1.1目的及意义

随着市场经济的发展以及信息技术在物流行业越来越成熟的应用，物流行业成为当前发展最为迅速的服务业，是“第三利润的源泉”。然而，在“经济全球化”、“物流无国界”的大环境下，市场竞争愈来愈激烈，并且客户的需求在不断变动，物流企业的竞争压力越来越大。在这样的大环境下，企业准确的物流需求预测就显得尤为重要。物流需求预测是指根据物流市场过去和现在的需求资料以及影响物流市场需求变化的因素之间的关系，利用合适的经验判断、技术方法和预测模型,对有关反映市场需求发展趋势的指标进行预测。根据这种预测，企业能够及时准确地掌握市场需求的变化规律，抓住有利时机，安排销售和生产计划，有效降低库存量，为企业带来巨大的经济利益。鉴于物流需求的范围广泛,其预测方法也是多种多样，而针对不同类型的物流数据，选取合适的预测方法对预测工作的效果有着举足轻重的作用。

物流需求预测的方法主要包括定性与定量两大类，在定量预测方法中，时间序列分析作为统计学中一个非常重要的分支，以概率论与数理统计、计算机为技术支撑，经过半个多世纪以来的发展，已经成为一种应用性较强的预测方法。其中，随机时间序列预测方法是把早期简单的时间序列模型与近代“随机过程论”密切结合,把以前的有限维模型看成一种特例,考虑的是无限维模型。

在实际问题中，经常会遇到各种随机时间序列。如物流中的商品进货量序列、销售额序列、库存量序列等，经济中的国民经济指标序列，气象中的月平均气温序列，等等，可见随机时间序列预测方法在经济问题的研究中发挥了越来越重要的作用。要用随机时间序列进行物流需求预测，必须是满足随机时间序列的物流需求数据，一般都是诸如进货量数据、销售数据,库存量数据等之类的数据。随机时间预测方法是一种考虑变量随时间发展变化规律并用该变量以往的统计资料建立数学模型作外推的预测方法。由于它所需要的只是序列本身的历史数据，因此这一类方法在研究社会经济现象之间的数量关系方面有着广泛的应用。结合物流需求中的时间序列的特点，随机时间预测方法应该能在物流需求预测中取到很好的效果。

1.2国内外研究现状分析

时间序列方法最早起源于1927年，英国统计学家G.U.Yule(1871-1951)提出的自回归(autoregressive，AR)模型。不久之后，英国数学家、天文学家G.T.Walker 爵士在分析印度大气规律时使用了滑动平均(moving average，MA)模型和自回归滑动平均(autoregressive moving average，ARMA)模型(1931年)。这些模型奠定了随机时间序列分析方法的基础。1970年，美国统计学家G.E.P.Box和英国统计学家 G.M.Jenkins联合出版了《时间序列分析—预测与控制》一书。在书中，Box和Jenkins 在总结前人研究的基础上，系统地阐述了对求和自回归滑动平均(autoregressive integrated movingaverage，ARIMA)模型的识别、估计、检验及预测的原理及方法。这些现在被称为经典时间序列分析的方法，是随机时间序列预测方法的核心内容。为了纪念Box 和Jenkins对时间序列发展的特殊贡献，现在人们也常把ARIMA 模型称为 Box-Jenkins模型。

在我国，时间序列分析从70年代末到80年代中后期才得以深入研究和应用。近年来我国学者对于时间序列的研究取得了极其丰硕的成果，主要体现在基础理论研究的不断加强，某些领域已经达到了国际前沿水平，而不再只是纯粹的吸收引进国外的先进成果，应用领域的不断拓展，在应用中求创新求发展。在部分应用领域中我们已经跟上了国际步伐。我国时间序列分析研究理论上的进展主要表现在两个方面：一是单位根理论：一是非线性模型理论。非线性模型理论的进展集中在几何遍历性问题和非线性过程的平稳性这两方面。

2. 研究的基本内容与方案

2.1研究目标