本發(fā)明屬于煙草庫存管理
技術(shù)領(lǐng)域：
，具體涉及一種基于組合灰色模型預(yù)測管理復烤煙葉原料需求的方法。
背景技術(shù)：
：復烤煙葉庫存管理具有區(qū)別于其它半成品庫存管理的特殊性。首先，其需要陳化一段時間才能用于生產(chǎn)。煙葉經(jīng)采摘、烘干、復烤等工藝加工制成復烤煙，復烤煙葉不能直接用于卷煙生產(chǎn)，要進行自然陳化。經(jīng)過陳化的復烤煙，其風格品質(zhì)會更佳，所生產(chǎn)的卷煙口感更好。其次，不同產(chǎn)地復烤煙葉對于必要倉儲時間要求不一致。此前有學者做過實驗，分別在陳化11、13、18、21、23、30、34、39、44和51個月時取樣，跟蹤鑒定感官質(zhì)量變化。研究發(fā)現(xiàn)，上部煙葉感官質(zhì)量隨陳化時間的增加，表現(xiàn)出先升高后逐漸降低的趨勢。湖南和黑龍江B2F煙葉在陳化23個月時質(zhì)量最好；山東B2F在陳化34個月時質(zhì)量最好；津巴布韋、貴州和河南的樣品在陳化39個月時質(zhì)量最好。大部分樣品在自然陳化21個月后煙葉質(zhì)量變化較大，21～44個月感官質(zhì)量較好且可用性較高。51個月后，煙葉感官質(zhì)量除黑龍江低于初始樣品外，其它幾個產(chǎn)區(qū)樣品均高于其各自初始樣品。最后，復烤煙葉入庫量需要通過調(diào)節(jié)初煙供給實現(xiàn)。復烤煙葉是卷煙生產(chǎn)的重要加工材料，但它屬于中間產(chǎn)品，處于整個生產(chǎn)工藝流程的中游。它由烘干后的初煙經(jīng)過打葉復烤工藝形成，其供給過程并非一個獨立的過程，與初煙的供給密切相關(guān)。因此，保證復烤煙葉原料庫存的供需平衡需從人為調(diào)控的角度出發(fā)，根據(jù)成品產(chǎn)量、配置方案和時間錯配聯(lián)系制定出初煙的需求以及比例結(jié)構(gòu)，在解決庫存供需端口時間錯配難題和滿足未來生產(chǎn)的同時實現(xiàn)當期庫存成本最低的管理目標。目前，就國內(nèi)關(guān)于復烤煙葉原料的預(yù)測管理技術(shù)而言，該領(lǐng)域內(nèi)技術(shù)成果幾乎空白。既沒有精準通用的復烤煙葉需求量預(yù)測方法，也缺乏關(guān)于復烤煙葉庫存時間錯配管理的技術(shù)手段。學術(shù)領(lǐng)域常規(guī)的預(yù)測方法主要以時間序列分析和回歸為主。而時間序列隨機分析存在一些缺陷：首先，分析前提在于數(shù)據(jù)經(jīng)過有限次差分變換能夠變?yōu)槿跗椒€(wěn)序列。由于差分變換造成了數(shù)據(jù)損失，因此數(shù)據(jù)信息難以得到充分運用。其次，時間序列分析對數(shù)據(jù)量要求較大；數(shù)據(jù)量過小往往導致參數(shù)估計偏差大，預(yù)測結(jié)果準確度差。煙草行業(yè)的數(shù)據(jù)統(tǒng)計工作是以年度進行的，所以數(shù)據(jù)量難以滿足要求。再次，異常值對預(yù)測模型的干擾較大。煙草行業(yè)受政策影響較大，政策因素導致的極端值會使預(yù)測模型不穩(wěn)健、預(yù)測值誤差大、預(yù)測精度差。此外，時間序列的趨勢提取方法則直接將時間作為變量進行分析，這種通過事物隨時間變化的趨勢提取來進行預(yù)測的方法的缺陷在于，不考慮外界因素的影響、忽略外界沖擊，將事態(tài)變化認為是隨時間變化穩(wěn)定進行，因此該方法預(yù)測可能存在較大誤差?；貧w分析側(cè)重于凸顯變量與變量間的數(shù)量因果關(guān)系，用于預(yù)測也存在一些不足：一方面，對數(shù)據(jù)要求嚴格，預(yù)測模型假定頗多。另一方面，模型穩(wěn)健性極易受極端數(shù)據(jù)影響。此外，協(xié)變量的選擇也是個難題。就煙草行業(yè)而言，一方面，煙葉產(chǎn)品市場需求受諸多因素影響，如經(jīng)濟環(huán)境、政策導向等因素；另一方面，煙草產(chǎn)品供給決定了對原料的需求。由于復烤煙葉原料需求受經(jīng)濟環(huán)境、政策導向及其他暫無法明確的各種因素的制約。因此，回歸模型難以全面識別影響復烤煙葉原料需求的導向因素。加之，回歸分析的基礎(chǔ)假定過于苛刻，因此該方法的預(yù)期精度難以達到預(yù)期效果。對于這種部分信息已知，部分信息未知，且容量較少的時間序列數(shù)據(jù)，灰色系統(tǒng)分析的灰色模型GM(GrayModel)比經(jīng)典時間序列隨機分析和回歸分析更有優(yōu)勢。所謂灰色系統(tǒng)，是介于白色系統(tǒng)和黑箱系統(tǒng)之間的過渡系統(tǒng)，其具體的含義體現(xiàn)為：如果某一系統(tǒng)的全部信息已知則定義為白色系統(tǒng)，全部信息未知則界定為黑箱系統(tǒng)；部分信息已知，部分信息未知，那么這一系統(tǒng)就是灰色系統(tǒng)。