需求预测模型（共12篇）
需求预测模型 篇1
备件费用在设备全寿命周期使用总成本中所占比例较高, 准确预测备件需求是减少保运备件储备数量, 提高设备运行效率的前提, 也是当前精确化保供研究的热点与难点之一。目前对备件需求预测有以下三种方法:
第一是直接计算法。依据可靠性维修性理论及维修预期的零件消耗量, 直接计算出备件的需求。第二是比较法。利用类似装备、类似维修所消耗的某种备件量, 通过对限制变量进行修正来估算其他某种备件的需求。第三是统计预计法。通过分析历史需求数据, 分析备件消耗规律, 利用回归预测等方法建立预测模型, 来预测未来需求。
以上的三种方法是基本的统计学方法, 在分析预测中未考虑随机事件、时间序列对结果的影响, 预测精度不高。本文以下将重点论述以概率统计与随机过程为理论基础的备件需求预测模型。
1 基于备件寿命分布函数的需求预测模型
对于消耗数量较小及投用时间不长的新设备而言, 因历史数据较少, 采用传统方法进行预测难度较大。如采用基于备件寿命分布函数的方法, 在已知备件寿命分布规律的情况下, 即可对需求进行预测。常用的寿命分布函数有指数分布、正态分布、威布尔分布等, 其适用范围如表1所示。
1.1 寿命服从指数分布的备件需求预测模型
寿命服从指数分布的备件, 在已知设备中备件使用数量、累计工作时间、失效率和备件保障概率的条件下, 备件需求数量可采用公式-1进行计算:
其中, S为设备中某零部件所需备件的数量;P为备件保障概率;N为设备中该备件的数量;λ为失效概率;t为设备初始保障期 (通常为投用后1至2年) 内的累计工作时间 (小时) 。需要指出的是, 当Nλt>5时, 指数分布已接近于正态分布。
1.2 寿命服从正态分布的备件需求预测模型
寿命服从正态分布的备件, 在已知寿命均值E, 标准差σ, 更换周期t, 单项备件 (设备中使用该备件, 但数量只有1件) 保障概率P, 备件需求数量计算公式为:
可以推导出
其中, up为正态分布位数, 可从GB4086.1统计分布值表中查得;N为设备中该备件的数量。
1.3 寿命服从威布尔分布的备件需求预测模型
寿命服从威布尔分布的备件, 在已知形状参数为β, 尺度参数η, 位置参数, 更换周期t, 保障概率P的前提下, 备件需求数量计算公式为:
公式-4中, E为备件平均寿命, 计算方法见公式-5;k为变异系数, 计算方法详见公式-6。根据现场数据计算威布尔分布参数 (β, η) 的方法及Г分布表见IEC61649。
2 基于时间序列的备件需求预测模型
2.1 移动平均法模型
根据预测时使用各元素的权重不同, 分为简单移动平均和加权移动。简单移动平均预测值ˆtY为:
其中, 项数n的选择对结果影响较大, 其取值不宜过大。若考虑近期的数值影响大, 远离预测的数值作用会小些, 可采用加权移动平均法预测。
2.2 指数平滑法模型
指数平滑法的基本思想是时间序列的态势具有稳定性和规则性, 所以时间序列可以合理地顺势延续, 最近的过去态势, 在某种程度上会持续到未来。指数平滑法兼容了全期平均法和移动平均法的所长, 不舍弃过去的数据, 仅给予逐渐减弱的影响程度, 随数据的远离, 赋予逐渐收敛于零的权数。该方法是在移动平均法基础上发展而来的。其预测值 为:
其中, 为第t周期的一次平滑值;a为平滑常数, 取值范围是0≤a≤1。
实际使用该模型进行预测时, 可确定多个a值进行计算, 然后分别计算其平均绝对误差或平均平法误差, 以平均绝对误差或平均平法误差的最小值为最优a值。
2.3 自回归移动平均法模型
自回归移动平均法是博克斯和詹金斯于上世纪70年代提出, 又称为博克斯-詹金斯法。该方法的基本思想是把所研究的时间序列看作一个随机过程, 把他们的观察值看作随机过程的一个样本。在此基础上完成建模来逼近所研究的随机过程并进行预测。该方法是一种精确度较高的短期预测方法。
将p阶自回归—q阶移动平均混合模型, 记为ARMA (p, q) 模型, 对于时间序列y1, y2, L, yt, 模型描述为:
建模完成后可在较长时间内以递推方式反复应用, 在复杂时间序列的预测中效果较好, 但所需的历史数据较多, 数据处理量偏大。
2.4 灰色预测法
灰色预测法是基于灰色预测理论, 对既含有已知信息又含有未知信息的系统进行预测的方法。其核心思想是先对最原始数据灰色化处理, 再完成建模, 典型的灰色预测模型GM (1, 1) 模型。
GM (1, 1) 模型是用一阶线性微分方程描述灰色系统的单序列动态变化的模型, 其一般形式为:
灰色预测模型不需要历史数据, 可有利克服需求预测当中经常遇到的信息不足等问题, 较传统时间序列预测有较高的精确度和灵活性, 目前已在对社会系统、经济系统、生态系统等领域的预测中得到应用, 但在备件需求预测领域尚未开展。
3 基于成组技术的备件需求预测模型
在设备使用条件、使用环境和管理水平等相近的情况下, 相似备件的需求量应较为相近, 因此可利用已有相似设备备件需求数据进行分析和推断。该模型具体操作流程为:确定相似设备、收集设备零部件的相似特征信息、识别相似备件、相似备件需求历史数据分析、推断新备件需求。
计算备件需求数量的公式为:
其中, ai为第i种环境下, 环境应力引起的备件需求率;af为规定环境下, 环境应力引起的备件需求率;a0i为第i种环境下, 工作与环境应力引起的备件需求率;a0f为规定环境下, 工作与环境应力引起的备件需求率;a0p为仅有工作应力引起的备件需求率。
4 结论
备件需求预测没有统一的模型, 要根据预测对象的各自特点、条件以及预测目的等选择适合的预测模型。一般应首先考虑基于时间序列的需求预测模型, 当历史数据较少或较难获取时, 采用基于寿命函数的需求预测模型, 对于缺乏历史数据的新备件, 考虑基于成组技术的备件需求预测模型。所得的预测结果如采用线性回归分析等方法进行检验, 可进一步降低误差。
需求预测模型 篇2
企业培训是一个系统工程，它是由五个环节构成的一个循环过程，依次包括：培训需求评估；培训目标设定；培训计划拟定；实施培训活动；评价培训结果。然后寻找新的培训压力点，进入下一个循环。因此，对培训需求的评估是培训工作的首要环节，它是对企业员工和管理者在一定时期内是否需要培训，需要何种培训而进行的评估。下面我们在相关资料的基础上，构建了三种员工培训需求评估模型，以供参考。
培训需求的循环评估模型
所谓的循环评估模型指的是对于员工培训需求提供一个连续的反馈信息流，以用来周而复始地估计培训需求。在每个循环中，都需要依次从组织整体层面、作业层面和员工个人层面进行分析。
具体而言，循环评估模型需要解决以下三个层次的问题：
组织层面的分析。它指的是确定组织范围内的培训需求，以保证培训计划符合组织的整体目标与战略要求。因此组织层面的培训需求反映的是某一企业的员工在整体上是否需要进行培训。假设企业在推进办公自动化过程中给办公系统装备了计算机系统，那么就需要考虑
相关的员工整体是否具备应有的计算机知识。在这一过程中，需要对组织的外部环境和内部气氛进行分析，包括政府的产业政策、企业的生产率、事故率、疾病、辞职率、缺勤率和员工的工作行为等，关键问题是发现组织目标与培训需求之间的联系。在组织分析层面，组织高层的重视和投入是培训计划成功与否的重要决定因素，因为有效的培训与组织的目标直接相关。
作业层面的分析。这一层面的分析需要确定培训的内容，即员工达到理想的工作绩效所必须掌握的技术和能力。这一层面的分析包括系统地收集反映工作特性的数据，并以这些数据为依据，制定每个岗位的工作标准。同时还要明确员工有效的工作行为所需要的知识、技能和其他特征。工作分析、绩效评价、质量控制报告和顾客反映等都为这种培训需求评估提供了重要信息。
个人层面的分析。个人层面的分析是将员工目前的实际工作绩效与企业员工绩效标准进行比较，或者将员工现有的技能水平与预期未来对员工技能的要求进行比照，发现两者是否存在差距。个人层面的分析信息来源包括业绩考核记录、员工技能测试以及员工个人填写的培训需求问卷。为了将来评估培训的结果和评估未来培训的需要，对培训需求的分析要形成一种制度。
这种评估模型的优势在于：从组织整体到员工个人全面分析培训
需求，避免发生遗漏；它提供了循环方案，使培训需求分析成为定期进行的工作，可及时发现管理者和员工在三个层面的培训需求，使培训工作成为企业一项长期性制度，不再是一时的“整风运动”。这种评估模型存在的不足：主要是工作量大，需要专门人员定期进行，同时需要管理者和员工的积极支持和参与。
培训需求的任务——绩效评估模型
要知道，培训需求评估的目的是了解员工和管理者在某方面的培训需求，因此，我们可以根据新员工和原有员工的不同情况分别进行评估。对于新员工，可以使用任务分析的方法，即根据新员工即将承担的工作任务对员工的要求来判断员工的培训需求。对于现职员工，可以使用绩效分析的方法，即根据现有员工的实际绩效水平与目标绩效水平之间的差异来进行培训需求评估。
任务分析。对于比较低层次的工作，公司通常雇用没有经验的人，这时就可以使用任务分析法来确定工作中需要的各种技能。在任务分析过程中，我们除了可以使用工作说明书和工作规范外，还可以使用工作任务分析记录表，他记录了工作中的任务及其所需的技能。工作任务分析记录表通常包括工作的主要任务和子任务、各项工作的执行频率、绩效标准、执行工作任务的环境、所需的技能和知识以及学习技能的场所。
