概述：

隨著科學(xué)技術(shù)的發(fā)展和社會上各企業(yè)之間的競爭越發(fā)激烈的大背景下，各企業(yè)普遍性的采用了各式各樣的管理信息的系統(tǒng)；應(yīng)運(yùn)而生的問題就是在企業(yè)的系統(tǒng)中累積了大量的歷史數(shù)據(jù)，這些歷史數(shù)據(jù)沒有得到企業(yè)的有效重視，只是被簡單的存儲在企業(yè)信息系統(tǒng)的數(shù)據(jù)庫中。對于這些數(shù)據(jù)，各企業(yè)只是進(jìn)行一些傳統(tǒng)的操作來得到一些表面的信息，并沒有挖掘出這些數(shù)據(jù)中更深層次的信息。在以往，企業(yè)在數(shù)據(jù)的收集和管理方面耗費(fèi)了大量的精力，但是現(xiàn)在的企業(yè)用戶更想通過對已有的數(shù)據(jù)進(jìn)行整理分析，希望能從中發(fā)現(xiàn)更深層的信息，以獲得更多的利益。

時(shí)間序列預(yù)測，從統(tǒng)計(jì)意義上來講，是按照時(shí)間的先后順序，將某個(gè)指標(biāo)在不同的時(shí)間上的數(shù)據(jù)依次有序排列而得到的數(shù)列，這樣的數(shù)列受到某些因素的影響會展現(xiàn)出一些隨機(jī)性，該數(shù)列中各個(gè)數(shù)據(jù)之間會存在一定程度的依賴關(guān)系。分析時(shí)間序列，得到其內(nèi)在的規(guī)律，這在預(yù)測未來行為方面，具有深刻的意義和重大的價(jià)值。

案例與數(shù)據(jù)

傳統(tǒng)的銷售預(yù)測，企業(yè)需要指派專門的人員去負(fù)責(zé)，并且對該人員的素質(zhì)和經(jīng)驗(yàn)有很高的要求，不僅如此，計(jì)劃員為了提高銷售預(yù)測的準(zhǔn)確性，往往也需要收集大量的主觀和客觀、定量和定性的信息，從而耗費(fèi)了大量的人力、物力、財(cái)力。而時(shí)間序列預(yù)測算法則能夠很好的改善這一狀況。

某企業(yè)市場部想預(yù)測某產(chǎn)品未來幾個(gè)月后的銷售量，以便于決策層做出相應(yīng)并準(zhǔn)確的計(jì)劃和決策，市場部收集了最近4年的歷史月銷量數(shù)據(jù)如圖1所示。根據(jù)所提供的數(shù)據(jù)，采用分解算法來預(yù)測幾個(gè)月的銷售量及其發(fā)展趨勢。本案例使用到國工數(shù)據(jù)大腦中的時(shí)間序列預(yù)測算法中的分解組件。該組件包含兩個(gè)模型：乘法模型和加法模型，本次采用乘法模型進(jìn)行舉例分析。

圖1 最近4年的月銷售數(shù)據(jù)

國工數(shù)據(jù)大腦分析過程

使用國工數(shù)據(jù)大腦組件會讀取EXCEL文檔里的數(shù)據(jù)。

圖2

使用系統(tǒng)已集成好算法的分解組件，進(jìn)行數(shù)據(jù)的時(shí)間序列預(yù)測分析處理。對組件參數(shù)進(jìn)行設(shè)置，模型類型配置為乘法模型；影響因素配置為季節(jié)加趨勢；季節(jié)長度配置為12；預(yù)測點(diǎn)數(shù)配置為6；隊(duì)列容量設(shè)為100。單擊運(yùn)行，從調(diào)試界面查看運(yùn)行結(jié)果。

圖3

分析結(jié)果

圖4

圖5

圖6

數(shù)據(jù)大腦自動生成擬合趨勢方程，其方程為 （見圖4），通過方程計(jì)算出擬合值（圖7紅色實(shí)線）與觀測數(shù)據(jù)曲線（圖7藍(lán)色實(shí)線）比較接近，表明其擬合效果較好，其趨勢走向緩慢上升（圖7綠色實(shí)線），符合數(shù)據(jù)的發(fā)展趨勢，說明可以相信接下來幾個(gè)月的預(yù)測值。

為了能夠反映出季度和總平均值之間的關(guān)系，我們采用季節(jié)指數(shù)作為指標(biāo)，當(dāng)季節(jié)指數(shù)大于1時(shí)，說明該季度的值高于總平均值；反之則低于總平均值。當(dāng)序列的季節(jié)指數(shù)近似等于1，說明該序列沒有明顯的季節(jié)效應(yīng)。在本次案例中，二者之間的關(guān)系較為穩(wěn)定的，結(jié)合圖6左上進(jìn)行如下分析：6-9月份季節(jié)指數(shù)是大于1為銷售旺季，其中最高的是7月份是銷售的最高峰。同時(shí)參考原始數(shù)據(jù)序列圖（見圖5左上圖）以及去除趨勢后數(shù)據(jù)的序列圖（見圖6右上圖和圖5右上圖）也可得出相同的規(guī)律。

