Главная Случайная страница Контакты | Мы поможем в написании вашей работы! | ||
|
В январе дилер предсказывал февральский спрос для конкретной модели автомобиля Ford равным 142. Текущий февральский спрос был 153 автомобиля. Используя скользящую постоянную α = 20, мы можем прогнозировать спрос марта с помощью модели экспоненциального сглаживания. Подставляя а в формулу, мы имеем:
Новый прогноз (для спроса марта) = 142 +.2 (153 – 142) = 144.2.
Таким образом, спрос в марте этой модели Ford после округления равен 144.
Константа сглаживания α может быть изменена для придания большего веса текущим данным (когда α высока) или большего веса прошлым данным (когда α низка). Для демонстрации этого подхода к весам уравнение (4.4) может быть переписано алгебраически в следующей форме:
где сумма весов стремится к 1.
Каждая из этих временных серий проходит п периодов (где п может быть очень велико); важно, что прошлые периоды уменьшаются быстрее, когда а возрастает. Когда а стремится к 1,0 и достигает 1,0, тогда уравнение (4.5) имеет вид Ft – 1 = 1,0 Аt – 1 . Все другие значения исчезают, и прогноз становится идентичным простейшей модели, описанной ранее в данной главе. В этом случае прогноз спроса для следующего периода является точно таким, как спрос в текущем периоде.
Предыдущая таблица поможет проиллюстрировать это положение. Например, когда α = 5, мы можем увидеть, что новый прогноз базируется, главным образом, на спросе в прошлые три или четыре периода. Когда α = 1, прогноз имеет малые веса в текущем и ряде предыдущих периодов (около 19) значений спроса.
Выбор константы сглаживания. Метод экспоненциального сглаживания прост в использовании и может быть успешно применен в банках, производственных компаниях, оптовой торговле и других организациях. Определение значения константы сглаживания а может дать различия между точным прогнозом и неточным прогнозом. Выбирая значение константы сглаживания, добиваются более точных прогнозов. В общем, точность модели прогнозирования может быть определена сравнением прогнозного значения с текущим, или наблюдаемым, значением. Ошибка прогноза определяется формулой
Ошибка прогноза = Спрос – Прогноз.
Измерение всех ошибок прогноза для модели является средним абсолютным отклонением (MAD). Оно рассчитывается суммированием абсолютных значение индивидуальных ошибок прогноза и делением на число периодов данных п:
MAD = [Σ │Ошибки прогноза│] / n (4.6)
Рассмотрим приложение с тестированием ошибок для двух значений α в примере 4.
Дата публикования: 2015-03-29; Прочитано: 153 | Нарушение авторского права страницы | Мы поможем в написании вашей работы!