1）研究目的

季节性产品是指在生产和销售上有显著季节性特点的产品，如农副产品、夏凉产品、冬令产品等。这类商品有季节生产、常年销售；有常年生产、季节销售；有季节生产、季节销售。为了保证市场应季商品的正常供应，企业对季节性商品一般是根据生产和销售特点，提前储备，做好商品上市前货源的准备工作。

在市场发展日新月异的今天，市场竞争日趋激烈，企业必须进行科学管理，才能提高自己的竞争力，因此对产品未来销量进行科学预测尤为重要。研究时间序列进行预测，根据已有的时间序列数据预测未来变化，并确定已有的时间序列变化模式，假定这种模式会延续到未来。通过分析往年的销量数据，对未来的销售量进行比较准确的预测，确定产品的最佳生产或采购数量，从而降低库存成本，最终获得更多利润。

因此，对季节性产品的销量进行科学预测显得尤为重要。季节性产品的销量可以分为两种类型：一种是单峰型，在一个销售周期内只有一次达到销售高峰；另一种是双峰型，在一个销售周期内有两次达到销售高峰。在生活中，许多商品的生产和销售存在明显的季节性，表现在旺季时，订单量显著增加，而淡季时需求量显著减少，比如冰淇淋在夏季畅销，空调在冬夏销量增加等。如何制定合理的生产或采购计划，既能满足旺季需求，减少缺货成本，又能降低库存成本，成为企业提高竞争力的关键。

本文的研究，是要对季节性产品的时间序列进行稳态性分析，分析其包含季节性、周期性、随机性以及趋势等四个特征中的几种，确定时间序列的类型，选择多种合适的预测方法进行预测，并进行组合预测分析，从而更加准确的预测产品未来的销量，为企业的生产或采购计划提供依据，从而降低缺货成本以及库存成本，获得更大利润。

2）研究意义

本文的分析和研究从理论上将进一步充实和完善对季节性产品供应量或需求量预测的方法，以及证明新的时间序列预测方法组合的可能性。同时，本文结合实例分析，可以对某些企业对季节性产品的生产或采购提供理论指导和实践借鉴意义。

3）国内外研究现状分析

一般的，人们认为现代时间序列分析始于英国统计学家G.u.Yule在1927年提出的自回归（Auto Regressive, AR）模型，与英国统计学家G.T.Walker在1931年提出的移动平均（Moving Average, MA）模型和ARMA模型，构成了时间序列分析的基础，这三个模型主要应用于单变量、同方差的平稳序列。由Box和Jenkins在1970年出版的刊物《时间序列分析：预测和控制》被认为是时间序列分析的重要里程碑，它为实际工作者提供了对时间序列进行分析、预测以及对ARIMA模型识别、估计和诊断的系统方法，其主要应用于单变量、同方差的线性模型，可以处理非平稳序列，主要思想是先对非平稳序列进行差分，使之变为平稳序列，然后再用ARMA模型来拟合差分后序列。

杨斌清, 刘文福^[1]即是利用这种思路研究铝价预测。针对现实数据往往具有非平稳的特点，选用自回归移动平均模型，简称ARIMA(Autoregres-siveIntegrated Moving Average)模型对铝价进行预测分析。由于该价格序列不是平稳序列，不能对它直接建立 ARMA模型，而是需要对该价格序列进行逐期差分后再建立ARMA模型。结果表明，该模型拟合精度高，适合于中短期模拟预测铝价价格；曹聪梅, 甘仞初^[2]则利用积分型自回归ARI模型，先对数据做差分处理，再建立AR模型，最后用实例对预测结果进行验证，以此对农产品供求量进行较为准确的预测。