一般地說，社會系統(tǒng)、經(jīng)濟系統(tǒng)、生態(tài)系統(tǒng)都是灰色系統(tǒng)。灰色模型有樣本數(shù)據(jù)需求量較小，不需要樣本數(shù)據(jù)具有特殊分布的特征，定量分析能與定性分析保持一致性的優(yōu)點。因此，對于煙草行業(yè)庫存管理這一“灰色領(lǐng)域”，該方法能起到行之有效的作用?？紤]到單個模型存在系統(tǒng)風險、操作誤差以及模型適應(yīng)性和泛化能力差的缺陷，分別從三個角度建立三種不同的灰色模型，再經(jīng)過權(quán)重調(diào)節(jié)以弱化系統(tǒng)風險和偶然誤差的影響，強化模型的適應(yīng)性與泛化能力。技術(shù)實現(xiàn)要素：本發(fā)明目的是為了解決現(xiàn)有技術(shù)的不足，填補原料煙草庫存管理的短板，在整個原料資源調(diào)控的過程中，制定科學合理的庫存管理方案，保證庫存的供需動態(tài)平衡，而提供一種基于組合灰色模型預(yù)測管理復烤煙葉原料需求的方法，該方法從復烤煙葉的入庫量入手，根據(jù)模型測算出最優(yōu)入庫量，從端口控制庫存原料動態(tài)平衡，以達到優(yōu)化庫存成本，提升生產(chǎn)經(jīng)營效益的目的。為實現(xiàn)上述目的，本發(fā)明采用的技術(shù)方案如下：一種基于組合灰色模型預(yù)測管理復烤煙葉原料需求的方法，包括如下步驟：步驟一，基礎(chǔ)模型的建立：收集與整理某一牌號卷煙產(chǎn)品的歷史產(chǎn)量，依據(jù)該產(chǎn)品的歷史產(chǎn)量，分別建立該產(chǎn)品歷史產(chǎn)量的三個基礎(chǔ)模型：GM(1,1)模型、灰色Verhulst模型和SCGM(1,1)c模型；a.GM(1,1)模型為：式(7)中，為第k+1期的預(yù)測值；為GM(1,1)模型參數(shù)估計值；b.灰色Verhulst模型為：式(13)中，為第k+1期的預(yù)測值；為灰色Verhulst模型參數(shù)估計值；c.SCGM(1,1)c模型為：式(23)中，為第k+1期的預(yù)測值；a,b為SCGM(1,1)c模型參數(shù)；步驟二，模型組合和權(quán)重計算：將步驟一所得的GM(1,1)模型作為第一模型，將步驟一所得的灰色Verhulst模型作為第二模型，將步驟一所得的SCGM(1,1)c模型作為第三模型，然后計算三個模型所占的權(quán)重，之后將三個模型進行組合，得到組合灰色模型，如式(24)所示：其中，表示組合灰色模型的預(yù)測值，wi為第i個模型的權(quán)重，表示第i個模型第k期的預(yù)測值；該組合灰色模型即為本發(fā)明的預(yù)測模型；步驟三，產(chǎn)量及原料必要庫存量的預(yù)測：根據(jù)步驟二得到的組合灰色模型，計算該產(chǎn)品之后各年份的預(yù)測產(chǎn)量，并根據(jù)該產(chǎn)品的配方，計算需要制成該產(chǎn)品各原料的用量；之后根據(jù)各原料所需的最優(yōu)陳化時間，得到每一年所需儲備的原料量。進一步，優(yōu)選的是，步驟一中，GM(1,1)模型的構(gòu)建方法如下：假設(shè)某一產(chǎn)品的n年歷史產(chǎn)量序列為時間序列數(shù)據(jù)X(0)，其樣本觀測長度為n：X(0)＝(x(0)(1)，x(0)(2)，…x(0)(n))，x(0)(k)≥0式(1)；式(1)中，x(0)(k)表示時間觀測序列的第k年觀測值；將原始序列累加取得生成序列X(1),則有：X(1)＝(x(1)(1),x(1)(2)…,x(1)(k),…x(1)(n))，k＝1,2…n式(2)；式(2)中，序列X(1)的連續(xù)時間t響應(yīng)白化微分方程為：從而得到上述微分方程的通解為：a,b為模型參數(shù)；該通解即為X(1)的時間響應(yīng)預(yù)測方程；采用時間離散化差分替換微分為后，還原得到原始數(shù)據(jù)列的離散預(yù)測方程通解：設(shè)Z(1)為X(1)的緊鄰均值生成序列，則有Z(1)＝(z(1)(1)，z(1)(2)，…，z(1)(n))式(5)；式(5)中，z(1)(k)＝0.5(x(1)(k)+x(1)(k-1))；設(shè)參數(shù)向量β＝(a,b)T，同時令：結(jié)合白化微分方程建立離散白化方程x(0)(k)+ax(1)(k)＝b并建立回歸方程組：Y＝Bβ+ε，其中，ε為隨機擾動項；利用最小二乘法可得其中，為β的最小二乘估計值，分別為參數(shù)a,b的最小二乘估計值；將其帶入式(4)，得到原始數(shù)據(jù)序列的預(yù)測方程：其中，為第k+1期的預(yù)測值，分別為參數(shù)a,b的估計值。