论文部分内容阅读
层次时间序列数据是在时间序列的基础上,多个时间序列以产品、地区或其他属性为组聚集在不同层次,形成层次结构的数据形式。在企业中,销售数据多以时间顺序排列形成时间序列数据,且由于企业通常存在多个决策者与决策部门,需要不同层面的销售预测来支持决策,因而产生多层次时间序列销售预测需求。目前,企业大多使用历史销售占比来获取多层次预测结果,该方法效果较差。此外,根据文献研究发现,国内对于时间序列预测研究成果较为丰富,却鲜有对层次时间序列预测的研究。国外学者虽已开始研究层次时间序列预测问题,但多数是基于仿真数据。随着大数据时代的发展,线上销售使得销售数据累积并达到一定规模,数据量的丰富为多层次时间序列预测研究提供可能。 基于此,本文由数据驱动,通过真实服装电商企业六年的线上销售数据,对层次时间序列预测问题开展研究。主要针对多层次时间序列预测结果之间的不协调现象建立预测协调模型,建立了基于最小二乘及底层预测值比例的层次时间序列预测协调模型。模型采用ARIMA模型对单层次时间序列预测的最优预测结果,利用最小二乘思想,引入底层预测值比例作为权重,对不同提前期下,两层时间序列的预测值进行协调。并通过实证分析,从各维度与由上至下,由下至上预测协调模型的效果进行比较,证明该模型的有效性。 首先,对本文基于的服装电商时间序列数据进行分析及处理。通过对数据的特点分析及自相关分析,定义并处理其异常值,为ARIMA预测模型的建立提供良好的数据基础。同时,针对线上数据量大的情况对预测所需训练数据量及提前期进行探究。 其次,基于上述数据,分别对单层时间序列数据,即第一层总销售额及第二层各品类销售数据进行预测建模。选用ARIMA预测模型,通过参数调整,对各层次销售数据进行不同提前期及不同训练数据量下的预测模型的建立。旨在输出滚动变化的ARIMA预测模型,并为企业对不同服装品类预测时所需的预测数据量提供建议。 再次,结合上述两个层次时间序列预测结果,针对层次时间序列预测值之间的不协调,即第二层品类预测值加和不等于总销售额预测值的情况,进行预测协调建模,建立两个层次时间序列间的预测结果协调模型。模型同时考虑两层次预测值的统一以及预测值与协调后预测值间相对差异的最小化。同时,通过实证研究,将此模型与已被研究采用过的由上至下及由下至上预测协调模型进行比较,其中由上至下使用本文的基于底层预测值的比例与传统的历史销售比例作对比,以平均绝对百分误差为评判标准,并结合多个维度,分析各模型优劣,为企业获取统一协调的多层次预测提供参考。 本文研究层次时间序列数据的预测,重点解决层次时间序列数据预测结果的不协调问题。本文采用的基于最小二乘及底层预测值比例的层次预测协调模型可同时对两个层次时间序列的预测结果进行协调,在模型实证方面,就本文数据而言,表现为季节周期性明显且相似的数据更适用于此模型,而随机性较大且周期性不明显的品类更适用于由上至下模型。综合各提前期的平均表现,尤其是协调后预测值的误差,本文的预测协调模型在各个提前期下对两个层次的预测值协调结果均优于由上至下及由下至上模型,表现较为稳定,因此本模型在统一层次时间序列预测结果的基础上,预测协调效果更好,具有良好的实际应用价值。