4. 需求预测基础：时间序列分解、移动平均法、指数平滑法的原理与适用场景
在多级库存网络中，需求预测是驱动补货、安全库存设定与产能规划的核心输入。预测误差直接传导至库存持有成本与缺货风险。本章聚焦三种最常用的时间序列预测方法：时间序列分解、移动平均法与指数平滑法，阐明其数学原理、适用场景及在库存优化中的局限性。
4.1 时间序列分解
时间序列分解将历史需求数据拆解为四个基本成分，便于分别建模与预测：
| 成分 | 符号 | 含义 | 典型周期 |
|---|---|---|---|
| 趋势 | T | 长期上升或下降的平滑走向 | 年/季度 |
| 季节 | S | 固定周期内的规律波动 | 周/月/季度 |
| 周期 | C | 非固定长度的经济或行业波动 | 数年 |
| 残差 | R | 随机噪声，不可解释部分 | — |
常用分解模型有两种：
- 加法模型：\( Y_t = T_t + S_t + C_t + R_t \)，适用于季节波动幅度不随趋势变化的情况。
- 乘法模型：\( Y_t = T_t \times S_t \times C_t \times R_t \)，适用于季节波动幅度随趋势成比例变化的情况（如销量增长时旺季波动更大）。
库存应用提示： 在快消品或零售多级库存中，乘法模型更常见。若季节因子被忽略，安全库存设定会低估旺季需求，导致缺货；高估淡季需求则产生冗余库存。
适用场景： 需求具有明显趋势和季节模式，且历史数据长度至少包含2～3个完整季节周期（如24～36个月）。不适合纯随机或高度不稳定的需求。
4.2 移动平均法
移动平均法通过计算最近 N 期需求数据的算术平均值来平滑随机波动，生成下一期预测。
数学公式：
F_{t+1} = (D_t + D_{t-1} + ... + D_{t-N+1}) / N其中 \( F_{t+1} \) 为下一期预测值，\( D_t \) 为第 t 期实际需求，N 为移动平均窗口长度。
| 窗口 N | 平滑效果 | 对趋势响应 | 适用场景 |
|---|---|---|---|
| 小（3～6） | 弱 | 快 | 需求波动小、趋势变化快 |
| 中（7～12） | 中等 | 中等 | 月度预测、常规品项 |
| 大（13+） | 强 | 慢 | 稳定需求、长期趋势估计 |
库存风险： 移动平均法对所有历史数据赋予相同权重，无法区分近期与远期数据的重要性。当需求存在趋势或季节时，预测会系统性滞后，导致库存计划落后于实际变化。
适用场景： 需求平稳、无显著趋势或季节性的产品（如成熟期快消品、MRO备件）。不适用于需求快速增长或具有强季节性的SKU。
4.3 指数平滑法
指数平滑法通过赋予近期数据更高权重、远期数据指数递减权重，克服了移动平均法权重均等的缺陷。最基础的版本为一次指数平滑：
F_{t+1} = α × D_t + (1 - α) × F_t其中 α 为平滑系数（0 < α < 1），控制模型对最新数据的敏感度。
| α 值 | 近期权重 | 平滑程度 | 典型应用 |
|---|---|---|---|
| 0.1～0.3 | 低 | 高平滑 | 稳定需求、减少噪声干扰 |
| 0.4～0.6 | 中等 | 中等 | 一般库存预测 |
| 0.7～0.9 | 高 | 低平滑 | 快速响应市场变化 |
针对更复杂的需求模式，指数平滑法扩展为：
- Holt 线性趋势模型：增加趋势分量 β，适用于有趋势无季节的数据。
- Holt-Winters 季节模型：增加季节分量 γ，适用于既有趋势又有季节的数据（加法或乘法季节）。
参数优化建议： 在多级库存环境中，建议使用历史数据通过最小化 MSE（均方误差）或 MAE（平均误差）来网格搜索最优 α、β、γ。避免手动凭经验设定，否则预测误差会逐级放大。
4.4 三种方法对比与选择指南
| 维度 | 时间序列分解 | 移动平均法 | 指数平滑法 |
|---|---|---|---|
| 数据要求 | 至少2～3个季节周期 | N 期历史数据 | 少量数据即可启动 |
| 趋势处理 | 显式建模 | 滞后响应 | Holt 模型可处理 |
| 季节处理 | 显式分解 | 无法处理 | Holt-Winters 可处理 |
| 计算复杂度 | 中等 | 低 | 低～中等 |
| 库存适用性 | 中长期规划、安全库存设定 | 短期补货、稳定品项 | 多级库存滚动预测 |
| 预测误差特征 | 残差可分析季节因子误差 | 系统性滞后误差 | 可通过 α 调节响应速度 |
多级库存网络选型建议：
- 中心仓/区域仓（中长期）：优先使用时间序列分解或 Holt-Winters，捕捉趋势与季节，支撑安全库存与产能规划。
- 前端配送中心/门店（短期）：使用一次指数平滑或移动平均法，快速响应近期需求变化，降低计算负担。
- 新品或历史数据不足：指数平滑法（α 取 0.3～0.5）可作为冷启动方案。
常见陷阱： 在多级库存中，若各级使用不同预测方法且参数未协同优化，会导致“预测误差放大效应”——上游预测误差被下游放大，最终造成库存失衡。建议统一预测引擎，或至少保证各级预测方法在趋势和季节分量上保持一致。