绩效分析。所谓的绩效分析是考察员工的目前实际绩效与理想的目标绩效之间是否存在偏差，然后决定是否可以通过培训来矫正偏差。在这一过程中，需要完成以下几项工作：开展绩效评估，发现绩效偏差；进行成本—价值分析，即确定投入时间和努力来弥补这一绩效偏差是否值得；认定“能不能”和“肯不肯”的问题。这需要回答以下三个问题：员工是否了解工作的内容和绩效标准？员工是否肯做？员工如果肯做，是否能够胜任？
员工培训的主要作用是通过提高员工的工作能力来改进工作绩效，因此培训能够解决员工能力方面的问题。而要改变员工的工作态度，虽然也可以采用培训的办法，但更主要的是通过改变奖励和惩罚等措施、调整薪酬政策和工作设计等方面来实现。如果员工不知道自己的绩效差异，就应首先考虑“能不能”的问题，然后再考虑“肯不肯”的问题。
这种评估模型适于基层的新员工和现职员工。其优势在于：比较明确具体地找出培训需求；操作较容易，可根据目标任务或绩效标准与实际绩效考核情况比较，并结合技能与态度分析进行；可在各班组全面展开，提高员工的参与性；可揭示企业人力资源管理中存在的如工作设计不合理、管理人员监督不利等其他问题。这种模型也有局限性，它主要适于操作性员工；此外，它需要有良好的工作岗位设计与
分析资料，并具备完善的员工绩效考核体系。
前瞻性培训需求评估模型
随着技术的不断进步和员工在组织中个人成长的需要，即使员工目前的工作绩效是令人满意的，也可能因为工作需要为工作调动做准备、为职位的晋升做准备、或者为适应工作内容要求的变化做准备等原因提出培训的需求。前瞻性培训需求评估模型为这种情况提供了良好的分析框架，这种评估模型的特点是：在员工当前工作绩效满意的情况下，进行前瞻性分析，以便为未来发展做准备，其中包括企业发展和员工个人职业发展。
这种模型的优势在于：它建立在未来需求的基点上，使培训工作变被动为主动，更具战略意义。可充分考虑企业发展目标与个人职业发展规划的有效结合，为组织与个人发展准备一个结合点，这是开发与激励员工以及培养员工对组织的归属感的有效手段。这种模型的局限性是：这种评估模型是建立在未来的基点上，因此预测的准确度难免出现偏差。对培训的深广度也较难把握。如果在使用该模型时，没有把员工的职业发展与企业发展结合好的话，员工在接受培训后，在组织中无从发挥其才学技能，那他（她）可能会“跳槽”。因此，这
营销新时代:关于预测模型的预测 篇3
在快速消费品行业，新产品销量预测是基于一个考虑消费者和营销数据的模型。消费者数据包括采购和购物历史以及产品曝光率和评价。营销数据包括市场数据(比如，该类产品目前的渗透率、份额和定价)以及测试产品的预期营销计划(比如，广告支出和分销级别)。这些组成部分被整合成一个预测模型，以便预测新产品在投放市场后一两年内的销售情况，如所示。
预测模型自20世纪70年代问世以来一直是行之有效的，与其之前的预测(即真实的店内测试市场)相比，这些预测模型为预测新款快速消费品的销售情况提供工一个更有效、更具成本效益的手段，而且准确度不低于前者。
营销新时代
目前我们面临着营销新时代。媒介不断细分，电视和平面广告得到补充——有时被取而代之——公司网站、互联网广告、搜索引擎优化、社交媒介、移动通信、电视剧电影中的产品投放、赞助以及口碑。这些新途径为快速消费品营销人员提供了数不胜数的机会。比如，超级碗或世界杯期间一段30秒的电视广告就会耗费数百万美元之巨。不过，YouTub上的病毒式营销或许也能取得同样的效果，而且花费更少，举个例子：Stride口香糖赞助了一段由用户拍摄的名为“跳舞毯”的视频，其中，用户让他的一位朋友拍摄他与世界各地的当地人一起跳舞的情景，赢得了2000万次的YouTube访问量。
尽管在营销新时代，机会无处不在，但新挑战和威胁却开始显露出来。创新过程将注意力更多地放在初期阶段，实现突破性创新以获得更多的关注，全球化日渐成为准则。此外，竞争并不容易加以界定。新产品可能横跨多个类别，或产生一个新的类别，抑或是面临自有品牌的激烈竞争。那么，在营销新时代，预测模型将发生怎样的转变呢?
关于预测模型未来的洞察
以下是关于预测模型在接下来5年时间里演变的七种预测，以期更好地帮助包装消费品营销人员在其新产品营销过程中取得成功。
预测1：预测与金融咨询相联系
营销人员对其目前的创新度量感到不满意，觉得缺乏责任性。在波士顿咨询集团2009年进行的一项调查中，不到1，3的受访公司表示，它们对自己的创新度量感到满意。在2010年麦肯锡进行的全球调查中，仅27％的受访者表示其所在的公司在对商业领袖进行创新问责方面做得非常或极为有效。
预测模型有助于提供与营销行动准则和ROI目标有关的指导意见。此外，预测模型还可用作规划工具。预测模型可在与研发投资、工厂产能和库存管理有关的问题上为公司提供帮助。许多公司寻求的不仅仅是单一预测和置信区间，它们希望了解实现不同’目标的可能性。比如，预测结果可能是：有80％的可能性实现3000万台销量，有50％的可能性实现3500万台销量，而仅有10％的可能性达到4000万台销量。
预测2：向受访者级模型转移
如今，预测模型的一些方面具有受访者级的元素。然而，预测模型仍然是笼统的。我们并未针对每个消费者创建预测模型。拥有一个受访者预测模型，可以更好地激发媒介和分销，为针对性的创新做出更好的预测。
正如所示，我们可以通过了解每位受访者，得到一个更可行的预测模型。通过模拟与媒介计划相结合的消费者媒介习惯、与店内分销和促销计划相结合的消费者购物历史以及消费者对产品线中各个产品的兴趣，我们可以开发出针对特定时间期限内产品线中各个产品的消费者的预测模型。
预测3：对全球转移性给予更多关注
如今，公司为了控制成本，在少数市场上进行预测，而在其他市场上做出猜测。比如，对澳大利亚进行预测，对新西兰则做出最佳猜测。
理论上说，营销人员能够考量两个市场共有的特性，比如：市场份额和渗透率以及媒介和零售环境，先投资进行针对澳大利亚的预测，然后根据澳大利亚和新西兰市场的共同点，得山针对新西兰的预测。我们把根据一个市场预测另一个市场的能力称作可转移性，我们预计，还将会出现更系统、更准确的手段来将一个市场的预测模型转移至另一个市场上。
预测4：更多地关注竞争
如今，尽管竞争对于新产品的成功具有重要的影响作用，大部分预测模型仍只着重于测试产品。
竞争可以是直截了当的，比如，一个著名的制造商品牌击败投放到市场上的新产品，或自由品牌的受欢迎程度与日俱增。或者，可能很难对竞争加以界定，尤其是新产品系列的市场新军(比如，红牛能量饮料)，横跨多个类别(比如，一款既是糖果又是薄荷糖的产品)，或产品类别比较模糊(比如，掺有酸乳酪的强化麦片)的产品。预测模型应能够甄别竞争对手，并考虑创新在与这些竞争对手的竞争中如何发挥作用。此外，预测模型必须应对未大肆做广告的产品，利用非传统媒介，或在了解竞争对手的基础上依赖购买营销策略。
传统做法是将新产品放到其将要上市的国家的历史数据库中，和相关品类的基准进行比较。这些历史数据库通常案例太少(尤其对于新产品类别和新兴市场，更是如此)，类似于暗箱操作，而关于数据库包含哪些理念，更是毫无透明度可言。
另一种手段使消费者得以界定竞争对手，然后根据能够在预测模型中加以利用的对比情况来制定基准。这种方法具有明显的优点：(1)不存在暗箱；(2)测试产品是对照其需要在市场上击败的竞争对手来予以评价的；(3)诊断与预测直接相关，这样便可以激发诊断方面的改进(参见图4)。
预测5：预测由产品推出前改变为产品推出后
鉴于有如此之多的变量能够影响创新的发展和推出过程，营销人员必须能够预测此过程中任何一个时间点的销售情况。我们预计，预测将在比目前更早的时候进行，比如，在掌握调查数据之前一当营销人员想通过确定普通产品在其目标市场上的表现，来评估某种创意的市场潜力时。此外。我们预计，在研究各个阶段进行预测将变成常态，不仅在概念筛选期间，而且也在文案、包装、定价和产品测试期间。预测在产品推出后不会停止一我们预计，预测将在产品推出后继续进行下去，以便了解新产品在出现出乎意料的事件(比如，营销计划变更、新的竞争对手或意料之外的流言)时可能选择的方向。将开发出新的模拟器和仪表盘工具，以便营销人员更容易分析新产品在所有接触点期间的进展。
预测6：更好地预测颠覆性创新
经过多年的产品线扩展(这些产品中有许多在市场上反响不佳)，营销人员越来越重视颠覆陛创新一因具备明显优势或更低成本而赢得新消费者青睐的创新(比如，Dannon Aetlvla、Nestle Nespress0和Swiffer Sweeper)，这些创新更难以预测。
预测颠覆性创新要求运用一种有别于典型创新中所使用的手段。这些预测需要一个独特的样本(例如，主要使用者、有影响力者和关键利益相关者)、一份更全面的调查问卷(应包括哪些人会购买和使用该产品、用于哪些场合、竞争对手情况如何以及其他未知情况)、一个比典型概念更具说明性的刺激因素(详细描述得到满足的基本需求、产品的优点、相信的理由和使用的简便性，包括图纸、示范样品或视频)。
重要的是，颠覆性创新的预测模型需要融入独具特色的方面(比如，slower trialbuild)，以及强调口碑的重要性。
预测7：样本、调查和度量将发生转变
