| Błędy prognoz i korelacja sezonowościPo obliczeniu prognozy zapotrzebowania dla danej pozycji planu, LN określa błędy prognozy i jakiekolwiek korelacje sezonowości. LN aktualizuje następujące pola w sesji Pozycje planowane - ustawienia prognozy (cpdsp1110m000): - Średni błąd prognozy (AFCE)
- Odchylenie bezwzględne od średniej (MAD)
- Odchylenie względne od średniej (MRD)
- Odchylenie standardowe (SDEV)
- Sezonowy współczynnik korelacji (COR)
Obliczenia są oparte na poniższch formułach: Średni błąd prognozy AFCE = suma(FD(t) - AD(t)) / n AFCE | pole Średni błąd prognozy | suma() | suma wszystkich okresów z historii | FD(t) | zapotrzebowanie prognozowane dla okresu t | AD(t) | zapotrzebowanie rzeczywiste dla okresu t | n | liczba okresów z historii |
Średni bezwzględny błąd prognozy MAD = suma(abs(FD(t) - AD(t))) / n MAD | pole Odchylenie bezwzględne od średniej | suma() | suma wszystkich okresów z historii | abs(FD(t)-AD(t)) | wartość bezwzględna z (FD(t)-AD(t)) | FD(t) | zapotrzebowanie prognozowane dla okresu t | AD(t) | zapotrzebowanie rzeczywiste dla okresu t | n | liczba okresów z historii |
Średni względny błąd prognozy MRD = suma(100 * abs((FD(t) - AD(t))) / AD(t)) / n MRD | Odchylenie względne od średniej | suma | suma wszystkich okresów z historii | FD(t) | zapotrzebowanie prognozowane dla okresu t | AD(t) | zapotrzebowanie rzeczywiste dla okresu t | n | liczba okresów z historii |
Odchylenie standardowe dla błędu prognozy SDEV = sqr(suma(((FD(t) - AD(t)) - AFCE)^2) / (n - 1)) SDEV | pole Odchylenie standardowe | sqr() | pierwiastek kwadratowy | suma() | suma wszystkich okresów z historii | FD(t) | zapotrzebowanie prognozowane dla okresu t | AD(t) | zapotrzebowanie rzeczywiste dla okresu t | AFCE | średni błąd prognozy | n | liczba okresów z historii |
Korelacja sezonowości LN określa odchylenie standardowe od rzeczywistego zapotrzebowania dla dwóch zestawów danych. Jeden zestaw danych składa się z okresów od pierwszego do ostatniego, minus długość sezonu w okresach. Drugi zestaw danych składa się z okresów od pierwszego po długości sezonu w okresach, aż do ostatniego. Innymi słowy, drugi zestaw danych jest przesunięty o długość sezonu w porównaniu z pierwszym zestawem danych. Odchylenia standardowe SDV1 = sqr(sum(((DM(t) - DM1)^2) / (m - 1)) SDV2 = sqr(sum(((DM(t+L) - DM2)^2) / (m - 1)) SDV1 | odchylenie standardowe dla pierwszego zestawu danych | SDV2 | odchylenie standardowe dla drugiego zestawu danych | sqr() | pierwiastek kwadratowy | suma() | suma wszystkich okresów z historii | DM(t) | rzeczywiste zapotrzebowanie dostosowane do trendu dla okresu t (*) | DM1 | średnie zapotrzebowanie dostosowane do trendu dla pierwszego zestawu danych (*) | DM2 | średnie zapotrzebowanie dostosowane do trendu dla drugiego zestawu danych (*) | L | długość sezonu w okresach | m | liczba okresów archiwalnych minus długość sezonu w okresach |
(*) Aby uzyskać więcej informacji na temat obliczeń średniego zapotrzebowania dostosowanego do trendu, należy zapoznać się z tematem Metoda prognozowania: regresja wielomianowa: LN określa współczynnik kowariancji dla dwóch zestawów danych. COV = sum((DM(t) - DM1) x (DM(t+L) - DM2) / (m - 1)) COV | współczynnik kowariancji | suma | suma wszystkich okresów minus długość sezonu w okresach | DM(t) | rzeczywiste zapotrzebowanie dostosowane do trendu dla okresu t | DM1 | średnie zapotrzebowanie dostosowane do trendu dla pierwszego zestawu danych | DM2 | średnie zapotrzebowanie dostosowane do trendu dla drugiego zestawu danych | L | długość sezonu w okresach | m | liczba okresów archiwalnych minus długość sezonu w okresach |
Ostatecznie współczynik korelacji sezonowości jest obliczany w następujący sposób: COR = COV / (SDV1 x SDV2) COR | pole Sezonowy współczynnik korelacji | COV | współczynnik kowariancji | SDV1 | odchylenie standardowe dla pierwszego zestawu danych | SDV2 | odchylenie standardowe dla drugiego zestawu danych |
| |