摘 要

在需要快速响应消费者需求的市场环境下，需求预测成为企业掌握未来物流需求趋势，把握市场机会并作出科学决策的关键步骤。而季节性商品的需求具有很大的不确定性，想要正确把握其物流需求规律是一大难点。

论文选取空调行业为研究对象，基于季节性时间序列对空调行业的物流需求进行探讨，分析了季节性时间序列的特征及其影响因素，对2008年至2016年空调销量数据进行统计检验，选取趋势比率法、温特线性季节指数平滑方法与季节乘积ARIMA模型对空调需求进行2017年的销量预测。通过比较分析单项预测结果，发现三种方法对季节性时间序列都有较好的适应性，季节乘积ARIMA模型的预测效果更好。在单项预测方法的基础上，论文根据最优加权原理，以平均绝对误差最小为目标建立线性规划问题并用Lingo求出最优权系数，得到组合预测模型。结果表明，组合预测的精度高于单项预测。

论文建立的组合预测模型可以减少单项预测方法的系统误差，为预测方法的选择提供思路，在实际应用中能够发挥重要作用。

关键词：空调物流需求；季节性时间序列；温特线性与季节指数平滑法；季节乘积ARIMA模型；组合预测

Abstract

In the market environment which needs to respond to the demand of consumers quickly, demand forecast is the key to grasp the trend of the future logistics demand, grasp the market opportunity and make scientific decision. The demand for seasonal commodities has great uncertainty, and it is difficult to correctly grasp the law of its logistics demand.

The air conditioning industry was selected as the research object in this paper.We analyzed the characteristics of seasonal time series and its influencing factors, and conducted a statistical inspection of the air-conditioning sales data from 2008 to 2016.The trend ratio method,Winter-linear seasonal exponential smoothing method and SARIMA model were used for 2017 sales forecast for air conditioning demand. By comparing and analyzing the results of single prediction, it was found that the three methods had better adaptability to the seasonal time series, while the SARIMA prediction fitting effect is more accurate than the two others. On the basis of single prediction method, based on the optimal weighted principle,the linear programming problem was set up with the minimum mean square error and the optimal weight coefficient was obtained by Lingo, and the combined prediction value was obtained by weighting The result showed that the accuracy of combined forecasting was higher than that of single forecasting method.

The combined prediction model established in this paper can reduce the systematic error of the single prediction methods, and provide an idea for the selection of the prediction method. At the same time,it can play an important role in the practical application..

Key words：Air conditioning logistics demand；Seasonal time series；Winter linear and seasonal exponential smoothing method； SARIMA；Combined forecasting

目 录

摘 要 I

Abstract II

第1章 绪论 1

1.1 选题背景 1

1.2 文献综述 1

1.2.1 关于单项预测方法的研究综述 1

1.2.2 关于组合预测方法的研究综述 3

1.2.3 文献研究小结 3

1.3 研究内容与技术路线 4

1.3.1 研究内容 4

1.3.2 技术路线 4

1.4 研究目的及意义 6

1.4.1 研究目的 6

1.4.2 研究意义 6

第2章 季节性物流需求概述 7

2.1 时间序列及其构成因素 7

2.2 季节性物流需求的主要影响因素 7

2.3 季节性时间序列预测的基本方法 8

第3章 国内空调行业物流需求分析 11

3.1 空调行业生产与销售组织模式分析 11

3.2 空调行业库存情况分析 11

3.3 空调行业销售量数据分析 12

第4章 单项季节性时间序列预测模型的选择 14

4.1 数据处理方法 14

4.2 时间序列因素检验分析 14

4.3 趋势比率法预测模型 21

4.4 温特线性与季节指数平滑法 24

4.5 乘积季节ARIMA模型 25

4.6 单项预测模型结果比较分析 30

第5章 组合预测模型的构建 32

5.1 引言 32

5.2 组合预测模型构建的基本思路与方法 32

5.3 组合预测具体过程 32

5.4 组合预测结果分析 34

第6章 总结与展望 36

6.1 全文总结 36

6.2 经济性与环保性分析 36

6.3 研究展望 37

参考文献 38

致 谢 40

第1章 绪论

1.1 选题背景

在需要快速响应消费者需求的市场环境下，物流需求预测成为企业制定销售战略的关键一步。需求预测能够帮助企业掌握未来物流需求趋势，寻找以及把握市场机会并作出科学的决策。而怎样进行有效准确的物流需求预测成为企业面临战略制定的首要问题。

季节性商品的销售情况与季节密切相关，主要是短生命周期产品或时效品，如服装、易腐品、部分家用电器、旅游用品以及高科技产品等，具有波动性、时令性等特征。季节性商品如果供需不平衡的话，不仅影响市场的稳定，还会使得整个供应链上的企业产生相应的经济损失，这对季节性商品的物流需求预测方法的选择与精度提出了更高要求。

家用空调就是一个具有代表性的季节性商品。空调需求随着季节的变化而变化，夏季是空调的需求旺季，而春季和秋季的需求则明显减少，这一变化呈现出年复一年的周期性规律。如果生产过量，那么企业就会囤积大量库存，增加库存成本；如果生产不足，则会造成企业机会损失，机会成本增加，从而降低企业利润。

如今空调行业竞争越来越严峻，掌握准确的需求预测成为行业的主要竞争优势。同时，季节性时间序列具有复杂的非线性结构和周期性特征。在对它建立预测模型时，不仅要体现它的周期特性，还要准确的拟合季节性时间序列的非线性的变化趋势。因此，有必要选择合适的预测方法预测季节性商品的物流需求，从而促进季节性预测模型体系的建立和完善。

1.2 文献综述

对于季节性时间序列需求预测问题，国内外学者采用多种建模方法进行研究。一般分为两种：一种是采用单项预测法预测季节性时间序列，另一种是运用组合预测法进行建模。

1.2.1 关于单项预测方法的研究综述

常用的单项预测方法有很多，例如时间序列分解法、温特线性季节指数平滑法、多元线性回归方法、乘积ARIMA方法等。