在未来5年里，预计会出现：
·新的数据采集方法，包括智能电话和笔记本电脑。
·新的采样规则，由于越来越难以找到受访者，样本库将不再可能作为唯一的解决方案，我们将求助于非样本库，并在整个互联网上进行采祥。尽管这些样本可能不具有代表性，但如果我们能证明它们符合关键基准，那么它们还是合乎要求的。
·新的度量，比如开放式问题和互联网反馈。
·旨在促进参与的交互式调查，调查将采用更多图形化界面和具有较少评定量表、广播形按钮与栅格的拖放功能，以增强参与性，提高回答问题的质量。
·新的分析方法，我们将采用新的分析方法，比如，文字挖掘和个体为本模型。
这些转变要求预测模型采用与其以往适应网络的相同的方式来加以适应。然而，这些转变的意义更加重大，因为向网络的转变主要是并行测试校准，所采用的样本、度量、调查表、格式和分析方法都相同。预测模型：变革的时刻
广西物流需求预测组合模型 篇4
灰色系统预测模型
灰色系统模型以灰色模块为基础,用微分拟合法建立自累加模型,主要用于单变量时间序列预测,其中GM(1,1)模型是灰色系统理论的具体应用。
数据来源:广西统计年鉴(2005)、广西统计年鉴(2007)
给定原始时间序列:
对原始数据列进行一次累加生成处理获得新的数据列:
求解微分方程得到GM(1,1)预测模型(中间推导过程略):
为生成数列预测值)
为原始数列预测值)
根据表1资料,利用matlab软件,对1996～2006年的广西货运量建立GM(1,1)滪测模型如下:
利用表1中货运量原始数据对GM(1,1)模型进行检验(推导过程略),结果如下:模型相对误差为5.26%;方差比C=0.48;小概率误差P=0.80。根据GM(1,1)检验标准可认为模型有较好预测精度,可用于广西物流需求的预测。
多元线性回归预测模型
依据中数据,运用SPSS13.0计算表中9个变量的增广相关阵,可得农业产值等八个国民经济指标与货运量相关系数都在0.90以上,说明这些指标与货运量高度线性相关,用货运量与这些指标做多元线性相关分析是合适的。
将货运量作为因变量,农业产值等8个相关指标作为自变量,利用SPSS 13.0建立多元线性回归预测模型,结果如下:
(X1为农业产值,X2为工业产值,…X7为人均总产值)
由于建筑业与其余7个变量高度两两相关,初次检验即被淘汰。
VIF值从大到小依次剔除变量:人均生产总值、批发和零售贸易餐饮业产值、社会消费品总额、工业产值、农业产值,结果如下:
其中X1为第三产业产值X2为外贸总额
该模型相对误差为2.07%,预测精度较高。预测模型反映出对广西物流需求影响最大的因素是第三产业与对外贸易,这与广西的沿海、沿边的区域经济特点相符。因此我们认为用该模型来对广西物流需求进行预测是可行的。
组合模型
灰色系统预测模型能通过不完全信息反映区域整体物流需求;回归分析预测模型在考虑区域经济特点的基础上,通过物流需求的关键影响因素反映区域物流需求。二者各具优势,通过构建组合模型,可综合其优点合理提高物流需求预测精度。组合模型构建的关键是确定单项模型的权重。确定各模型权重的方法较多,其中标准差法可以使拟合度好的预测模型被赋予较高的权重。本文采用标准差法确定灰色系统模型及回归模型权重。
标准差法:
Si单项模型的标准差
依据表1数据,计算得组合模型如下:
(Y1-多元回归预测值;Y2-灰色系统预测值)
河流随机水质预测模型及其应用 篇5
河流随机水质预测模型及其应用
摘要：在分析河流污染特点的基础上,建立了一个二维随机水质数学模型,该水质模型把一维水质随机降解模型和二维迁移扩散模型相结合,同时考虑了各水质参数K1、K2、K3和河道横向扩散系数Dy的随机性影响,该模型适用于各种水力复杂条件和排污范围的水体,对于平面二维的.任一个计算点,它都能给出该点水质浓度随机变化的概率分布,用该模型对三峡建库后的香溪河库湾水质进行预测,其成果可为三峡库区水环境保护及规划治理提供设计数据.作 者：李丹 张涛 王祥三 LI Dan ZHANG Tao WANG Xiang-san 作者单位：武汉大学水利水电学院,武汉,430072期 刊：中国农村水利水电 ISTICPKU Journal：CHINA RURAL WATER AND HYDROPOWER年，卷(期)：,(11)分类号：X522关键词：河流 随机水质模型 概率分布 预测
需求预测模型 篇6
关键词：国网电力企业；人力资源；需求预测模型
一、供电企业人力资源需求预测的目标
（一）人力资源需求预测的理念在服从国家电网公司战略目标的前提下，通过预测人员需求，采取措施吸引和保留专业人才，从而获得和保持企业核心能力。
（二）人力资源需求预测的范围第一，人力资源总量预测；第二，人力资源结构预测；第三，企业特种人力资源需求预测。本文以人力资源总量和结构预测为重点。
（三）人力资源需求预测的目标第一，满足供电企业在生存发展过程中对人力资源的需求；第二，为供电企业人力资源管理提供基础性的决策依据；第三，控制供电企业人工成本。
（四）人力资源需求预测的指标体系
1.对象指标。对象指标是指人力资源需求预测的对象，可以是总量需求预测指标，如：员工总数；管理人员总数；专业技术人员总数；专门技能人员总数。也可以是结构需求预测指标，如：员工构成；管理人员管理层次结构；专业技术人员职能结构；专门技能人员工种结构等。供电企业是传统的国有企业，在劳动用工上实行用工计划控制，同时，在企业中还存在着全民用工、集体用工、农电工、劳务派遣用工等多种用工方式并存的现象。因此，本文以供电企业定员人数作为人力资源需求预测的对象指标。
2.依据指标。依据指标是指影响需求预测的变量因素，这些因素主导着供电企业的活动，决定着人才的需求，它体现在企业的发展战略和发展计划中，是对需求进行定量分析的关键因素，供电企业人力资源需求预测的依据指标可选择：供电量、售电量、全社会用电量、营业户数、变电站数量、配变台数、电网线路长度等
二、国网电力人力资源模型的主要内容
（一）人力资源总量需求预测模型
以严格控制省公司未来年度内用工总量为目标，以企业投入产出效能为衡量标准，围绕公司业务快速发展和人均效率持续提升两个基本要求，设计兼顾业务发展和生产效率提升的人力资源总量需求预测模型，深入分析影响公司用工总量的关键驱动因素，研究用工总量与关键驱动因素之间的内在联系，建立总量需求预测模型，实现“用工总量需求”的预测目的。
（二）人员结构需求预测模型
以优化职工配置结构为目标，结合企业发展规划中现有业务类型及其核心业务领域布局，深入研究各业务、专业用工数量与业务发展之间的内在联系，明确各专业用工需求。结合各机构的人员配置率，将各专业的预测增量进行合理分配，建立结构需求预测模型，实现“分专业分机构需求”的预测目的。
（三）素质结构需求预测模型
以优化用工策略、提升职工素质为目标，在实现人力资源总量预测和人员结构预测的基础上，根据专业业务的核心程度确定对应的用工方式，分析不同用工方式在人员结构中的分布特征，并进一步明确预测期内补员方式和素质要求，建立素质结构需求预测模型，实现“人员素质需求”的预测目的。综合人力资源总量需求预测模型、人员结构需求预测模型和素质结构需求预测模型，建立能够控制用工总量、平衡人员配置、优化职工队伍、规范用工策略的人力资源需求模型。
三、人力资源需求预测流程
（一）人力资源总量需求预测流程
第一步：设计电网企业人力资源总量需求预测模型。具体步骤包括：首先，收集并整理数据，包括按照数据收集标准化模板收集数据、修正数据、分类汇总数据、整合数据和统一数据量级等步骤；然后，筛选指标并降维，包括相关性分析和因子分析等步骤；最后，设计模型并进行需求预测，包括设计总量需求预测主体模型和效率提升调整系数、验证模型并进行需求预测等步骤。第二步：设计集体企业和多经企业人力资源总量需求预测模型。第三步：合并电网企业、集体企业和多经企业的需求预测结果，形成完整的人力资源总量需求预测结果。
（二）人员结构需求预测流程
人员结构需求预测模型的设计与预测主要针对电网企业。第一步：设计人员结构需求预测模型。具体步骤包括：首先，收集并整理数据，包括按照数据收集标准化模板收集数据、修正数据、分类汇总数据、整合数据和统一数据量级等步骤；然后，筛选指标并降维，包括相关性分析和因子分析等步骤；最后，设计模型并进行需求预测，包括设计各类用工（经营类、管理类、技术类、技能类和服务类）和技能类各专业用工需求预测模型、设计调整系数、验证模型并进行需求预测等步骤。第二步：进行补员配置，将各年度、各专业的补员数量分配至各市州单位及下属各二级单位。
（三）素质结构需求预测流程
第一步：划分用工类型。梳理和划分企业业务及对应的用工类型，并明确“十二五”期间各年度、各用工类型的占比情况和用工数量。第二步：结合总量需求预测模型和人员结构需求预测模型的预测结果，分析预测“十二五”期间对长期职工补员的数量要求和素质要求（包括新进人员的学历、毕业院校和专业等要求）。第三步：分析长期职工新进人员的补员优先级。（专业管理工作的流程图见图1）
企业通过建立起科学的人力资源需求预测模型，提高了企业的生产经营发展效率，在一定程度上促进了企业人力资源管理工作的开展和企业的可持续发展。
参考文献：
[1]黄仁宗，周炳海.人力资源需求预测模型的构建[J].东方企业文化，2012，11：29-30.