進一步，優(yōu)選的是，步驟一中，灰色Verhulst模型的構(gòu)建方法如下：假設(shè)某一牌號卷煙產(chǎn)品的產(chǎn)量原始數(shù)據(jù)序列為：X(0)＝(x(0)(1)，x(0)(2)，…x(0)(n))，x(0)(k)≥0式(8)；將原始序列生成IAGO序列X(1)：X(1)＝(x(1)(2),x(1)(3)…,x(1)(k),…x(1)(n))式(9)；式(9)中，x(1)(k)＝x(0)(k)-x(0)(k-1),k＝2,3…n；將X(0)作緊鄰均值生成序列g(shù)(1)(k)，g(1)(k)＝(x(0)(k)+x(0)(k+1))/2,k＝2,3,4…n；由此可以得到灰色Verhulst模型離散化方程：x(0)(k)+ag(1)(k)＝b[g(1)(k)]2式(10)；其中，a,b為模型參數(shù)；式(10)為時間離散化Verhulst模型，式(11)為Verhulst模型的時間響應(yīng)連續(xù)白化方程；根據(jù)(11)式可得X(0)序列離散化通解：令β＝(a,b)T為參數(shù)向量，Y＝(x(1)(2),x(1)(3)…x(1)(k)…x(1)(n))，建立回歸方程組：Y＝Zβ+ε，其中ε為隨機誤差項；利用最小二乘法，求得參數(shù)估計值為β的最小二乘估計值，分別為參數(shù)a,b的最小二乘估計值；將結(jié)果代入式(12)中，得到原始數(shù)據(jù)序列的預(yù)測方程：式(13)中，為第k+1期的預(yù)測值，分別為參數(shù)a,b的估計值。進一步，優(yōu)選的是，步驟一中，SCGM(1,1)c模型的構(gòu)建方法如下：假設(shè)某一牌號卷煙產(chǎn)品的產(chǎn)量原始數(shù)據(jù)序列為：X(0)＝(X(0)(1),X(0)(2)…X(0)(k)…X(0)(n))式(14)；對X(0)進行積分變換得到序列如式(15)：式(15)的變換過程見(16)-式(17)；設(shè)原始數(shù)據(jù)序列的積分生成序列與非齊次指數(shù)Fr(k)＝ωeη(k-1)-ρ離散函數(shù)滿足趨勢關(guān)聯(lián)，則SCGM(1,1)c模型為：一次響應(yīng)函數(shù)為：其中：其中，還原得到原始數(shù)據(jù)序列的預(yù)測方程：式(23)中，為第k+1期的預(yù)測值；a,b為SCGM(1,1)c模型參數(shù)。進一步，優(yōu)選的是，步驟二中，權(quán)重的計算方法如下：Si＝1-δi式(29)；其中，ei(k)、Ai(k)、Ei、δi均為中間量，x(k)為第k年卷煙產(chǎn)量實際值，表示第i個模型第k期的預(yù)測值；Si為第i種模型預(yù)測的有效測度。進一步，優(yōu)選的是，步驟三中，根據(jù)步驟二得到的組合灰色模型，計算該產(chǎn)品之后3-6年的預(yù)測產(chǎn)量。本發(fā)明的基本思路是運用灰色系統(tǒng)理論，分別建立GM(1，1)模型、灰色Verhulst模型和SCGM(1,1)c模型，結(jié)合某中煙公司煙草產(chǎn)品量歷史數(shù)據(jù)，對未來煙草制成品產(chǎn)量進行預(yù)測，根據(jù)制成品、復烤煙葉和初煙供給三者間的關(guān)系，分別對初步需求量進行預(yù)測，再經(jīng)過擬合效度來構(gòu)造權(quán)重以計算加權(quán)三種模型預(yù)測值得到最終初煙需求量預(yù)測值。最后，經(jīng)由時間錯配關(guān)系調(diào)整初煙需求量的具體構(gòu)成。理論方法：(1)GM(1,1)GM(1,1)模型是灰色系統(tǒng)理論中最具有代表性、應(yīng)用最廣泛的預(yù)測模型。假設(shè)需要研究對象為以時間序列數(shù)據(jù)X(0)，其樣本觀測長度為n：X(0)＝(x(0)(1)，x(0)(2)，…x(0)(n))，x(0)(k)≥0式(1)；x(0)(k)表示時間觀測序列的第k個觀測值。將原始序列累加取得生成序列X(1),則有X(1)＝(x(1)(1),x(1)(2)…,x(1)(k),…x(1)(n))，k＝1,2…n式(2)；其中，序列X(1)的連續(xù)時間t響應(yīng)白化微分方程為：因此，上述微分方程的通解為：a,b為模型參數(shù)；該通解即為X(1)的時間響應(yīng)預(yù)測方程。鑒于預(yù)測方程是基于連續(xù)時間對數(shù)據(jù)列累加構(gòu)建而成，因此時間離散化差分替換微分為后還原得到原始數(shù)據(jù)列的離散預(yù)測方程：得到通解，理論模型構(gòu)建基本完畢。但是通解在實際運用中沒有使用價值，只有根據(jù)不同背景確定特解才有實際意義。因此，根據(jù)數(shù)據(jù)確定通解中參數(shù)a,b的值，即可得到特解，也就是我們所需要的預(yù)測方程。