Błędy prognoz i korelacja sezonowości
Po 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 poniższych wzorach:
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(suma(((DM(t) - DM1)^2) / (m - 1)) SDV2 = sqr(suma(((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 |
LN określa współczynnik kowariancji dla dwóch zestawów danych.
(*) Więcej informacji na temat obliczeń średniego zapotrzebowania dostosowanego do trendu w temacie Sposób prognozowania: regresja wielomianowa:
COV = suma((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 współczynnik 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 |
![[...]](../cp/images/nt_flow_000113.gif)