论旅游需求预测模型研究 篇7
一、旅游需求概论
旅游学是个年轻学科, 对与旅游相关的一些概念至今仍未形成统一系统定义。而关于旅游需求的定义, 国内外亦无统一界定。而对旅游需求的定义有传统定义, 也有其他学者个人的不同见解, 如张辉、谢彦君、保继刚和王艳平。这些定义的出发点相同, 主要是从经济角度定义;不同之处在于考虑问题有所差异。有些学者把旅游需求定义为数量问题或者关系问题, 而有些学者则涉及到数量和内容问题, 即需求量和需求内容两方面。这两者是不同的概念, 旅游需求量是对旅游需求的种种度量。
二、旅游需求预测模型的研究
(一) 国外旅游需求预测模型研究
国外对旅游需求的预测主要以定量分析为主, 包括德尔菲法、逻辑推断法、回归模型法、时间序列法和计量经济学模型等。随着信息技术的发展, 国外研究不断融合整合分析、误差校正模型 (ECM) 、向量自回归法 (VAR) 和时变参数法 (TVP) , 使得预测效果更精确。
Kulendran (1997) [1]通过研究比较得出误差修正模型优于天真1和季节性自回归移动平均法 (SARIMA) 。Law and Au (1999) [2]证明神经网络模型比多元回归、移动平均及指数平滑法在预测精度、标准化相关系数上更有优势。Greenidge (2001) [3]使用STM模型 (Structural Time Series Model) 对加勒比海地区的阿卢巴岛进行国际游憩需求预测。Goh, Law (2002) [4]运用多种模型对香港旅游需求进行预测, 发现季节性自回归移动平均法预测效果最佳。Ramesh Durbarry和M.Thea Sinclair (2003) [5]使用AIDS模型预测法国的旅游需求。Smeral et al (2005) [6]通过实证研究发现天真法1比各种回归移动平均法效果更好。Li Song, Witt (2006) [7]将TVP分别和ECM-LAIDS与长期线性近乎理想需求方法LR-LAIDS组成TVP-ECM-LAIDS, TVP-LR-LAIDS, 通过比较得出该组合模型的预测效果更好。Montserrat (2007) [8]结合跃迁概率矩阵的遗传算法证明该组合模型比单一的遗传算法预测精度更高。
综上所述, 国外旅游需求预测模型研究日趋成熟, 方法众多, 以定量分析方法为主。由于不同的预测方法效果不一样, 比如, 在有些研究中误差修正模型优于天真法和季节性自回归移动平均法;但在有些实证研究中天真法却优于综合性的回归移动平均法;季节性自回归移动平均法在有些研究中的预测效果是最好的, 它和多因素自回归移动平均法 (MARIMA) 优于其他几种时间序列模型。可见任何一种模型的预测效果是不能断章取义的, 而应该具体问题具体分析。此外, 国外研究倾向于模型整合, 如TVP-ECM-LAIDS和TVP-LR-LAIDS。这些组合型模型相对于单一型模型的预测效果更佳, 应用范围更广泛。
(二) 国内旅游需求预测模型的研究
国内旅游需求预测研究主要是运用国外模型或者国内学者改进的模型探讨国内不同地区不同领域的旅游需求情况。
王娟、曾昊 (2001) [9]指出人工神经网络比多元回归分析适用范围更广, 显著性更强。吴江华等 (2002) [10]将人工神经网络模型的3层BP模型应用于日本对香港的国际旅游需求。朱晓华和杨秀春 (2004) [11]采用中国1978—2001年入境客源数据运用多种模型分析得出序列较短时灰色预测模型有较好的预测效果。殷英等 (2004) [12]采用统计学习理论建立支持向量的时间序列预测模型对云南的旅游需求进行预测及对策研究。陈俊 (2005) [13]采用BP神经网络模型对云南国际旅游需求进行预测。覃频频等 (2006) [14]运用指数平滑、SARIMA和Elman人工神经网络对月度数据的桂林漓江旅游航班、运量及游客的需求预测, 结果表明Elman人工神经网络模型更能反映时间序列的波动性, 更适合桂林漓江旅游需求预测。黄银珠和陈雅丽 (2010) [15]运用灰色GM (1, 1) 模型、动态趋势预测模型和回归分析预测模型, 分别对福建省未来5年国内游客接待量预测。结果表明, 灰色模型的预测效果最好。
综上所述, 国内旅游需求预测研究除了学习借鉴国外的预测模型外, 还提出了国内的预测模型——灰色预测模型。灰色预测模型对未来几年的预测效果好, 误差小, 应用广泛。同时, 人工神经网络研究较多。此外, 针对不同的研究对象, 采用同一种方法比较得出的结果是不一样的, 有时甚至是截然相反的。因此, 我们应用预测模型时应该权衡利弊, 以求所得结果更准确可靠。
三、总结
(一) 国内外模型应用同中有异
基础计量经济回归模型和基础时间序列预测模型, 自回归移动平均模型, BP神经网络等模型是国内外应用较多的模型。而国外主要采用定量方法, 种类繁多, 并且旅游需求预测模型都得到了不同程度的应用。国内主要借鉴国外模型, 侧重与理论研究, 但灰色预测模型是国内使用频率较高的模型。因为灰色预测模型是我国学者邓聚龙教授首次创立的, 比起国外预测模型, 国内学者更倾向于简单实用的灰色预测模型, 因而应用范围更广。
(二) 组合模型高于单一模型
数据类型、分析对象、应用领域的差异造成预测精度的不同, 因而每一种模型都不是万能的。为了获得精确的预测效果, 部分学者将不同模型组成新的模型, 并运用实证研究证明组合模型 (如TVP-ECM、P-ECM-LAIDS和GA-SVR等) 比单一模型预测效果更佳。同时, 综合自回归移动平均模型和指数平滑模型作为利用单变量时间序列的历史数据对未来进行预测的模型, 只能对具有规律性的历史趋势进行预测。
(三) 国内外预测精确度存在差距
设备维修备件需求预测模型 篇8
关键词：设备维修,备件需求,预测模型
备件是设备维修的重要物质基础,备件的保障力度对于设备的日常工作和设备的完好性有着直接的影响。备件需求量的预测则是制定保障计划的核心问题和关键所在,它将直接影响后续的筹措、分配、存贮、调拨等各个环节的顺利进行[1]。
该文中从备件自身可靠性、工作的综合环境等因素分析了对备件需求量的影响,并建立装备备件需求预测模型。该模型为装备备件的需求预测能够提供科学的依据。
1 影响设备备件需求量的因素分析
备件的故障主要受相应部件自身可靠性、工作的综合环境(自然环境与诱发环境)、备件所使用强度等因素,包含着不确定和随机的因素,均能影响备件的需求量[2]。
部件的自身可靠性产生固然取决于设计、制造时赋予装备备件本身的固有可靠性(或故障率)的内在特性。但是使用条件、维修环境的外在因素也会有影响,如检查、更换的操作程序,搬运和安装中的意外损坏。
综合环境中自然环境对设备的元器件有着很大的影响。如低温、热带海洋、热带雨林沙漠等环境,使设备的部件严重腐蚀、长霉起雾等,导致严重的机械故障、控制失灵,甚至设备报废[3]。
诱发环境分为机械因素、能量因素和人为因素。机械因素会导致设备受到机械振动,使机械产品产生疲劳失效和结构损伤等。能量因素可引起电子元器件的突然失效。人为因素包括使用强度、误操作。可见诸多因素影响了备件需求量的预测。
2 设备备件需求量预测模型
若iF(t)、F j(t)分别表示备件在环境i和j下的累积失效概率由于部件故障服从指数分布,其故障分布函数为F(t)=1-e-λt,部件在此环境下的环境因子系数πs:
2.1 备件消耗量预测模型
对于设备的某型备件,在某环境下工作,在时间间隔(0,T]内备件需求量的概率分布可表示为:
备件的平均需求量为:
当有多台设备运行时,设备数为N,该型设备中使用该备件数记为n,则在时间间隔内备件需求量的概率分布为:
对应条件下的备件消耗量平均值为:
备件平均更换时间可表示为:
故时间间隔(0,T]内备件消耗量平均值进一步可表示为:
2.2 备件需求量模型
本文在备件需求量预测中,主要针对不可修复备件的需求量而建模。
根据备件需求量预测模型,在(0,T]时间段内,则需求SN个备件的备件保障概率可表示为:
故订货周期(0,T]内,满足备件保障率水平P的备件需求量SN可由下列不等式确定:
考虑备件存贮失效以及现有备件存贮量,则备件订购量应满足:
故现有条件下的下一年度备件订购量为:
下一年的备件存贮量为S0+SI。
当NnµT>5时,备件需求量SN可以用正态分布近似计算,计算公式简化为:
式中Zα为标准正态分布的α分位点,由α值查表求得,备件保障率p=1-α。
其中N为设备工作数;n为单台设备中备件个数(单车基数);η为备件消耗率;S0为下一工作年开始时刻满足寿命要求的备件剩余存贮量;P为一定任务要求下备件满足概率;SR(t)为备件存贮可靠性函数;T为年工作时间;SI为备件订购量;SN为由于备件故障引起的备件需求量。
3 结语
本文在综合分析影响备件需求的基础上,建立备件需求预测模型。该模型能够为设备维修的筹措、存贮、分配等各个环节提供合理的数学依据,从而节约大量的维修经费。
参考文献
[1]王永初.预测学及其应用[M].科学技术文献出版社,1986.
[2]曹继平,宋建社,方文斌,等.装备维修备件存储策略,火力与指挥控制,2008(4).