設(shè)Z(1)為X(1)的緊鄰均值生成序列，則有Z(1)＝(z(1)(1)，z(1)(2)，…，z(1)(n))式(5)；其中，z(1)(k)＝0.5(x(1)(k)+x(1)(k-1))。設(shè)參數(shù)向量β＝(a,b)T，不妨令結(jié)合白化微分方程可建立離散白化方程，建立回歸方程組：Y＝Bβ+ε，其中,ε為隨機擾動項；利用最小二乘法可得其中，為β的最小二乘估計值；將其帶入原始序列預(yù)測方程通解式(4)，得到原始數(shù)據(jù)列的預(yù)測方程：其中，為第k+1期的預(yù)測值，分別為參數(shù)a,b的估計值。(2)灰色Verhulst模型德國生物學家費爾哈斯于1837年提出Verhulst模型，是一種常被用以描述具有飽和狀態(tài)的S形過程的生物生長模型?，F(xiàn)階段已被用于人口數(shù)量動態(tài)分析、零部件生命周期預(yù)測、繁殖研究等。相較傳統(tǒng)的Verhulst模型，灰色Verhulst模型避免了傳統(tǒng)的Verhulst模型建模的大樣本要求，在小樣本研究上具有特定的優(yōu)勢。假設(shè)某一產(chǎn)品的產(chǎn)量原始數(shù)據(jù)序列為：X(0)＝(x(0)(1)，x(0)(2)，…x(0)(n))，x(0)(k)≥0式(8)；將原始序列生成IAGO序列X(1)：X(1)＝(x(1)(2),x(1)(3)…,x(1)(k),…x(1)(n))式(9)；式(9)中，x(1)(k)＝x(0)(k)-x(0)(k-1),k＝2,3…n；將X(0)作緊鄰均值生成序列g(shù)(1)(k)，g(1)(k)＝(x(0)(k)+x(0)(k+1))/2,k＝2,3,4…n；由此可以得到灰色Verhulst模型離散化方程：x(0)(k)+ag(1)(k)＝b[g(1)(k)]2式(10)；其中，a,b為模型參數(shù)。稱式(10)為時間離散化Verhulst模型，式(11)為Verhulst模型的時間響應(yīng)連續(xù)白化方程。結(jié)合上述微分方程方程以及序列逆向還原，即可得X(0)序列通解(理論預(yù)測方程)：根據(jù)實際數(shù)據(jù)，結(jié)合Verhulst模型和最小二乘法可以確定預(yù)測方程中參數(shù)β＝(a，b)T的估計值。令Y＝(x(1)(2),x(1)(3)…x(1)(k)…x(1)(n))，建立回歸方程組：Y＝Zβ+ε，其中ε為隨機誤差項；利用最小二乘法，求得參數(shù)估計值為β的最小二乘估計值；帶入到預(yù)測方程中式(12)中。由此可得Verhulst模型時間響應(yīng)序列預(yù)測方程：式(13)中，為第k+1期的預(yù)測值，分別為參數(shù)a,b的估計值。(3)SCGM(1,1)c模型單因子系統(tǒng)云SCGM(1,h)c模型是對于對GM(1,1)模型進行拓展，由以積分變換及趨勢關(guān)聯(lián)分析的系統(tǒng)云為背景的SCGM(1,h)模型演化而來。當h＝1時，即為SCGM(1,1)c模型。SCGM(1,1)c模型可對時間序列數(shù)據(jù)進行深入分析，并根據(jù)內(nèi)部有價值信息總結(jié)其內(nèi)在規(guī)律。因此，該模型的特點為理論基礎(chǔ)扎實、所需信息量少、操作易行、精度高。假設(shè)需要研究樣本原始數(shù)據(jù)序列為：X(0)＝(X(0)(1),X(0)(2)…X(0)(k)…X(0)(n))式(14)；對X(0)進行積分變換得到序列如式(15)。式(15)滿足下述條件式(16)-式(17)。設(shè)研究樣本原始數(shù)據(jù)序列的積分生成序列與非齊次指數(shù)Fr(k)＝ωeη(k-1)-ρ離散函數(shù)滿足趨勢關(guān)聯(lián)，則SCGM(1,1)c模型為：其(18)的離散差分的一次響應(yīng)函數(shù)為：其中：其中，還原得到原始數(shù)據(jù)的SCGM(1,1)c預(yù)測值為式(23)。式(23)中，為第k+1期的預(yù)測值；a,b為SCGM(1,1)c模型參數(shù)。(4)組合灰色模型為了進一步提高模型預(yù)測的精度，結(jié)合各單一預(yù)測模型的優(yōu)點及有效信息，基于GM(1,1)模型，灰色Verhulst模型，SCGM(1,1)c模型建立了灰色預(yù)測模型。構(gòu)建思路如下：其中，為第i個模型的第k期擬合(預(yù)測)產(chǎn)量；表示組合灰色預(yù)模型第k期的擬合(預(yù)測)產(chǎn)量，即GM(1,1)模型，灰色Verhulst模型，SCGM(1,1)c模型的加權(quán)平均值。在組合灰色預(yù)測模型中，權(quán)重w采用預(yù)測有效度進行測定，計算方法如下所示：Si＝1-δi式(29)；其中,ei(k)，Ai(k)，Ei，δi均為中間量，x(k)為第k年卷煙產(chǎn)量實際值；表示第i個模型第k期的預(yù)測值；Si為第i種預(yù)測方法預(yù)測的有效測度。