论文基于ARIMA模型P公司产品需求预测是适合需求预测论文写作的大学硕士及相关本科毕业论文，相关需求预测的步骤是什么开题报告范文和学术职称论文参考文献下载。
摘 要：电子产品市场需求的动态变化给制造企业的生产计划带来了很大的不确定性.以P公司的历史销售订单数据为时间序列,以ARIMA模型为基础,利用EVIEWS分析工具对电子产品的季度需求进行预测.实例结果表明,基于ARIMA建立的需求预测模型具有预测精度高,操作简便等优点.
关键词：历史订单；需求预测；ARIMA模型
中图分类号：F253 文献标识码：A
当生产制造企业无法直接了解市场需求,只能通过配送中心或分销商收集的需求预测来做主生产计划时,对历史订单的研究和分析显得尤为重要.汪传旭[1]的研究发现充分利用历史订单的信息可以减少牛鞭效应、降低供应链成本.钮铁君[2]等以某半导体制造企业的历史订单数据为例,建立ARIMA模型进行半导体产品的需求预测.Anshuman[3]表示低估需求的影响和它的不确定性,会阻碍计划决策的优化和增加公司外在危险.本文的研究目的是依靠历史订单量来预测未来需求的方法和模型.
电子类产品的市场需求大多存在着季节性和周期性的波动,季节需求是指产品的需求量在不同的季节呈现出不同的变化；周期性波动的需求是指产品市场需求量在一段时期内存在着周期性的变化.通过分析P公司的历史销售情况发现,对于以月、季度为单位的时间序列来说它们的分布呈现周期性波动的.
1 ARIMA模型介绍
ARIMA模型又叫自回归移动平均结合模型,用于平稳序列或经过差分之后平稳的时间序列的分析.在认识ARIMA模型之前,首先应该知道ARMA模型,全称为自回归滑动平均模型,它是由自回归模型和移动平均模型为基础“合成”的用于研究时间序列的重要模型.在应用ARMA模型之前,如果将时间序列经过差分变换,则该模型通常被称为ARIMA模型.它是一种著名的时间序列预测分析方法,最早是于20世纪70年代由Box和Jenkins提出.差分自回归移动平均模型ARIMAp,d,q中的AR表示“自回归”,p为回归项,MA表示“移动平均”,q为移动平均数,d为将时间序列变平稳时所做的差分次数.进一步来讲ARIMA模型,就是指将非平稳时间序列经过差分变化成为平稳时间序列,接着将因变量只对它的滞后值和随机误差项的现值和滞后值进行回归所建立起来的模型.ARIMA模型根据原序列是否平稳以及回归中所含部分的不同,包括移动平均过程（MA）、自回归过程（AR）、自回归移动平均过程（ARMA）.
2 ARIMA模型的建立
3 实例分析
表2列出了P公司某变频器产品2010～2013年各个季度的历史需求,我们要利用这些历史数据之间的内在关系构建出一个预测模型.
3.1 判断原始序列的平稳性
由于ARIMA模型只适用于对平稳序列的处理,所以首先要判断本时间序列的平稳性.设此序列为D,利用Eviews软件对时间序列D作出折线图,然后再对其进行单位根检验.
通过观察,前后波动幅度较大的折线意味着时间序列x存在增长趋势,又具有异方差性；ADF值为0.616,没有满足小于不同检验水平的临界值的要求,进一步验证了D序列是不平稳的.
为了使序列趋于平稳,对时间序列D取自然对数,然后进行一阶拆分或二阶拆分.观察经过一次拆分之后的数列DC的ADF检验（图1）,ADF等于-6.051,小于不同检验水平下的临界值,且残差为0；DC序列的自相关图（ACF）和偏自相关图（PACF）如图2,自相关图衰减较快.所以经过取对数和一阶拆分之后的数列是平稳序列.