需求预测模型 篇9
关键词：通信业务,流量,预测模型
0 引言
国家电网公司正在全力建设智能通信网络,大量二次设备的接入以及实时数据的更新造成了电力通信网络流量的大幅增加,也给电力通信网络的流量情况带来了复杂变化。如何规划光缆的配置、路由的选择、带宽的分配,如何减少突发情况造成的重大损失,如何有效提高网络运行的速度和利用率,网络流量分析和带宽预测技术起关键作用。
网络流量预测是网络业务管理、拥塞控制以及流量控制的关键问题[1],能够防止网络拥塞,有效提高网络的利用率[2]。网络流量预测根据网络流量的数据以及规律,通过建立数学模型进行。
从本质上来说,网络流量数据是一种时间序列数据,可以通过传统的时间序列处理方法对其进行建模和预测。即使在流量发生突变时,网络流量也存在一定规律,通信网流量预测可采用一定的预测模型,根据收集的通信网络流量变化数据来对将来某一时刻的网络流量进行预测,为通信网络性能优化运行状况提供理论指导[3,4,5]。
网络带宽需求预测基于网络流量预测,对网络管理有重要的意义。目前的电力通信网络并未进行基于业务层面的网络流量实时监测,往往是当流量出现异常情况时由网络管理系统发出警告通知,然后由网络管理人员着手解决出现的问题[6]。这种响应式的行为,即先有问题后处理的方式,很可能造成由于没有足够的时间来分析和处理问题而影响网络的正常运行。如果能预测流量过载,在流量过载发生之前分析和解决问题,就能显著提高网络的可用性。
电网公司在进行通信业务带宽需求预测时,目前多凭借经验公式估算业务流量,未考虑业务的行为特征和时序特性,准确性不高。文章重点研究了电网公司生产和管理业务的需求发展和变化,分析了公司业务架构及其各类电力通信网络的承载关系;同时,结合公司通信网络及承载的业务,提出了适用于国家电网公司的通信业务需求带宽预测模型,根据模型分析了关键业务、典型站点、主要断面的通信业务组成和流量并在一定假设条件下对业务流量进行了估算。以上内容的研究和电力通信网业务流量测算模型的构建为电网日后的网络管理、运营维护、规划优化等工作提供了有效的支撑。
1 电网公司业务架构分析
1.1 电网公司业务及其网络承载
由于电力通信业务本身的特性,综合考虑安全性、可靠性、扩展性等要求,不同业务需要建设相应的业务网络来进行分类承载。目前的业务网络主要包括调度数据网、综合数据网等,另外还有一些其他业务需要由传输网提供专线通道。主要电力通信业务承载方式如表1 所列。
从表1 可以看出,对实时性要求最高的电网实时控制类继电保护业务直接承载在传输平台或裸光纤上;对安全性要求比较高的电网实时业务,包括调度自动化等业务,主要承载在调度数据网;行政办公信息数据及财务、营销、生产管理系统主要承载在综合数据网。
1.2 业务承载网络关系分析
根据网络本身的技术要求,调度数据网、综合数据网设备之间的组网一般情况下以传输网作为承载平面,由传输网提供连接通道。由于此类通道同时也作为传输网的业务存在,因此,传输网的业务带宽需求应同时考虑所承载业务网的组网通道需求。业务网、传输网以及光纤网络之间的相互承载关系如图1 所示。
2 电力通信业务带宽需求分析及预测方法
基于电力通信业务需求进行带宽需求预测研究,重点在于对各业务的通道带宽需求量进行预测以及对带宽进行统计预测,可以概括为3 个步骤。首先,结合业务种类和承载方式将通信业务进行分类;然后,根据各类业务的统计特征,选取拟合度较好的统计模型,逐一给出每类业务的通道带宽需求计算方法;最后,综合考虑业务流向,根据计算方法对单一或所有业务断面进行带宽统计预测。这些步骤中,业务的通道带宽需求计算是难点。电力通信网络一般承载2 类业务,一类是IP类业务,一类是由专线承载的时分业务,下面分别对这2 类业务的通道带宽需求计算方法进行介绍。
2.1 IP类业务通道带宽需求计算方法
对于某类IP业务而言,可以用如下公式描述其带宽需求:
其中,Bi表示第i类IP业务的带宽需求;Bi(t)为t时刻业务i所占用的带宽;bi为每个用户占用的基础带宽;φ 为带宽平均利用率(与IP网络开销有关,如路由寻址、维护信号等);ni(t) 为t时刻业务i的并发用户数,由业务类型决定。
可以看出,Bi与T时间段内业务i的峰值速率和平均网络带宽利用率有关,平均网络带宽利用率一般根据测算得出,经验值取0.7。计算Bi的关键在于确定ni(t),这需要选取合适的预测模型以对相应种类的业务特征进行拟合。
对电力通信业务进行流量分析,结合不同的业务特性可以选择不同的业务模型进行逼近和模拟。对于业务i,相应的流量模型选好之后,ni(t) 随之确定,步骤如下:
1)根据业务种类选择业务模型,并计算其所服从的随机过程Ni(t);
2)对于某个时间节点t,Ni(t) 是一个随机变量,因此可求得其概率分布函数F[Ni(t)]=P{Ni(t) ≤ ni(t)};
3)根据不同业务的有效性要求,确定F[Ni(t)]的具体值,如对于调度数据网业务,F[Ni(t)] 可取0.999 9,对于综合数据网业务,F[Ni(t)] 可取0.999;
4)利用Ni(t) 的概率分布函数以及F[Ni(t)] 的具体取值得到ni(t)。
电力通信数据网分2 类,一类调度数据网,主要承载电力生产业务;一类综合数据网,主要承载电力管理业务。表1 的业务中,调度自动化、配电自动化、用电信息采集属生产性业务,可以复用至调度数据网中传输;视频会议、ERP、GIS等业务书管理类业务,可复用至综合数据网中传输。因此,承载于调度数据网上的业务的带宽需求D可写为:
其中,Bk(t) 表示t时刻某类调度数据网业务k所占用的带宽。
同理,承载于综合数据网上的业务带宽需求可写为:
其中,Bm(t) 表示t时刻某类综合数据网业务m所占用的带宽。
由于IP网络往往通过传输网络(主要是同步数字体系(Synchronous Digital Hierarchy,SDH)、光传送网(Optical Transport Network,OTN),分组传送网(Packet Transport Network,PTN)技术目前在公司范围内还未普及,所以不做考虑)或者光纤直接组网,因此其通道大小多具有颗粒性。目前典型的用于承载IP业务的通道颗粒有2 M、100 M、155 M、622 M、1 000 M、2.5 G、10 G等。 同时,还需考虑通道层面的保护机制。在实际应用中,对同一断面的同一类业务,往往考虑基于单一颗粒的通道带宽配备。因此,考虑建设成本、组网方式和带宽利用率等因素的情况下,某断面的调度数据网(或者综合数据网)业务占用的通道带宽估算方法可建议如下:
1)光纤直接组网方式主要利用万兆光口、千兆光口和百兆光口沟通IP链路,此时建设成本是主要考虑的因素,因此在通道计算时选择100 M、2.5 G(1 000 M光模块与2.5 G光模块成本相当,因此在做链路配置时通常选择2.5 G光模块)、10 G颗粒。
对于调度数据网,在某一个通信断面上,通道需求Cd为(单位M bit/s,函数⎡x⎤表示对x向上取整,η为容灾系数):
对于综合数据网,在某一个通信断面上,通道需求Cr为(单位M bit/s):
2)传输通道组网方式主要利用万兆光口、2.5 G光口、千兆光口、百兆光/ 电口、622 M POS口、155 M POS口、155 M CPOS口以及SDH复用2 M捆绑的方式沟通IP链路,此时建设成本和带宽利用率都是很敏感的因素,因此在通道计算时选择2 M、155 M、622 M、1 000 M、2.5 G、10 G颗粒。
综合考虑成本和带宽利用率的因素,对于调度数据网,在某一个通信断面上,通道需求Cd的参考计算公式为(单位M bit/s):
同理,对于综合数据网,在某一个通信断面上,通道需求Cr的参考计算公式为(单位M bit/s):
由此可见,建设成本和通道的离散性是造成IP业务通道带宽利用率低的重要原因。
需要特别说明的是,电力数据网络组网方式较多,总部、各分部、省市公司的通道结构均存在较大差异,所以在做具体规划时必须考虑网络的实际情况来制定组网方案,本课题给出的数据网通道需求计算公式只针对典型应用,仅供参考。
2.2 时分业务通道带宽需求计算方法
电力时分业务主要有调度电话、行政电话、自动化远动信号以及采用SDH复用2 M的继电保护和安控业务。
2.2.1 调度电话、行政电话业务
对于调度电话、行政电话业务而言,可以用如下公式描述其通道带宽需求:
其中,Bj为调度/ 行政电话业务j的通道带宽需求;Bj(t) 为t时刻业务j所占用的带宽;bj为单用户的通道带宽;nj(t) 为t时刻业务j的并发电路数,为一随机过程;β 为冗余系数;η 为容灾系数。
对于传统的电路交换业务而言,泊松模型已经被理论和实践证明为最有效的业务预测模型,因此,本课题采用泊松模型对nj(t) 进行建模。由于调度电话、行政电话业务要求1+1 保护,所以容灾系数取2,冗余系数根据经验取1.3。对于调度/ 行政电话业务j,根据泊松模型确定nj(t),步骤如下:
1)列表达式:
2)对于某个时间节点t,Nj(t) 是一个随机变量,服从泊松分布,因而求得其概率分布函
3)根据不同业务的有效性要求,确定F[Nj(t)]的具体值,对于调度交换电话,F[Nj(t)] 可取0.999 9 ;对于行政电话业务,F[Nj(t)] 可取0.99。
4)利用Nj(t) 的概率分布函数以及F[Nj(t)] 的具体取值得到nj(t)。
因此,某一通信断面上程控交换语音业务的通道需求Cv为:
2.2.2 自动化远动、继电保护、安控业务
这几类业务为递增型业务,通道一旦启用即被长久占用,同时,其电路数量与电网发展直接相关,因此,可根据电网规划给出其通道带宽计算公式:
其中,Bk表示自动化远动/ 继电保护/ 安控业务的通道带宽需求;bk为每个用户占用的通道带宽;nk为业务k的电路数,由取决于电网规划;β 为冗余系数;η 为容灾系数。对于自动化远动、安控、距离保护业务,η 取2 ;对于光纤纵联差动保护业务,η 取1 ;β 取经验值1.3。
那么,某一通信断面上自动化远动、继电保护、安控业务的通道需求总和Cp可表示为:
某个通信断面上业务的通道总需求B则可以通过对以上几种业务的叠加得到,即:
3 电力通信业务带宽需求预测模型应用讨论
文章提出的业务流量测算方法适用于公司各级通信网,包括总部通信网、分部通信网、省公司通信网及地市公司通信网。按照总部、分部、省公司、地市公司不同类别的模板,通过统计分析各单位目前生产及管理业务节点的数量即可完成通信网业务流量测算工作。具体步骤如下:
1)计算各类业务基础流量,根据文章提供的计算公式计算出各类业务的基础流量,可以采用计算机套用相应的数学模型计算出结果,也可以采用简单的统计估算方法进行估算。
2)计算各类站点流量。例如,变电站选择相应电压等级的变电站模板,将该类站点的业务进行分类汇总(按照综合数据网、调度数据网、时分多路复用网、其他等分类),便于分类计算。
3)统计站点数量。按照国网、省、地市、区县等级别,统计变电站、配电站、电表、供电所等所有类别站点的数量,可以取上一年度年报数据。
4)计算断面流量。公司总部选择总部模板,分部选择分部模板,省公司选择省公司模板,地市公司选择地市公司模板,分别形成各断面的综合数据网、调度数据网、传输流量。
5)根据本层级通信网所承载的各类总的业务流量,按照当前通信网的整体架构,将业务流量分别分担到不同的综合数据网、调度数据网、传输网并形成不同系统进行优化、改造扩容等相关规划决策结论。
4 结语
网络流量预测是网络业务管理、拥塞控制以及流量控制的关键问题,文章进行了调研并提出了适用于公司各级通信网的业务流量测算模型。但是,一些因素也会对业务流量预测产生部分影响,包括基础研究、网络架构、政策影响等,在规划通信网时应充分考虑外界因素的影响,制定相应的应对策略。例如,随着十二五期间国家电网公司三集五大建设的推进,公司业务流向发生了巨大的变化,信息化业务由以往的分层模式改成大集中模式,电网生产业务也加快了IP化进程,通信专业应该加快研究IP化应对策略,加快提升业务网、承载网的IP承载能力;2014 年9 月,国家能源局颁布了新的《电力监控系统安全防护规定》,新规定较原先电监会5 号令有一些变化,特别是第8 条规定电力控制信息如果进行了安全加密并接入了安全接入平台也可以使用公网通道传输,所以,应重点考虑新规定对通信业务的影响,及时调整通信规划技术政策;随着国家加快推进电力体制改革,应重点关注各环节改革的进程,特别是配售电环节,这将对通信业务带来比较大的影响。
参考文献
[1]李文伟.电力数据通信网的业务流量分析[D].上海:上海交通大学,2007.