如果，第i中方法預(yù)測值與實際值偏離越小，則該方法相對有效，則可以賦予該方法較大的權(quán)重。根據(jù)軟件生產(chǎn)的灰色時間序列函數(shù)，我們可以利用函數(shù)計算過去產(chǎn)量的預(yù)測值，并與煙草公司提供的實際值形成對比。(5)誤差分析任何模型的預(yù)測都存在一定的誤差，這是不可避免的。為了更好的分析模型預(yù)測的實際效果，我們有必要對預(yù)測的結(jié)果進行誤差分析，以便較好的把握預(yù)測結(jié)果，能夠?qū)嶋H測評的數(shù)據(jù)有一個更加客觀的評價。本申請采用相對誤差法進行評價，即消除研究基數(shù)的影響，讓觀測值統(tǒng)一在相同的數(shù)量級上。第i個子模型第k期產(chǎn)量預(yù)測相對誤差：第i個子模型的平均相對誤差：利用公式計算后，可以列表對比幾種測算方法的精度，進而把握三種灰色子模型以及組合灰色模型的平均情況。實施步驟整個方法包含三大步驟：基礎(chǔ)模型的建立、模型組合和權(quán)重計算和產(chǎn)量及原料必要庫存量的預(yù)測。步驟一：基礎(chǔ)模型的建立。收集與整理歷史產(chǎn)量數(shù)，分別建立GM(1,1)灰色Verhulst模型和SCGM(1,1)c。該步驟分為以下幾步：根據(jù)數(shù)據(jù)分別構(gòu)建三個GM(1,1)、灰色Verhulst模型和SCGM(1,1)c基礎(chǔ)模型的理論結(jié)構(gòu)。確定各自模型參數(shù)。分別結(jié)合白化方程和最小二乘法以估計模型中的參數(shù)。將所估計參數(shù)回帶入白化微分方程，以計算三個灰色子模型的預(yù)測值。步驟二:模型組合和權(quán)重計算。該步驟操作步驟分以下幾步：①權(quán)重確定。計算組合模型預(yù)測值。分別由三個擬合模型計算每個模型的有效度，根據(jù)有效度以構(gòu)造權(quán)重，進行混合模型預(yù)測。尤其值得注意的是，由于三個模型非別適應(yīng)不同的增長模式，對于不同的卷煙品種，并非3個子模型都能很好的擬合產(chǎn)量序列。如果機械的將子模型組合，不僅不能減小誤差，還可能放大系統(tǒng)誤差，因此權(quán)重設(shè)定需要根據(jù)實際情況。②根據(jù)權(quán)重構(gòu)建組合灰色模型，并進行組合預(yù)測。步驟三：產(chǎn)量及原料必要庫存量的預(yù)測。利用產(chǎn)量與原料間的比值關(guān)系估算復烤煙葉庫存消耗。根據(jù)時間關(guān)系推導當期各類復烤煙葉必要庫存，以預(yù)期復烤煙葉原料構(gòu)成。此外，還可以進行了誤差分析：對于四個模型的擬合殘差進行比對分析，以體現(xiàn)組合預(yù)測模型具有更高精度的優(yōu)點，也體現(xiàn)出該方法建模的正確性與科學性。本發(fā)明與現(xiàn)有技術(shù)相比，其有益效果為：(1)本發(fā)明方法簡單明確、易于操作，無需增加設(shè)備，也不改變現(xiàn)有的生產(chǎn)、管理模式，能有效指導調(diào)節(jié)原料采購比重，保障庫存原料供需動態(tài)平衡。(2)本發(fā)明方法采用組合模型，減小由單一模型造成的系統(tǒng)誤差，提高預(yù)測精度。為生產(chǎn)者提供科學、有效的生產(chǎn)經(jīng)營決策。(3)本發(fā)明方法不僅能進行單一牌號預(yù)測，還可用于總量預(yù)測。總量預(yù)測基于兩種思路，一種是將所有單一牌號卷煙運用上述方法進行預(yù)測匯總；另外一種方式是直接將年度總產(chǎn)值運用上述方法匯總。(4)由于某中煙公司目前為止沒有統(tǒng)一的產(chǎn)量預(yù)測模型和方法，大多數(shù)情況是將當期產(chǎn)量做為預(yù)期產(chǎn)量。這種運用在實踐存在很大的不足。如企業(yè)處于擴張階段或者戰(zhàn)略轉(zhuǎn)移階段，該方法就會存在很大的誤差。而本發(fā)明組合模型則在充分考慮歷史產(chǎn)量間的特征，不局限于當期產(chǎn)量，還考慮到過去產(chǎn)量，其精度更高。高精度意味誤差小，有助于倉儲量的估計、減少浪費、優(yōu)化倉儲成本、提高生產(chǎn)效益和經(jīng)濟利潤。實際結(jié)果表明，組合灰色模型的平均保障率整體上提高了約3.76％。附圖說明圖1為5種模型預(yù)測產(chǎn)量圖。具體實施方式下面結(jié)合實施例對本發(fā)明作進一步的詳細描述。本領(lǐng)域技術(shù)人員將會理解，下列實施例僅用于說明本發(fā)明，而不應(yīng)視為限定本發(fā)明的范圍。實施例中未注明具體技術(shù)或條件者，按照本領(lǐng)域內(nèi)的文獻所描述的技術(shù)或條件或者按照產(chǎn)品說明書進行。