Ошибки прогноза и сезонные корреляции

После 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
AFCEполе Средняя ошибка прогноза
sum()сумма всех периодов ретроспективы
FD(t)прогноз спроса для периода t
AD(t)фактический спрос для периода t
nчисло периодов ретроспективы

 

Средняя абсолютная ошибка прогноза
MAD = sum(abs(FD(t) - AD(t))) / n
MADполе 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
nчисло периодов ретроспективы

 

Средняя относительная ошибка прогноза
MRD = sum(100 * abs((FD(t) - AD(t))) / AD(t)) / n
MRD Среднее относительное отклонение
sumсумма всех периодов ретроспективы
FD(t)прогноз спроса для периода t
AD(t)фактический спрос для периода t
nчисло периодов ретроспективы

 

Стандартное отклонение в ошибке прогноза
SDEV = sqr(sum(((FD(t) - AD(t)) - AFCE)^2) / (n - 1))
SDEVполе Стандартное отклонение
sqr()квадратный корень
sum()сумма всех периодов ретроспективы
FD(t)прогноз спроса для периода t
AD(t)фактический спрос для периода t
AFCEсредняя ошибка прогноза
nчисло 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.

На следующей иллюстрации показал случай с длиной сезона, равной одному месяцу.
[...]
AНабор данных 1
BНабор данных 2
1Январь
2Февраль
3Март
4Апрель
5Май
Стандартные отклонения:
SDV1 = sqr(sum(((DM(t) - DM1)^2) / (m - 1)) SDV2 = sqr(sum(((DM(t+L) - DM2)^2) / (m - 1))
SDV1стандартное отклонение для первого набора данных
SDV2стандартное отклонение для второго набора данных
sqr()квадратный корень
sum()сумма всех периодов ретроспективы
DM(t)трендовая корректировка фактического спроса для периода t (*)
DM1трендовая корректировка среднего спроса для первого набора данных (*)
DM2трендовая корректировка среднего спроса для второго набора данных (*)
Lдлина сезона в периодах
mчисло периодов ретроспективы минус сезонная длина в периодах

 

Система LN определяет коэффициент ковариантности для двух наборов данных.

(*) Расчет трендовой корректировки среднего спроса описан в разделе Метод прогнозирования: Полиномиальная регрессия.

COV = sum((DM(t) - DM1) x (DM(t+L) - DM2) / (m - 1))
COVкоэффициент ковариантности
sumсумма всех периодов минус длина сезона в периодах
DM(t)трендовая корректировка фактического спроса для периода t
DM1трендовая корректировка среднего спроса для первого набора данных
DM2трендовая корректировка среднего спроса для второго набора данных
Lдлина сезона в периодах
mчисло периодов ретроспективы минус сезонная длина в периодах

 

Наконец, рассчитывается сезонный коэффициент корреляции по следующей формуле:

COR = COV / (SDV1 x SDV2)
CORполе Коэффициент сезонной корреляции
COVкоэффициент ковариантности
SDV1стандартное отклонение для первого набора данных
SDV2стандартное отклонение для второго набора данных

 

Связанные темы