[2]张宾,杨家海,吴建平.Internet流量模型分析与评述[J].软件学报,2011,22(1):115-131.ZHANG Bin,YANG Jia-Hai,WU Jian-Ping.Survey and analysis on the Internet traffi c model[J].Journal of Software,2011,22(1):115-131.
[3]苟娟迎,马力.网络流量分析方法综述[J].西安邮电学院学报,2010,15(4):20-23.GOU Juan-ying,MA Li.The review of network traffic analysis m e t h o d s[J].J o u r n a l o f X i’A n U n i v e r s i t y o f P o s t s A n d Telecommunications,2010,15(4):20-23.
[4]曹建华.基于灰色神经网络模型的网络流量预测算法研究[D].江苏:江南大学,2008.
[5]苏占波.基于FARIMA模型的网络流量建模与预测[D].成都:电子科技大学,2010.
关于建立物资需求预测模型的方案 篇10
根据中国南方电网有限责任公司( 以下简称 “网公司”) 战略及一体化管理方案,资产全生命管理核心经营理念已经在公司企业级资产管理系统中得到落实,并且经过近4 年的建设,积累了大量的经验、资料和数据,为日常的经营管理提供了重要的参考依据。为了进一步提升电网公司在资产方面的综合决策能力,需要在现有的企业级资产管理系统和已获取的经验、资料和数据基础之上,建立一套先进、完善的资产高级预测应用,从而辅助决策层、管理层制定科学决策和开展科学管理工作,进一步提升公司对资产决策的可预见性和前瞻性能力。
在物资管理方面,为实施公司部署的登高计划,要加大前期工作和投资计划的管理力度,逐步迈向精益化管理,继续加强物资计划全过程管理,做到超前谋划,提前介入项目前期工作,包括物资需求预测管理工作。公司生产建设物资需求量大,且种类繁多。根据物资管理要求,公司每年开展物资需求预测工作,采取由下至上的工作模式: 下层机构调研、统计、估算、上报,上层机构审批、汇总、生成总体预测需求。从组织到收集,从审核到汇总,不但耗费大量人力物力,而且审核工作量大、生成需求时间周期长、填报不规范、准确率不高,对物资采购计划制订、工程建设及生产计划的安排都产生不利影响,也制约着物资精益化管理水平和能力的提升。
电网公司在 《中国南方电网有限责任公司物资管理职能战略》中提出,在2011—2012 年规范发展阶段,将初步建立需求预测模型,开展需求预测工作,初步建成主要物资标准供货周期,开展全网一级物资的需求计划集中管理; 在2013—2015 年提升发展阶段,建立完善需求预测模型,全面开展需求预测工作,实现需求的前瞻性管理和准确快速的计划管理; 在2016—2020 年持续发展阶段,建立完善高效的需求管理机制,实现计划管理与采购的高度融合和联动,实现及时化采购。公司中长期发展战略规划对未来三年内物资集约化管理目标,提出要达到国内领先水平的明确要求。从公司自身发展而言,开展物资需求预测工作,可以实现物资的需求计划集中管理,提高物资管理的精益化水平。
2 可行性分析
随着机器学习方法不断发展,目前多种预测方法( 如BP神经网络,SVM,各类回归模型等) 大量应用于不同预测场景,但对于电网建设物资需求预测还是鲜见的。电网物资需求量大,且种类繁多,而且不同物资之间的使用并不是完全独立的关系,所以运用通常的回归方法( 如logistic回归,多元线性回归等) 无法考虑其预测目标之间的相关性,从而无法满足电网物资的需求预测工作。而BP神经网络或支持向量机( SVM) 等模型复杂度高,训练时间长,需要人工设置的参数多而杂,不利于电网物资需求预测模型的固化与扩展。
面对上述情况,迫切需要自主构建一组物资需求预测模型,作为预测工具要求能够独立使用,并可以作为插件或者外挂融入到资产分析体系,各网省公司可独立部署,以提高网公司及各个下属单位物资预测需求的申报效率和准确度,节省人力物力,满足电网物资管理业务需求,并充分考虑相关数据挖掘技术实现能力,整合不同技术优势,创造性的对电网物资需求进行预测,从而在公司经营战略指导方针下,充分发挥物资需求预测对于物资决策和物资管理的指导作用,全面提升公司经营业绩,巩固提升公司的整体竞争优势。
3 方案构想
物资需求预测以配网项目作为试点,历史配网项目建设的物资使用数据为基础数据,并利用数据挖掘方法实现新项目的物资使用量预测。
一般来说,配网项目的物资需求预测需要处理多种项目类型和多种物资类型的需求预测问题,而且不同类型的物资需求并非完全相互独立。所以,我们提出了一种基于极限学习机( Extreme Learning Machine,ELM) 的多任务学习方法用于配网物资需求预测模型的构建。ELM是一种单层前馈型神经网络,可以很好的刻画各种物资类别在不同项目类型中需求数量的相关性,不受模型参数初始状态的影响,学习算法收敛于全局唯一的最优解,具有模型参数简单、算法复杂度低、模型泛化性较好的优势。实验证明,ELM模型在配网物资需求预测的实践中,相较于常规的单任务需求预测模型( 例如多元线性回归、支持向量机、核回归等) 取得了更好的效果。
物资需求预测框架,主要由三个阶段的工作组成,分别为数据预处理、建模和预测阶段。数据预处理阶段包含项目描述属性构造和物资用量数据的预处理,其中项目基本属性和类型属性构成了ELM模型的输入空间; 建模阶段涉及ELM模型的训练以及对应的参数学习; 在预测阶段,待预测样本的项目描述属性作为上一步经过训练的ELM模型的输入,计算并输出待预测项目物资的预测值矩阵,以可视化方式,多维度展示物资需求预测结果。
4 应用情况
利用2010 年、2011 年的项目数据对2012 年的项目数据进行预测,预测模型有较好的结果,加权准确率从手工填报的60% 提高至82. 34% 。
通过对手工填报与模型预测的详细预测结果对比分析发现,对于用量较多的物资,模型预测有更好的预测结果,如在2012 年用到的44 类一级物资中,模型预测的结果中有18类物资的预测准确率达70% 以上,此批物资的总数量占实际总量的90% 以上; 然而,对于用量较少的物资及与政策调整紧密相关的物资需求变更,手工填报的预测结果较好。在相同的数据集上,我们将ELM方法与其他已有方法,如多元线性回归、KNN、单任务BP神经网络、手工填报等方法进行了实验结果对比,ELM均显著高于其他方法,特别当只考虑使用数量最大的前5 种物资时,ELM的优势更为明显。实验表明,在物资需求总体预测水平较高的前提下,ELM对巨量物资的预测更为有效。下一步,将充分利用配网项目物资需求预测建设成果及建设经验,开展主网项目物资和备品备件的物资需求预测工作,不断提高需求预测准确率,逐步优化现有物资采购方式,提高采购效率。
5 结论
全面开展物资需求预测工作,可以为物资采购计划制定、物资统一调拨及优化配置、工程建设及生产计划安排提供科学依据,提高物资需求计划集中管理水平。
第一,释放人力,提高效率。利用物资需求预测模型,不再需要各个地市局材料人员每年提前上报物资预测需求,降低工作成本; 不受时间和管理层次限制,缩短物资需求计划制定时间,提高工作效率。
第二,准确预测,精益管理。借助准确的物资需求预测结果,辅助电网工程建设及生产计划安排,提高工程及生产建设精益化管理水平。
第三,优化采购,降低成本。通过物资需求预测模型的应用,逐步优化现有物资采购方式,转变为按需、按时采购,大大降低采购成本、时间成本和仓储成本。
摘要：根据中国南方电网有限责任公司(以下简称“网公司”)战略及一体化管理方案,资产全生命管理核心经营理念已经在公司企业级资产管理系统中得到落实,并且经过近4年的建设,积累了大量的经验、资料和数据。文章通过背景分析、可行性分析、方案构想、应用情况等方面详细阐述了建立物资需求预测模型的方案。
关键词：物资需求,预测准确率,物资管理
参考文献
[1]陈文康.SCP电力公司物资需求预测系统的设计与实现[D].成都:电子科技大学,2013.