3.2 模型的识别和参数估计
由图2可以看出序列DC的自相关图和偏自相关图显示出较为明显的拖尾性.根据上文介绍的分类方法判断时间样本序列DC适宜选用ARIMAp,1,q模型.p、q分别是偏自相关函数值和自相关函数值显著不为零的最高阶数[4].从自相关图来看,从1阶以后函数值明显趋于0,呈现出拖尾性,故将q取为1；再看偏自相关图,前三阶函数显著不为零,之后趋于零并呈现拖尾性,因此可将q取为3.拟建立ARIMA1,1,3模型,利用Eviews软件的Estimate Equation模块输出模型参见图3.
3.3 模型的适应性检验
参数估计后应该对拟合模型的适应性进行检验,实质是对模型残差序列进行白噪声检验,如果残差序列不是白噪声,意味着还有一些信息没有被提取出来,应该重新设定模型.残差从拟合的ARIMA1,1,3模型生成,残差序列的自相关和偏自相关图如图4所示：
图4中Prob值均大于0.05,说明所有Q值都小于检验水平是0.05的临界值.残差序列不存在自相关,模型的随机误差序列是一个白噪声序列,所以模型是可以通过检验的.
3.4 模型预测
利用此模型对2014年4个季度的变频器需求量进行预测,首先2010年第1季度到2013年第4季度的实际值和预测值的拟合程度可以接受,说明模型的预测效果较好.
表3为2014年第1季度至第4季度的预测,已知2014年第1季度和第2季度的实际需求量为12 001和13 944,误差分别为10%和1.4%,说明预测值和实际值还是比较接近的,该方法可以用于P公司变频器类型产品的需求预测.
4 结 论
通过以上实例分析证明,P公司可以利用ARIMA模型做具有季节变动特征的产品需求的预测.需求预测是编制主生产计划前的重要准备工作,只有建立在较为合理的需求预测基础之上的生产计划才能提高生产和供应链的效率.
参考文献：
[1] 汪传旭. 基于ARMA1,1需求的供应链历史订单量信息价值的分析[J]. 管理工程学报,2006,20（4）：25-30.
[2] 钮轶君,钱省三,任建华. ARIMA模型在半导体产品需求预测上的应用[J]. 半导体技术,2007,32（5）：391-393.
[3] Anshuman Gupt a, Maranas C D. Managing demand uncert ainty in supply chain planning[J]. Computers and Chemical Engineering, 2003,27（8-9）：1219-1227.
[4] 薛薇. SPSS统计分析方法及应用[M]. 北京：电子工业出版社,2009：454-455.
总结:该文是关于需求预测论文范文，为你的论文写作提供相关论文资料参考。
参考文献：
1、 基于ARIMA模型我国外贸出口总额预测分析 【文章摘要】随着我国社会经济的快速发展，我国对外贸易成为人们十分关注的问题。为分析我国出口总额未来的发展趋势，本文根据我国1978-2013年。
2、 灰色预测模型在煤矿物流需求预测上应用 摘要：这几年来，物流管理作为国民经济增长的基础性支撑，已经得到了很大的发展。而物流的需求与预测作为物流发展的一个重要的课题，合理的物流需求预测会。
3、 基于ARIMA模型青岛市大蒜价格时间序列预测分析 摘要：以青岛市2012年1月至2016年11月共237周的大蒜价格为样本数据，运用SPSS 17 0软件进行统计分析，建立ARIMA（1，2，1。
4、 混沌理论和极限学习机的物流需求预测模型 摘 要： 为了提高物流需求的预测精度，为物流园區规划提供科学支撑，提出混沌理论和极限学习机的物流需求预测模型。物流需求受外界因素综合作用，具有混。
5、 ARIMASVM物流需求预测模型 摘 要： 物流需求是多种因素综合作用的结果，具有规律性和特殊性，变分十分复杂，导致当前物流需求预测模型的预测效果差，难以满足物流管理的实际应用要。
6、 我国固定资产投资ARIMA模型其预测 【摘 要】本文选取了1980-2015年我国全社会固定资产投资的相关数据作为研究样本，从时间序列的定义出发，结合统计软件R，对1980-2013。