4、需求预测方法（一）：时间序列分析法（移动平均、指数平滑、ARIMA）在矿产需求预测中的应用

矿产需求预测是资源规划、产能投资与供应链管理的核心起点。与消费品需求不同，矿产需求往往受到宏观经济周期、下游产业景气度、技术进步替代效应以及政策法规等多重因素叠加影响，其时间序列数据通常呈现出趋势性、周期性和随机波动并存的特征。时间序列分析法不依赖解释变量，而是从历史数据自身的变化规律中提取信息，通过数学模型外推未来需求。本章聚焦三种最常用的时间序列方法——移动平均法、指数平滑法和ARIMA模型，结合矿产行业的实际数据特征，讲解其原理、适用场景、操作流程与常见误区。

4.1 移动平均法：平滑噪声，识别短期趋势

核心原理

移动平均法的基本思想是对一定窗口期内的历史需求数据取平均值，以消除短期随机波动，从而揭示数据中隐藏的趋势方向。对于矿产需求而言，月度数据往往受到下游企业集中采购、季节性施工、物流延迟等因素干扰，移动平均能够有效过滤这些噪声。其数学表达式为：

MA_t = (D_t + D_{t-1} + ... + D_{t-n+1}) / n

其中，D_t 为第 t 期的实际需求，n 为移动窗口长度。窗口越长，平滑效果越强，但对近期变化的响应越迟钝；窗口越短，预测越灵敏，但噪声过滤能力下降。

操作流程与参数选择

1. 确定窗口长度 n：对于矿产需求，若数据为月度且存在明显季节性，n 通常取 12（覆盖完整年度周期）；若为季度数据，n 取 4。若数据无明显周期，可通过试错法比较不同 n 值的预测误差（如均方根误差 RMSE）。
2. 计算移动平均值序列：从第 n 期开始逐期计算，形成平滑后的趋势线。
3. 生成预测：最简方式是将最近一期的移动平均值作为下一期预测值；更稳健的做法是结合趋势增量进行修正。
4. 评估与调整：对比预测值与实际值，计算平均百分比误差（MAPE），若误差过大则调整窗口长度。

案例拆解：某铜冶炼企业月度精矿需求预测

某铜冶炼企业需要预测未来3个月的铜精矿采购量，以安排海运物流与库存。历史数据显示，过去12个月的月度精矿消耗量（万吨）为：8.2, 8.5, 8.1, 8.7, 8.9, 8.4, 9.0, 9.3, 8.8, 9.5, 9.2, 9.8。企业分别采用 n=3 和 n=6 的移动平均进行预测。

计算过程：n=3 时，第13期预测值 = (9.5+9.2+9.8)/3 = 9.50万吨；n=6 时，第13期预测值 = (8.8+9.5+9.2+9.8+9.0+9.3)/6 = 9.27万吨。实际第13期消耗量为9.6万吨，n=3 的误差为1.04%，n=6 的误差为3.44%。

复盘分析：由于近期需求呈上升趋势，较短窗口（n=3）能更快捕捉这一变化，预测精度更高。但若数据噪声较大，短窗口可能导致过度反应。该企业最终采用 n=3 作为短期预测窗口，同时结合后续的指数平滑法进行交叉验证。

4.2 指数平滑法：赋予近期数据更高权重

核心原理

指数平滑法是移动平均法的改进版本，其核心思想是：距离预测期越近的历史数据，对未来的影响越大，因此赋予指数递减的权重。该方法只需少量参数即可建模，计算简便，适合频繁更新预测的场景。基本公式为：

S_t = α × D_t + (1 - α) × S_{t-1}

其中，S_t 为第 t 期的平滑值，α 为平滑系数（0 < α < 1）。α 越大，模型越重视近期数据，响应越快；α 越小，平滑效果越强，模型越稳定。

三种形式的适用场景

• 单指数平滑（SES）：适用于无趋势、无季节性的平稳序列。在矿产领域，可用于短期（1-2个月）的消耗量预测，当数据围绕某一水平随机波动时效果较好。
• 双指数平滑（Holt法）：在单指数基础上增加趋势项，适用于存在线性趋势但无季节性的数据。例如，某地区因基建增长导致钢材需求逐年上升，可用此方法。
• 三次指数平滑（Holt-Winters法）：在双指数基础上增加季节性项，适用于同时具有趋势和季节性的数据。例如，电力用煤需求在夏季和冬季出现双高峰，此方法可有效捕捉。

案例拆解：锂盐需求预测中的Holt-Winters应用

某锂盐生产商需要预测未来6个月的电池级碳酸锂需求量，以制定生产计划。历史数据显示，过去3年（36个月）的需求量呈现明显的上升趋势，且每年第四季度因新能源汽车冲量而出现需求高峰。企业采用Holt-Winters三次指数平滑模型，通过最小化均方误差（MSE）自动优化参数，最终确定 α=0.35、β=0.15、γ=0.25。