[2]沈男.基于改进BP神经网络的电网物资需求预测研究[D].北京:华北电力大学,2014.
[3]宋友文.广东电网电力物流中心规划研究[D].广州:华南理工大学,2010.
让品牌模型预测更准确 篇11
拓展市场份额是消费品营销人员的主要目标之一。鉴于消费品市场竞争越来越激烈，数字营销的演变颇为迅猛，消费者越来越精明，而且他们现在用来寻找和分享与品牌相关信息的手段和用来选择品牌的渠道也比以往多得多，所以，完成这一任务绝非易事。
要想建立市场份额，营销人员首先必须识别可在实现这一目标时加以充分利用的各种驱动因素。下一个步骤通常是根据已识别的驱动因素，利用一种模拟工具，来确定优化市场份额的最佳营销策略。在这个阶段，营销人员经常面临的挫折是许多模拟器并未反映出市场中将发生的切实变化。模拟器预测的变化往往有夸大之嫌，营销人员只能将这些结果作为指导性参考。
益普索(Ipsos)利用自己的研究结果，建立了一个藉以确定何种品牌元素在驱动消费者选择的新构架，并提出一种更为准确的方法，进行旨在优化品牌份额的市场模拟。以下是益普索(IpsoS)根据自己的品牌研究情况，针对上述各个问题开发出的解决方案。
问题1：未能捕捉消费者与品牌产生联系的所有方式
营销人员在进行品牌研究时所面临的核心挑战是，识别驱动消费者选择的品牌元素。有些研究手段着重于功能方面，而有些则着重于情感方面。还有一些手段则着重于特定方面，比如：品牌的个性。实际上，要想建立对品牌选择驱动情况的全盘理解，进而能够实施成功的营销策略，品牌框架必须聚焦所有这些方面。
解决方案：了解品牌本身的主体和灵魂
正如人类一样，一个品牌也拥有包括主体和灵魂的DNA，品牌研究也正基于此。品牌的主体和灵魂有助于将品牌与消费者的头脑和内心联系起来。这种联系是通过消费者与品牌间的各种互动形成的，进而产生一种品牌体验。
品牌的主体主要组成部分为：功能属性和品牌形象。品牌的灵魂主要组成部分为：情感需求和品牌个性。主体和灵魂的这四个组成部分组成了品牌的DNA。它们激发了品牌在消费者心目中的固有价值或优势，代表着品牌资产。
我们经过研究发现，在主体和灵魂的四个组成部分中，每个组成部分自身都能很好地说明驱动品牌资产的究竟是什么。因此，品牌框架若仅着重于四个组成部分中的一个或两个，我们不能说它们是错误的；然而，它们是不完整的。如果我们的品牌框架中只有四个组成部分中的一个，那么我们最多能预测出60％的消费者品牌选择。
我们研究得出的另一个重要结论是，功能因素和情感因素是具有内在联系的。任何一个强调功能利益的品牌定位或传播亦会影响着情感利益。
正如本文前面所讲的，主体和灵魂的四个组成部分驱动着品牌资产。品牌资产与品牌的价格一起驱动品牌价值，后者反映出品牌选择的消费者份额。根据我们的研究，我们能开发出一种包含这四个组成部分的模型，加上价格，来预测品牌价值(选择份额)。我们已证实，我们的品牌价值模型所得出的结果与实际的市场份额极为接近。
问题2：晶牌的未来方向在此模型中未予考虑
许多模型仅衡量品牌的当前优势。然而，营销人员需要了解消费者与品牌是如何连接在一起的，来预测其品牌是否有可能增大或减少市场份额。
解决方案：利用亲善度衡量品牌的关联性
通过研发，我们有能力衡量一个我们称之为“亲善度”的量度。亲善度亦称作“忠诚度”，这个量度用来衡量消费者将来持续使用某个品牌的可能性。亲善度是通过结合斟酌品牌价值和各种障碍——难以转换品牌的因素——来获得的。例如，当一位妈妈开始为自己的宝宝选择特定品牌的婴儿配方奶粉时，那么就很难让宝宝换用其他品牌的配方奶粉。这种障碍是指新配方奶粉不适合宝宝饮用的风险。亲善度已被证明是未来消费者行为的反映。
了解亲善度，有助于营销人员识别出对品牌不太忠诚的消费者(即便他们正在使用这个品牌)，之后再采取措施提升其满意度。同样重要的还有，营销人员可识别出对品牌忠诚的核心消费者，对这些消费者实施各种策略，以便加强并保持他们的忠诚度。
问题3：品牌模拟器并未作出现实的预测
品牌研究的关键应用之一是以优化品牌份额为目标来模拟不同的营销策略。令人遗憾的是，目前用于估算市场份额的模拟器往往并未反映出当前市场中所发生的真实变化。造成这一失败的主要原因之一是模拟器中并未涵盖所有的品牌选择的驱动力。另外一个重要原因则是并未使用个人层面的数据。
解决方案：利用个人层面模拟模型预测份额增长
品牌的主体和灵魂的全部四个组成部分(以及它们之间的相互作用)应反映在品牌模拟器中。此外，品牌模拟器应基于个人层面的数据。为什么?因为每个消费者都是独具特色的，因而具有不同的需求。结果便是更具现实意义的模拟。
我们的研究表明，个人层面的模型在预测消费者行为方面，准确度至少高出30％。
下图是一个模拟实例，该实例包含了主体和灵魂的四个组成部分，并使用了个人层面数据。在这个例子中，模拟的是8号品牌的绩效。
模拟器生成了一幅直线图，其中红色虚线表示8号品牌在关键驱动因素上的当前绩效。红色实线表示该品牌在这些驱动因素上的改进绩效，这正是8号品牌营销人员想要模拟的。蓝线表示给定8号品牌的模拟改进绩效后4号品牌的绩效。
模拟器接着会生成一幅柱状图，其中描述了8号品牌的改进绩效对此类别中各品牌选择份额的影响。假定8号品牌在关键类别驱动力方面的模拟改进绩效后，各种品牌目前的选择份额(以绿色显示)是与模拟的选择份额(以蓝色显示)一起显示出来的。随着8号品牌绩效不断改进，选择其他竞争品牌的份额呈下降趋势。8号品牌份额的规模不断加大，其他竞争品牌的份额则不断下降，这是实际市场的真实反应。
最終解决方案：一个全新、全面的品牌框架一PERCEPTOBluS
通过研发，我们已开发出一款新型品牌研究工具PERCEPTORBlus，它能帮助营销人员应对他们在试图利用品牌研究优化策略并预测市场增长时所面临的重要挑战。
具体说来，PERCEPTOR。plus能够：
通过评估品牌的主体和灵魂，捕捉消费者与品牌的所有联系方式。
通过衡量亲善度，给出对品牌未来方向的认识。
·采用个人层面模型准确模拟市场份额。
完整的PERCEPTORPlus框架如右图所示。
令PERCEPTORPlus与众不同的是，它能够将品牌选择的所有相关驱动因素——品牌的主体和灵魂，整合成一个综合框架，可供营销人员用来测定品牌资产、品牌价值(选择份额)和亲善度(忠诚度)。营销人员亦可利用PERCEPTORPlus模拟器预测不同策略对市场份额所产生的影响。由于此模拟器涵盖了品牌的主体和灵魂，且以经过证实的单层面模拟为基础，营销人员可全副武装地投入至Ⅱ市场份额的战斗之中……并最终获胜!
