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
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 |
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))
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 |