基于灰色预测的火电公司机电库存需求预测研究

0引言

对火电公司机电库存需求情况进行研究,不仅能够提高库存管理的服务能力,而且可以提升库存管理工作的效率,从而更好地服务于现场生产,满足生产需求。基于信息思维,实际工作中接收到的数据信息往往是灰的,存在数据不足的表现。而基于灰色预测模型的火电公司机电库存需求预测,在一定程度上能够弥补样本数据不充分、样本数据质量不够理想等现实问题造成的缺点,在合理范围内提高预测的精度和可靠性。

近十年,国内基于灰色预测理论的库存需求预测研究有一定的进展。例如,文献[1]中对于G发电厂燃煤需求,以GM(1,1)灰色模型为基础,构建模型对其进行预测,以此更好地适应G发电厂燃煤需求的特点。文献[2]中使用现实数据,针对A类产品采用灰色预测模型进行了训练模型构建,得出灰色预测模型最适用,然后又针对灰色预测模型进行了测试,验证了模型的适用性和精准性。文献[3]中针对某些商品缺货和货物积压的问题,根据历史销售数据,运用灰色预测模型预测其销量,通过模型预测出其销量异常点,为企业订货提供依据。

近十年的文献收集结果显示,基于灰色预测理论对火电公司机电物资的库存预测研究极少。

因此,本文通过灰色模型,对火电公司机电物资进行需求预测,探索灰色模型应用于火电公司机电库存需求预测的方式方法,以期为未来的需求预测提供有价值的参考,为后续研究工作提供可行的思路。

1灰色预测模型原理

灰色预测模型是对含有不确定因素、不完全信息或少量数据样本的系统进行预测的一种有效方法,它通过鉴别系统内部各因素之间发展趋势的相似性和差异性,利用累加技术使数据具备指数规律,以弱化数据的随机性,增强数据的规律性,建立一阶单变量微分方程模型,即GM(1,1)模型并对其求解,将所求结果再累减还原,从而实现对数据未来发展趋势的预测^[4]。

1.1 模型构建

模型构建通常包括以下步骤:级比值检验、后验差比检验、模型拟合和预测、模型残差检验。在建立灰色预测模型之前,需要提前检验数据建模的可行性,必须有对原始数据进行级比检验的过程^[5]。模型构建如下:

式中:S(0)为初始非负数据序列;n为序列长度。

级比值有规定的域,只有在所有的λ全部符合计算范围后再继续建立模型才有意义,λ的计算公式如下所示:

式中:λ为级比值。

通过逐步累加计算后得到序列的一阶累加序列可以在一定程度上减弱序列的扰动:

式中:S(1)为累加序列。

式中:G(1)为s(1)的紧邻均值生成的序列。

灰色系统是对离散序列建立的微分方程,继而可求得GM(1,1)模型对应的微分方程:

式中:a为发展系数;b为灰色作用量。

可构建如下数据矩阵:

式中:B为G⁽¹⁾ (k)构建的数据矩阵。

式中:Y为s⁽⁰⁾ (k)构建的数据矩阵。

则灰色微分方程的最小二乘估计参数列满足下式,运用最小二乘方法可求解出发展系数和灰色作用量。

式中:V为发展系数和灰色作用量构建的数据矩阵。

之后,建立模型并求解累加序列,可得到预测模型为:

式中:(1) (k)为预测序列。

最后,进行“逆转”,经过累减,可以得到原始序列的预测值。

1.2 模型特点

GM(1,1)模型仅适用于中短期预测,不建议进行长期预测;GM(1,1)模型适合在数据少时使用,大量数据建模时不适用;GM(1,1)模型并不是所有检验均能满足最高等级的标准,一般情况下,能对实际工作有参考价值,在可接受范围之内即可。

2基于灰色预测的机电库存需求预测

鉴于灰色预测模型的特点与机电库存数据特点相似,故基于灰色模型对火电公司机电库存做需求预测,以编码M201020700008物资为例,将历史时间轴按照同样的时间跨度均分为20个时期,取其全部历史需求数量进行分析。对需求数量构建GM(1,1)模型,进行级比值检验,从而判断数据序列进行灰色预测模型构建的可行性,如表1所示。

经计算,原始数据有五个级比值没有在区间[0.909,1.100]范围内,即没有通过级比值检验。所以进行平移转换,在原始值的基础上加入了平移转换值60.00,使得平移转换后的数据级比值检验能够符合要求,即值均在标准范围区间[0.909,1.100]内,此时数据才适合建立GM(1,1)模型^[6]。接下来需要计算发展系数a、灰色作用量b、后验差比C值(用于模型精度等级检验)和小误差概率p值(用于模型精度等级检验)。模型精度等级衡量指标的标准如表2所示。模型构建结果如表3所示。

后验差比C值为0.144,小于0.35,表示模型精度等级好。小误差概率p值为1.000,大于0.95,表示模型精度很好。模型的预测值如表4所示。

模型的均方根误差RMSE为2.251,均方误差MSE为5.069,平均绝对误差MAE为1.953,平均绝对百分比误差MAPE为0.365。

GM(1,1)模型检验表如表5所示,主要针对残差进行检验,包括相对误差、级比偏差。从表5可知,针对级比偏差值,有14期该值小于0.1,说明达到较高要求。虽然模型相对误差值超出0.2不太理想,但不影响模型向后3期的整体预测效果。

模型拟合和预测图如图1所示。15期至20期的相对误差均小于20%,且向后3期的实际结果与预测结果对比,相对误差也均小于0.2,在实际工作可接受范围内。整体来看,模型对中短期实际需求预测工作具有一定的指导意义。

3 结束语

经实际数据对比,预测的向后3期数据均方根误差为2.993。对按物料编码提取的所有机电物资进行建模分析后可知,71.3%的机电物资预测的向后3期数据均方根误差在3.000以内,均为可接受,且后验差比c值和小误差概率p值都表现为模型精度等级在合格以上。整体看,灰色模型应用于机电物资库存预测,精度和准确性有较明显的提升,但预测范围在3期以内,对中短期实际需求预测工作有一定的指导意义。后续可考虑将机电物资进行适度的细化分类,从而筛选出对灰色模型适配度高的物资。

[参考文献]

[1]郝楠.基于需求预测的G发电厂燃煤库存管理优化[D].太原:太原理工大学,2023.

[2] 李玉龙.基于需求预测技术的HW石油公司产成品库存优化研究[D].济南:山东大学,2023.

[3]侯晓乐.基于灰色模型的A公司库存管理研究[D].天津:河北工业大学,2016.

[4]段姝琪.基于轨道不平顺的几何形位分析预测方法研究[D].大连:大连交通大学,2024.

[5]邓聚龙.灰预测与灰决策[M].武汉:华中科技大学出版社,2002.

[6] 周俊,马世澎.SPSSAU科研数据分析方法与应用 [M].北京:电子工业出版社,2024.

《机电信息》2025年第13期第19篇