需求预测模型 篇12
传统供应链的实体之间各自为政, 缺乏信息共享和沟通, 增加了需求预测的难度, 导致牛鞭效应。目前, 大部分的需求预测是针对单级供应链的, 而且需求预测的各种方法主要是针对历史数据作以统计分析, 不具有实时性和系统性。由于供应链需求预测具有跨越组织和时空的特殊性, 从系统工程的角度实现有效的动态协同需求预测已经成为供应链管理的关键性问题。
本文以Agent为基本建模元素, 采用Petri网描述Agent内部的行为规则, 构建基于着色时间Petri网和Agent的零售供应链动态协同需求预测模型。利用Petri网的颜色参量描述零售供应链不同业务的状态, 利用Petri网的时间参量描述配送和生产过程中出现的时延, 从宏观层面描述零售供应链不同节点企业之间的交互作用, 实现了具有时延和随机并发性的零售供应链动态协同需求预测方法, 为零售供应链多级库存实时控制决策提供理论支持。
2 动态协同需求预测Agent联邦
本文把连锁零售供应链的各个复杂组成单元抽象为智能主体, 采用智能Agent模型进行描述, 并建立了基于联合意向的动态协同需求预测Agent联邦, 多个Agent的交互协同运作遵循一定的规则。Agent即具有个体思考理性, 也具有团体思考理性, 每一个Agent的行为决策都是在整个零售供应链大环境规则的约束下做出的, 都是以整合零售供应链的全局资源, 提升零售供应链的竞争力, 预测供应链运作模式下多级库存需求水平为目的的。
2.1 Agent联邦的角色划分
在建立动态协同需求预测Agent联邦系统时, 需要划分各个Agent角色, 分配其不同的功能, 分析A-gent与各个业务模块的关系, 总结Agent承担的不同工作和需要完成的任务。在整个零售供应链中, 按照不同的业务以及节点功能, 可以分成两类Agent角色:一类是在供应链各个节点单位或是部门承担管理工作的管理角色Agent, 一类是在供应链系统运行过程中承担具体实施工作的执行角色Agent。这两类Agent通过交互和协同运作, 共同完成零售供应链动态协同需求预测工作。
根据零售供应链运作流程的特点, 将动态协同需求预测Agent联邦系统划分为连锁分店管理Agent、配送中心管理Agent、分销物流中心管理Agent、供应管理Agent四种管理Agent, 以及订单执行Agent、配送执行Agent、盘点库存执行Agent、生产执行Agent四种执行Agent。
2.2 Agent联邦的角色Agent模型
根据动态协同需求预测Agent联邦系统中管理Agent和执行Agent完成的功能设计角色Agent模型, 本文以配送中心管理Agent模型设计为例。
配送中心是在零售供应链中接受并处理位于物流链末端的运营活动, 包括多品种货物的分拣、包装、装卸、流通加工等最后配送的一系列活动。配送中心可以看作一个相当大的仓库加货运站的场所, 不过位于供应链的末端位置, 收到并存储大量的货物, 但发出配送的货物却是小批量、多品种、多批次的。在传统物流系统中, 处理这样的货物是难以保证效率的, 但是配送中心的效率对整个供应链系统的效率有着决定性的影响。虽然配送中心也有相关的信息交流、交易活动等等, 但是配送却是主要功能的核心业务, 其他都是辅助完成配送的业务, 配送中心管理Agent模型如图1所示。
由图1可以看出, 在配送中心管理Agent的职能中涉及到了管理、预测、决策和配送等一些运营管理的规则。Agent的传感模块会收到来自连锁分店的订货信息, 这时配送中心管理Agent第一时间是处理配送业务, 因此在知识模块中对于这一部分的处理是比其他Agent更迅速, 而且配送中心所处理的业务是大批量进货, 小批量、多批次送货, 因此在知识模块中的订货规则也会体现出与众不同之处。
在感知模块中, Agent会提取一些区域库存信息, 以便知识模块可以根据这些信息和传感信息进行合理的判断、预测并且决策。传感模块也与系统中一些其他功能Agent相连, 可以向分销物流中心管理Agent发布订货请求信息, 向连锁分店管理Agent发布配送请求信息。
3 Agent联邦着色时间Petri网模型
零售供应链动态协同需求预测系统是通过多个Agent一系列的动作和状态改变来完成系统功能的。而Petri网系统的运行是通过激发变迁元素实现状态改变, 变迁元素的激发导致其前置元素和后置元素条件变化。Petri网理论适合描述实时分布式系统中的并发、同步、异步、资源竞争与协调等过程。因此, 本文采用着色时间Petri网来描述零售供应链动态协同需求预测系统中Agent的内部行为规则, 实现实时环境下多Agent系统的动态分析。
3.1 Agent联邦着色时间Petri网理论
定义 (着色时间Petri网系统) 一个八元组Petri网系统为着色时间Petri网系统, 其充分必要条件是:
(1) PN= (P, T, F) 为有向网, 称为的基网。
(2) C:P∪T→ρ (D) , 颜色集C的幂集合为ρ (D) , 当且仅当时, C (p) 为所有库所托肯颜色集, C (t) 为所有变迁发生颜色集。
(4) M0称为∑的初始标识, M0:P→DMS, 满足条件为:M0 (p) ∈C (p) MS, 即M0 (p) 是p的托肯颜色集合上的多重集。
(5) TF为时间函数, TF:T→N0且, TF (t) 是变迁t发生 (触发) 的延迟时间。
3.2 角色Agent着色时间Petri网模型
对多Agent系统进行准确的描述和分析是保证多Agent系统顺利运行的关键。将Agent动作分为内部动作和外部动作, Agent内部动作通过Petri网模型进行描述。多Agent系统运行伴随着系统状态的不断改变, 通过多Agent系统中动作的改变来实现状态之间的转变, 这是利用Petri网对多Agent系统进行描述和分析的主要原因。根据零售供应链动态协同需求预测系统的特点, 建立Agent联邦着色时间Petri网模型, 利用Petri网的颜色参量描述不同业务的状态等, 利用Petri网的时间参量描述配送和生产过程中出现的时延。
本文以配送中心管理Agent着色时间Petri网模型设计为例, 分析角色Agent着色时间Petri网模型的构建原理。
位于连锁分店上级的配送中心随时等待接收订单, 当收到连锁分店下达的订货信息时, 会第一时间查看现有库存是否能够满足订单需求, 如果满足就可以立即履行订单, 开始发货配送;如果现有库存不能立即满足订单需要, 就需要向供应链上一级单位下订单, 并等待上级的配送, 因此除供应链两端的节点单位外, 处于供应链中游的节点单位都会涉及到两种配送业务。配送中心管理Agent着色时间Petri网模型, 以及模型中用到的参数符号定义和说明如图2与表1所示。
其中, f21:D→DCI, 根据颜色集 (S1, S2, S3, S4) 得到配送中心库存当前情况, 定义:
f22:DCd→DCT, 根据变迁颜色得到配送中心等待收货的状态, 定义:
3.3 管理Agent系统着色时间Petri网模型
分析零售供应链的业务流程, 并采用多Agent系统的开放式建模模式, 建立零售供应链动态协同需求预测管理Agent系统的着色时间Petri网模型如图3所示。
4 仿真研究
4.1 动态协同需求预测仿真模型
本文采用着色时间Petri网对多Agent的交互协同机制进行描述。从微观角度描述Agent的行为方式, Agent在协同交互过程中的每个通信序列和通信的处理行为都是由着色时间Petri网进行描述的。从宏观角度由着色时间Petri网描述零售供应链动态协同需求预测系统中多Agent的会话过程, 即系统中管理Agent和执行Agent间进行通信与协同运作的过程。当系统收到来自市场的顾客需求信息时, 系统将信息发送到管理Agent处, 接收到新信息的管理Agent启动会话, 开始分析和执行信息。管理Agent按照收到的不同信息做出不同的决策行为, 并且向相应的执行Agent发送执行任务信息, 执行Agent完成任务并通知管理Agent执行结果。零售供应链动态协同需求预测系统利用着色时间Petri网描述Agent的不同状态, 并且以不同的颜色来区分, 变迁则表示状态的转移过程, 对消息的处理过程, 还有个别情况时会用一段时间来表示生产和配送的执行时延。一个交互会话行为可能会出现, 由一个管理Agent发起, 多个参与者协同处理的情况。但管理Agent会按一定优先顺序依次发出通信信息, 因此在多Agent环境下着色时间Petri网模型不会出现冲突或死锁的情况。
基于着色时间Petri网和Agent的零售供应链动态协同需求预测仿真模型如图4所示。
图4中每一个小圈都是一个Agent, 零售供应链动态协同需求预测仿真模型是由多个Agent组合而成的, 蓝色圈内是四个管理Agent, 而橙色圈中是四个执行Agent。这些Agent以特定的协同机制和固定的交互模式, 完成零售供应链动态协同需求预测仿真任务。
4.2 实验结果与分析
本文设定了某零售供应链从连锁分店到工厂的初始状态进行模型验证, 设定订货周期与盘库周期不同的情况下进行仿真实验, 实验结果如图5所示。
图5 (a) 中是零售供应链各级库存和实时库存需求预测值状态的变化情况, 深蓝色的实线表示连锁分店库存变化, 绿色实线表示配送中心库存变化, 红色实线表示分销物流中心库存变化, 蓝绿色实线表示工厂库存变化, 相应颜色的虚线表示各Agent的实时库存需求预测值变化。图5 (b) - (e) 将图5 (a) 分解, 分别表示连锁分店、配送中心、分销物流中心和工厂的库存与实时库存需求预测值变化情况。在图5 (b) 中, 可以看到连锁分店的库存变化情况, 红色虚线表示实时库存需求预测值变化, 在设有盘库检测、时时补充库存情况下, 连锁分店会根据预测的需求信息和库存量立即订货, 并且将这种需求逐渐向上游传递。在第一次需求到来时, 连锁分店自身可以满足, 在第二次需求到来时, 配送中心可以满足, 第三次需求到来时, 是由分销物流中心配货满足的, 在第四次需求到来时, 将这种需求传递到了工厂, 由工厂启动生产商品和库存来满足。这是极端的例子, 只是用于说明零售供应链动态协同需求预测仿真模型是如何模拟运行的, 并且各个Agent是如何应对系统变化的。
5 结语
本文针对零售供应链动态协同需求预测的实时性和系统性特殊要求, 利用Agent技术和形式化建模工具Petri网对零售供应链动态协同需求预测系统进行建模。把零售供应链动态协同需求预测系统抽象定义为多Agent系统, 通过对基本Petri网进行时间和颜色集的扩展, 实现了对Agent联邦系统中Agent的内部结构描述, 以及对管理Agent和执行Agent之间协同交互的动态描述。结合某零售供应链的相关数据进行建模与仿真实验, 仿真实验结果表明该动态协同需求预测模型能够精确地计算出零售供应链多主体的库存状态变化规则和库存需求预测值的变化规则, 以及相互之间的关系, 从而为具有时延和随机并发性的供应链运作模式下多级库存管理和实时控制策略制定提供参考和借鉴。
摘要：从系统工程的角度定量研究供应链运作模式下多级库存需求水平的预测问题。针对零售供应链系统中事件具有时延和随机并发性的特点, 建立了一种基于着色时间Petri网和Agent的零售供应链动态协同需求预测模型。分析了零售供应链中零售企业、分销商和供应商三者各自的实时库存需求预测量及其相互关系。最后以某零售供应链的相关数据对预测模型进行了验证, 仿真结果表明, 该预测模型可以协调供应链中的各个系统要素, 实现动态协同需求预测和信息共享, 从而能够为连锁零售供应链多级库存实时控制决策提供参考。