预测结果：模型输出的第37-42期预测值分别为：5.2、5.4、5.6、5.9、6.1、6.5（千吨）。实际第37期需求为5.0千吨，误差4%；第38期为5.5千吨，误差1.8%。

操作要点：该企业每季度重新估计一次参数，并将最新实际数据纳入模型。同时，当出现重大政策变化（如新能源汽车补贴退坡）时，会人工调整预测值，而非完全依赖模型输出。

4.3 ARIMA模型：处理非平稳序列的经典工具

核心原理

ARIMA（自回归积分滑动平均）模型是Box-Jenkins方法的核心，适用于具有复杂动态结构的时间序列。其基本思想是：通过差分将非平稳序列转化为平稳序列，然后使用自回归（AR）项和移动平均（MA）项来刻画序列的自相关性。模型记作 ARIMA(p, d, q)，其中 p 为自回归阶数，d 为差分次数，q 为移动平均阶数。

ARIMA(p,d,q) 模型形式：
(1 - φ₁B - ... - φₚBᵖ)(1-B)ᵈ X_t = (1 + θ₁B + ... + θ_qB^q) ε_t

其中 B 为滞后算子，ε_t 为白噪声。在矿产需求预测中，ARIMA的优势在于能够捕捉数据中的长期依赖关系和周期性模式，且能提供预测区间。

建模流程（Box-Jenkins方法）

1. 平稳性检验：使用ADF检验或KPSS检验判断序列是否平稳。若 p 值大于0.05，则需进行差分，通常 d 取1或2。
2. 模型识别：通过自相关函数（ACF）和偏自相关函数（PACF）图判断 p 和 q 的阶数。ACF截尾、PACF拖尾 → 选择AR模型；ACF拖尾、PACF截尾 → 选择MA模型；两者均拖尾 → 选择ARMA模型。
3. 参数估计：使用最大似然估计或最小二乘法估计模型参数。
4. 模型诊断：检验残差是否为白噪声（Ljung-Box检验），若残差仍存在自相关，则需调整模型阶数。
5. 预测与验证：使用模型进行滚动预测，对比实际值，计算误差指标。

案例拆解：铁矿石进口量预测的ARIMA建模

某钢铁集团需要预测未来12个月的铁矿石进口量（万吨/月），用于港口物流与库存管理。历史数据为2018年1月至2023年12月共72个月的月度进口量。初步观察发现，数据存在上升趋势和明显的季节性波动（每年3月和9月为进口高峰）。

建模过程：

• ADF检验显示原始序列 p=0.32，非平稳；一阶差分后 p=0.01，平稳，故 d=1。
• ACF图在滞后12处有明显峰值，提示存在季节性；PACF图在滞后1处截尾。初步选择 ARIMA(1,1,1)(1,1,1)₁₂ 季节性模型。
• 通过AIC比较，最终确定 ARIMA(2,1,1)(1,1,1)₁₂，AIC=842.3。
• 残差Ljung-Box检验 p=0.28，残差为白噪声，模型通过诊断。

预测结果：模型预测2024年1月进口量为8,450万吨，实际值为8,320万吨，误差1.56%；2月预测8,620万吨，实际8,510万吨，误差1.29%。预测区间（95%置信）宽度约为±600万吨，符合业务可接受范围。

复盘经验：ARIMA模型在矿产需求预测中的表现优于移动平均和指数平滑，尤其是在数据量充足（至少50个观测值）且存在复杂动态模式时。但模型对数据质量敏感，异常值（如矿山事故导致的供应中断）会显著影响参数估计。建议在建模前进行异常值检测和处理。

4.4 三种方法的对比与选择策略

方法选择决策路径

• 第一步：检查数据量。少于24期 → 优先移动平均或单指数平滑；多于50期 → 可考虑ARIMA。
• 第二步：绘制时序图，观察是否存在趋势和季节性。无趋势 → 单指数平滑；有趋势无季节 → 双指数平滑；有趋势有季节 → 三次指数平滑或季节性ARIMA。
• 第三步：若数据存在拐点、政策冲击或市场结构变化，即使ARIMA拟合良好，也应结合情景分析进行人工调整。
• 第四步：采用滚动回测（rolling forecast）比较不同方法的MAPE，选择预测误差最小的模型，而非仅看训练集拟合优度。

总结复盘：时间序列法在矿产需求预测中的关键要点

1. 数据质量优先：确保历史数据口径一致，剔除罢工、自然灾害等异常事件的影响，必要时使用虚拟变量进行修正。
2. 模型不是越复杂越好：ARIMA虽然强大，但在数据量不足或业务环境剧烈变化时，简单方法可能更稳健。
3. 预测区间比点预测更重要：矿产采购决策需要知道最坏情况，建议同时输出80%和95%置信区间。
4. 滚动更新机制：每月将最新实际数据纳入模型重新估计参数，避免模型"过时"。
5. 人机结合：统计模型提供基准预测，行业专家根据政策、技术、市场信息进行修正，最终形成"统计+判断"的融合预测。