采用分解算法進(jìn)行分析時(shí)，通常會將時(shí)間序列趨勢分解成如下三個(gè)方面：長期變動趨勢（見圖5左下圖）、季節(jié)變動趨勢（見圖5右上圖）和不規(guī)則變化趨勢（見圖5右下圖）。對比上述圖片，可以得出數(shù)據(jù)中確實(shí)存在趨勢分量和季節(jié)性分量。同時(shí)從原始數(shù)據(jù)序列圖及去除季節(jié)分量后的季節(jié)性調(diào)整數(shù)據(jù)序列圖（見圖5左下圖）可見，該產(chǎn)品的銷量呈緩慢上升的趨勢，如圖7中的綠色直線。

圖7

由圖7我們不難看出，該企業(yè)某產(chǎn)品銷量來逐年增長（綠色實(shí)線）。國工數(shù)據(jù)大腦基于對原始數(shù)據(jù)的一系列分析，推測出某產(chǎn)品未來幾個(gè)月的銷量數(shù)據(jù)（紫色實(shí)線）呈上升趨勢。

時(shí)間序列預(yù)測的作用

1.幫助企業(yè)制定合理的經(jīng)營決策。

企業(yè)要制定出正確的合理的經(jīng)營決策，前提是要有對未來科學(xué)的、準(zhǔn)確的預(yù)測。時(shí)間序列預(yù)測是以企業(yè)的歷史數(shù)據(jù)、現(xiàn)在的發(fā)展過程為前提，以其理論方法和技術(shù)支持為基礎(chǔ)去研究企業(yè)未來數(shù)據(jù)的變化。為經(jīng)營策略的制定提供科學(xué)的方法和理念依據(jù)。預(yù)測結(jié)果越精確，企業(yè)制定出正確經(jīng)營決策的可能性就越大。

2.幫助企業(yè)提升市場應(yīng)變能力。

企業(yè)要想提高市場競爭力，一方面要把握住現(xiàn)有的市場，另一方面也需要能夠預(yù)知將來的市場，有良好的市場應(yīng)變能力。時(shí)間序列預(yù)測就可以對未來市場需求的預(yù)估和判斷。企業(yè)可以隨時(shí)了解市場上各商品的供求變動情況及趨勢的同時(shí)，及時(shí)把握住市場契機(jī)，正確地選擇或調(diào)整生產(chǎn)經(jīng)營方向，以次來提高市場競爭力。

3. 提高企業(yè)經(jīng)營計(jì)劃的可行性和經(jīng)濟(jì)效益。

企業(yè)生產(chǎn)經(jīng)營活動的核心是提高經(jīng)濟(jì)效益，而經(jīng)營計(jì)劃是否可行直接關(guān)系著經(jīng)濟(jì)效益是否能夠提高。時(shí)間序列預(yù)測除了在生產(chǎn)經(jīng)營活動方面發(fā)揮重要作用之外，企業(yè)架構(gòu)也對其有不同程度的需求。

名詞解釋

時(shí)間序列：時(shí)間序列是指均勻時(shí)間間隔上的觀測值序列。

預(yù)測：預(yù)測是一種在時(shí)間序列分析中廣泛使用的方法，用于預(yù)測指定時(shí)間段內(nèi)的響應(yīng)變量。

模型的選擇：當(dāng)數(shù)據(jù)中季節(jié)性模式的量值取決于數(shù)據(jù)的量值時(shí)，選擇乘法模型。當(dāng)數(shù)據(jù)中的季節(jié)性模式的量值不取決于數(shù)據(jù)的量值時(shí)，選擇加法模型。

季節(jié)指數(shù)：季節(jié)指數(shù)是用簡單平均法計(jì)算的周期內(nèi)各時(shí)期季節(jié)性影響的相對數(shù)。

分解：分解可以將時(shí)間序列分為線性趨勢、季節(jié)性和誤差分量，并提供預(yù)測。

去除趨勢：去除趨勢的值是指刪除了趨勢分量的數(shù)據(jù)。等于觀測值除以季節(jié)性值（乘法模型）。

殘差：殘差在數(shù)理統(tǒng)計(jì)中是指實(shí)際觀察值與估計(jì)值（擬合值）之間的差。

分量分析：分解過程分析各圖中序列的趨勢和季節(jié)性分量。

季節(jié)性分析：分解過程分析時(shí)間序列每個(gè)季節(jié)中季節(jié)性指數(shù)和變異。

適用范圍

一般來說，可以在時(shí)間維度上連續(xù)表示的數(shù)據(jù)都可以成為時(shí)間序列的分析對象，例如：銷售預(yù)測、采購的價(jià)格量化交易、設(shè)備損壞性的預(yù)測和評估、某產(chǎn)品的消費(fèi)預(yù)測等。