所用材料未注明生產(chǎn)廠商者，均為可以通過購買獲得的常規(guī)產(chǎn)品。本案例數(shù)據(jù)來源于某中煙公司生產(chǎn)計劃表，以煙草A產(chǎn)品為例，運用本發(fā)明方法對A煙草原料需求進行預(yù)測。表1中給出卷煙A產(chǎn)量歷史時間序列數(shù)據(jù)，由于涉及到數(shù)據(jù)保密性，本實證數(shù)據(jù)是在原始產(chǎn)量數(shù)據(jù)的基礎(chǔ)上，進行變換處理。我們用01年-13年的數(shù)據(jù)用以模型構(gòu)造，14-16三年的數(shù)據(jù)用以驗證模型。其中，設(shè)2001年時，k為1；2002年，k為2，以此類推。表12001-2015年卷煙A產(chǎn)量年份2001年2002年2003年2004年2005年2006年2007年2008年產(chǎn)量(萬擔)10.4010.5610.9611.5012.3613.3414.5514.39年份2009年2010年2011年2012年2013年2014年2015年2016年產(chǎn)量(萬擔)14.9615.9517.0118.1818.2219.1020.0020.80①建立三個基礎(chǔ)模型。2001-2013年的數(shù)據(jù)擬合模型如下所示。a.GM(1,1)模型：b.灰色Verhulst模型：c.SCGM(1,1)c模型：用建立好的基準模型分別擬合2001到2013的計劃生產(chǎn)量，如表2所示表2卷煙A產(chǎn)量擬合值②模型組合和權(quán)重計算。將上步所得的GM(1,1)模型作為第一模型，即i＝1；將上步所得的灰色Verhulst模型作為第二模型，即i＝2；將上步所得的SCGM(1,1)c模型作為第三模型，即i＝3；之后利用實際值以及三個模型擬合函數(shù)給出的預(yù)測值，可以計算各個模型的有效測度。根據(jù)上表2，S1、S2、S3有效都分別為：0.986，0.983，0.972。根據(jù)效度可以依次獲得三個模型的權(quán)重：根據(jù)權(quán)重，將三個基礎(chǔ)模型預(yù)測值加權(quán)平均即可得到組合模型預(yù)測值，其組合模型如下所示式，預(yù)測結(jié)果如下表2所示。為了對模型進行比較驗證，我們在引入時間序列趨勢分析方法進行對比(由于該產(chǎn)量時間序列差分二次后仍然不平穩(wěn)，差分三次后平穩(wěn)，但是原序列差分三次后構(gòu)建的ARIMA模型已經(jīng)沒有太大意義，因此考慮使用趨勢提取的方法來做。此外，回歸是建立在幾個指標檢的因果關(guān)系之上，而且預(yù)測外推也是建立在解釋變量已知的基礎(chǔ)之上，比如要預(yù)測2017年產(chǎn)量，就需要知道2017年的庫存、行業(yè)景氣指數(shù)等等，但是這些數(shù)據(jù)在2017年年底之前是不可能知道的。因此，回歸方法極大程度上是不可行的)。由于原始序列近似于指數(shù)增張，故其增長趨勢表現(xiàn)為指數(shù)函數(shù)趨勢，所以采用時間序列趨勢分析方法計算得到的趨勢分析模型：k＝1,2,3,4….記時間起點為2000，2001-2013年的時間變量分別記為k＝1,2,…，13。趨勢分析模型與GM(1,1)模型比較接近，在圖1中，二者基本重合。諸模型預(yù)測效果如表3所示。表3注：實測值和預(yù)測值的單位均為萬擔。③誤差分析與模型驗證。利用函數(shù)擬合的結(jié)果和真實值對比，可以得到分析誤差。此處采用相對誤差，比較結(jié)果可以更為直觀的反應(yīng)模型預(yù)測值與實際值之間的波動情況。從表3可以看出，GM(1,1)、灰色Verhulst、SCGM(1,1)c,組合灰色模型和趨勢分析的平均相對誤差分別為0.0171、0.0266、0.0416、0.0167、0.020，其中，平均相對誤差精度最小的是組合灰色模型，表明其擬合精度高于其他模型，其有助于提高擬合效果。根據(jù)各模型的擬合效果，我們用2014—2016年的數(shù)據(jù)進行驗證，以表明其模型的泛化能力和正確性。2014-2016年的產(chǎn)量預(yù)測如表4所示。表4注：實測值和預(yù)測值的單位均為萬擔。2014～2016年的預(yù)測結(jié)果與真實結(jié)果比對表明，組合灰色模型預(yù)測誤差的確小于三個子模型和趨勢分析法。從歷史數(shù)據(jù)擬合好壞以及預(yù)測誤差結(jié)果分析可得出組合灰色模型在擬合過程中存在優(yōu)勢，其擬合精度和泛化能力相比其他模型更強。相較基礎(chǔ)模型，在精度上有了提高，相對風險平均值評價模式是基于總體角度出發(fā)，然而預(yù)測目標則側(cè)重于單期值，單一模型單期預(yù)測的系統(tǒng)誤差和隨機波動難以控制。