信号（TS）：TS = Σ(At - Ft) / MAD，用于监控预测是否失控。当 |TS| > 4 时，应重新校准模型。
实践建议：在供应链计划系统中，建议建立预测误差的滚动监控看板，每周计算 MAE、RMSE 和跟踪信号。当 RMSE 连续两周上升超过 15% 时，自动触发模型重训练或参数调整流程。

2.5 方法选择决策框架

根据需求数据的特征，选择最合适的预测方法：

数据特征 推荐方法 参数设置建议
平稳、无趋势、无季节 简单移动平均 / 一次指数平滑 N=6-12, α=0.2-0.3
有趋势、无季节 双指数平滑（Holt） α=0.2, β=0.1-0.2
有趋势、有季节 Holt-Winters 三指数平滑 α=0.2, β=0.1, γ=0.1-0.3
数据量少（< 24 期） 加权移动平均 近期权重 0.5-0.7
数据量大且稳定 时间序列分解 + 指数平滑 先分解后预测

在下一阶段，我们将基于本章的预测方法，构建安全库存与补货计划的联合优化模型，将预测误差的 RMSE 直接映射到安全系数和服务水平目标上。

← 上一章 📖 返回目录 下一章 →