预测的原理及其实战（4）

预测的统计视角

我们预测的事情是未知的，所以可以将其视为随机变量。例如，下个月的销售总量可以在一个可能值的区间，直到我们知道这个值前，它就是一个随机的数量。

因为下个月相对较近，我们通常对于销售量的预测较为可信，而当预测时间是下年中的这个月份的值，可能的预测值将更是多变。在大多数的预测情形中，我们预测的量（的浮动区间）将会随着事件的临近而缩小。预测的时间点越长，预测的量越不准确。

当我们预测时，估算出预期值区间的中值。通常，预测结果是一个预测区间，这些随机量具有较高的可能性。（置信区间）

预测案例（练习）

 

案例1

一个产生一次性餐巾纸盒和餐具的大型生产企业，该企业需要预测每个月中的上百个项目，时序数据显示了一些数据模式，像是趋势，使用潮流，季节性变化。使用的方法如下：

 

1.过去12个月的平均数据

2.过去6个月的平均数据

3.使用线性回归，12个的数据

4.使用线性回归，6个月的数据

5.使用一条直线，斜率是 连接今年和上年值的直线的斜率的平均值，且通过上一个观测值

6.使用一条直线，斜率是 连接今年和上年值的直线的斜率的平均值，且通过上一个观测值，不过斜率只是取过去6个月的值

 

 

案例2

 

客户是澳大利亚联邦政府，预测 药品收益方案 每年的预算。给在澳洲出售的药品给予补贴。支出由一年中的购买者 量 决定。2009 70亿澳币，过去两年总是在预算中低估接近100美元。

预测，需要数百批药品的每月的销售量。近乎每批都有自己的趋势和季节性模式。

 

案例3

 

车队公司，车辆的二手价格。买新车，出租 3年 然后卖掉。好的预测意味着好的收益控制。理解影响价格变化的因素，最大化利润。

车队提供了以前车辆二手交易价格的大量数据。

 

案例 4

预测澳大利亚某一个航空公司的国内航线的每周客流，包括乘客的类别（经济，商务，头等）

，公司提供6年的客流数据

客流的影响因素，学生假期，大型赛事，

广告活动，竞争行为

参考文献：

 https://www.otexts.org/fpp/1/5

https://www.otexts.org/fpp/1/7