比較單一模型，組合模型則對沖了單一模型誤差波動，分散了系統(tǒng)風險，其泛化能力更強。根據(jù)預(yù)測精度相近時選取泛化能力強的模型的原則，我們選取組合模型進行預(yù)測。④產(chǎn)量及原料必要庫存量的預(yù)測。考慮到要預(yù)測2017～2022年的數(shù)據(jù)，若采取上述組合模型預(yù)測，其預(yù)測步長太長，因此將建模數(shù)據(jù)更新到2016年。根據(jù)2001～2016年的數(shù)據(jù)更新模型，使用最優(yōu)模型進行預(yù)測，其結(jié)果更加精準，也更有實效性。更新后的模型為：a.更新后趨勢分析模型b.更新后的組合灰色模型：其中，GM(1,1)模型：灰色Verhulst模型：cSCGM(1,1)c模型：采用更新后的模型對2017～2022年的產(chǎn)量進行預(yù)測，結(jié)果如表5所示。表52017～2020預(yù)測結(jié)果注：實測值和預(yù)測值的單位均為萬擔。由于某中煙以前沒有相應(yīng)的原料需求預(yù)測模型，往往憑借生產(chǎn)經(jīng)驗來確定未來年原料需求量，即上一年的實際需求量為下一年度的原料儲備需求量預(yù)測值。利用預(yù)測值與實際值之比即可測算該方法保障率，實際結(jié)果如下表6所示。表6原料保障率結(jié)果可以看出，歷史檢驗預(yù)測平均原料保障率為95.52％，而組合灰色模型的平均保障率約為99.28％，整體上提高了約3.76％。根據(jù)一擔煙葉生產(chǎn)一箱卷煙的比例關(guān)系，可以很容易獲得生產(chǎn)卷煙A所需要獲取的原料總量。然后根據(jù)用料成分配方，分別計算來自三個地區(qū)的復烤煙葉原料用量M1、M2、M3，配比分別為0.2、0.3和0.5。因此可以初步測算出2016—2021年生產(chǎn)煙草A需要三個產(chǎn)地的復烤煙葉原料的量，如下表7所示。表72016～2021年煙草A原料用量(萬擔)年份產(chǎn)量預(yù)測M1M2M3201721.6704.3346.50110.835201822.6524.53046.795611.326201923.6714.73427.101311.8355202024.7284.94567.418412.364202125.8245.16487.747212.912202226.9625.39248.088613.481由于各組分需要陳化一定的時間后才能用于生產(chǎn)，參照某中煙公司提供的配方資料，3種原料組分的最優(yōu)陳化時間分別為12、24、36個月(由于煙草陳化是時間是按月份計算，生產(chǎn)周期一般按年計算，本案例中為了方便計算和描述，故假定其最佳陳化周期為12的整數(shù)倍。實際中可根據(jù)實際生產(chǎn)需要調(diào)節(jié)。)。由于陳化期的存在，本期復烤煙葉不能直接用于香煙的生產(chǎn)，因此需要進行時間滯后處理，后期生產(chǎn)所用原料必要庫存量根據(jù)最優(yōu)陳化時間而提前儲備。煙草A的原料儲備如下表8所示：表8時間錯配下的煙草必要庫存(萬擔)年份M1M2M320174.53047.101312.36420184.73427.418412.91220194.94567.747213.48120205.16488.088620215.39242022表8中，2017年和M1對應(yīng)的數(shù)值為2018年用料，2017年和M2對應(yīng)的數(shù)值、2018年和M1對應(yīng)的數(shù)值為2019年用料，2017年和M3對應(yīng)的數(shù)值、2018年和M2對應(yīng)的數(shù)值、2019年和M1對應(yīng)的數(shù)值為2020年用料，2018年和M3對應(yīng)的數(shù)值、2019年和M2對應(yīng)的數(shù)值、2020年和M1對應(yīng)的數(shù)值為2021年用料，2019年和M3對應(yīng)的數(shù)值、2020年和M2對應(yīng)的數(shù)值、2021年和M1對應(yīng)的數(shù)值為2022年用料。由于時間錯配，2017年的儲備M1、M2、M3分別是供2018、2019、和2020年使用。因此根據(jù)最優(yōu)庫存時間調(diào)整，可以得出不同年份來自不同地區(qū)原料庫存量。由于預(yù)測步長只到2022年，而2022年的三種原料分別由2021、2010和2019年儲備。表8完整給出了2016、2017和2018年的必要儲備計劃，而要補齊表中2019、2020和2021的缺失數(shù)據(jù)，需要對后續(xù)年份產(chǎn)量進行預(yù)測。因為組合模型短期預(yù)測精度較高，而長期預(yù)測則存在較大風險，所以，建議每年更新數(shù)據(jù)，然后進行3-6年短期預(yù)測。最后，將所有類型的卷煙的來自于不同產(chǎn)地的復烤煙葉原料進行匯總，即可得到來自不同產(chǎn)地的煙葉必要庫存量。結(jié)果表明：相比較單一模型，組合灰色模型在預(yù)測精度上有了提高，同時在一定程度上降低了由單一方法導致的系統(tǒng)風險與偶然誤差，同時原料供應(yīng)保障率提高了3.76個百分點。本發(fā)明方法只需在現(xiàn)有生產(chǎn)、管理基礎(chǔ)上進行，無需增進設(shè)備，也不需改進下游生產(chǎn)、管理流程，可廣泛用于煙草庫存管理
