| | Ошибки прогноза и сезонные корреляцииПосле того, как система LN рассчитает прогноз спроса для плановой единицы, система LN определит ошибки прогноза и сезонную корреляцию. LN рассчитывает следующие поля в сеансе Плановые единицы - Параметры прогноза (cpdsp1110m000). - Средняя ошибка прогноза (AFCE)
- Среднее абсолютное отклонение (MAD)
- Среднее относительное отклонение (MRD)
- Стандартное отклонение (SDEV)
- Коэффициент сезонной корреляции (COR)
Расчеты основываются на следующих формулах: Средняя ошибка прогноза AFCE = sum(FD(t) - AD(t)) / n | AFCE | поле Средняя ошибка прогноза | | sum() | сумма всех периодов ретроспективы | | FD(t) | прогноз спроса для периода t | | AD(t) | фактический спрос для периода t | | n | число периодов ретроспективы |
Средняя абсолютная ошибка прогноза MAD = sum(abs(FD(t) - AD(t))) / n | MAD | поле Среднее абсолютное отклонение | | sum() | сумма всех периодов ретроспективы | | abs(FD(t)-AD(t)) | абсолютное значение (FD(t)-AD(t)) | | FD(t) | прогноз спроса для периода t | | AD(t) | фактический спрос для периода t | | n | число периодов ретроспективы |
Средняя относительная ошибка прогноза MRD = sum(100 * abs((FD(t) - AD(t))) / AD(t)) / n | MRD | Среднее относительное отклонение | | sum | сумма всех периодов ретроспективы | | FD(t) | прогноз спроса для периода t | | AD(t) | фактический спрос для периода t | | n | число периодов ретроспективы |
Стандартное отклонение в ошибке прогноза SDEV = sqr(sum(((FD(t) - AD(t)) - AFCE)^2) / (n - 1)) | SDEV | поле Стандартное отклонение | | sqr() | квадратный корень | | sum() | сумма всех периодов ретроспективы | | FD(t) | прогноз спроса для периода t | | AD(t) | фактический спрос для периода t | | AFCE | средняя ошибка прогноза | | n | число периодов ретроспективы |
Сезонные корреляции Система LN определяет стандартное отклонение от фактического спроса для двух наборов данных. Первый набор данных содержит периоды с первого по последний минус длина сезона в периодах. Второй набор данных состоит из периодов с первого после длины сезона в периодах до последнего. Иначе говоря, второй набор данных сдвинут на длину сезона относительно первого. Стандартные отклонения: SDV1 = sqr(sum(((DM(t) - DM1)^2) / (m - 1)) SDV2 =
sqr(sum(((DM(t+L) - DM2)^2) / (m - 1)) | SDV1 | стандартное отклонение для первого набора данных | | SDV2 | стандартное отклонение для второго набора данных | | sqr() | квадратный корень | | sum() | сумма всех периодов ретроспективы | | DM(t) | трендовая корректировка фактического спроса для периода t (*) | | DM1 | трендовая корректировка среднего спроса для первого набора данных (*) | | DM2 | трендовая корректировка среднего спроса для второго набора данных (*) | | L | длина сезона в периодах | | m | число периодов ретроспективы минус сезонная длина в периодах |
(*) Расчет трендовой корректировки среднего спроса описан в разделе Метод прогнозирования: полиномиальная регрессия. Система LN определяет коэффициент ковариантности для двух наборов данных. COV = sum((DM(t) - DM1) x (DM(t+L) - DM2) / (m - 1)) | COV | коэффициент ковариантности | | sum | сумма всех периодов минус длина сезона в периодах | | DM(t) | трендовая корректировка фактического спроса для периода t | | DM1 | трендовая корректировка среднего спроса для первого набора данных | | DM2 | трендовая корректировка среднего спроса для второго набора данных | | L | длина сезона в периодах | | m | число периодов ретроспективы минус сезонная длина в периодах |
Наконец, рассчитывается сезонный коэффициент корреляции по следующей формуле: COR = COV / (SDV1 x SDV2) | COR | поле Коэффициент сезонной корреляции | | COV | коэффициент ковариантности | | SDV1 | стандартное отклонение для первого набора данных | | SDV2 | стандартное отклонение для второго набора данных |
| |
![[...]](../images/nt_flow_000113.gif)