技術(shù)領(lǐng)域：
。綜上，首先，由于產(chǎn)量數(shù)據(jù)二次差分后不平穩(wěn)，三次差分后雖然平穩(wěn)導致ARIMA的誤差較大。其次，回歸預(yù)測方法需要知道未來年解釋變量的數(shù)據(jù)(比如預(yù)測2017年產(chǎn)量，需要知道2017年的庫存、行業(yè)情況、經(jīng)濟指數(shù)等數(shù)據(jù)，但是這些數(shù)據(jù)在2017年年底之前是沒有的。如果這些數(shù)據(jù)要依靠預(yù)測法外推，則會導致誤差被放大)，因此ARIMA和回歸方法受限。實證結(jié)果表明，本發(fā)明構(gòu)建的組合灰色模型精度高于趨勢分析法，相比之下，組合灰色模型擬合效果更優(yōu)。以上顯示和描述了本發(fā)明的基本原理、主要特征和本發(fā)明的優(yōu)點。本行業(yè)的技術(shù)人員應(yīng)該了解，本發(fā)明不受上述實施例的限制，上述實施例和說明書中描述的只是說明本發(fā)明的原理，在不脫離本發(fā)明精神和范圍的前提下，本發(fā)明還會有各種變化和改進，這些變化和改進都落入要求保護的本發(fā)明范圍內(nèi)。本發(fā)明要求保護范圍由所附的權(quán)利要求書及其等效物界定。附錄：具體計算過程附錄一：2001年-2013年數(shù)據(jù)模型原始數(shù)據(jù)：表9年份2001年2002年2003年2004年2005年2006年2007年2008年產(chǎn)量(萬擔)10.4010.5610.9611.5012.3613.3414.5514.39年份2009年2010年2011年2012年2013年產(chǎn)量(萬擔)14.9615.9517.0118.1818.221、GM(1,1)模型：表10故Y＝(10.56，10.97，11.50，12.36，13.34，14.55，14.37，14.96，15.95，17.01，18.17，18.22)T，參數(shù)故GM(1，1)模型為：2、灰色Verhulst模型表11故灰色Verhulst模型為：3、SCGM(1,1)c模型表12故a＝0.04993147；b＝194.8901；4、趨勢分析模型表13k(次序)年份X(0)1200110.42200210.563200310.974200411.55200512.366200613.347200714.558200814.379200914.9610201015.9511201117.0112201218.1713201318.22故設(shè)長期趨勢函數(shù)為：ln(x)＝lnα+βk，則x＝αeβk，令x＝X(0)，用最小二乘法求參數(shù)(ln(α)，β)T近似解由此，可得出x(k)＝9.642506e0.050933k。附錄二2001-2016年數(shù)據(jù)原始數(shù)據(jù)：表14年份2001年2002年2003年2004年2005年2006年2007年2008年產(chǎn)量(萬擔)10.4010.5610.9611.5012.3613.3414.5514.39年份2009年2010年2011年2012年2013年2014年2015年2016年產(chǎn)量(萬擔)14.9615.9517.0118.1818.2219.1020.0020.801、GM(1,1)模型：表15故，參數(shù)故GM(1,1)模型為：2、灰色Verhulst模型：表16Y＝(0.16，0.41，0.53，0.86，0.98，1.21，-0.18，0.59，0.99，1.06，1.16，0.05)T故灰色Verhulst模型為：3、SCGM(1,1)c模型表17故a＝-0.04610138；b＝218.0045；4、趨勢分析模型表18k(次序)年份X(0)1200110.42200210.563200310.974200411.55200512.366200613.347200714.558200814.379200914.9610201015.9511201117.0112201218.1713201318.2214201419.1015201520.0016201620.80故設(shè)長期趨勢函數(shù)為：ln(x)＝lnα+βkx＝αeβk，令x＝X(0)，利用最小二乘法求近似解：由此，可得出當前第1頁1 2 3