基于ES预测技术的煤炭供应链牛鞭效应抑制方法与流程

本发明属于抑制牛鞭效应技术领域，具体涉及一种基于es预测技术的煤炭供应链牛鞭效应抑制方法。

背景技术：

牛鞭效应(bullwhipeffect，be)是供应链上的一种需求变异放大现象，当信息流从客户端向供应商传递时，信息出现了扭曲而逐级放大，越靠近供应链的上游需求信息放大程度越严重。煤炭行业曾经是中国经济增长最大的受益者，经历了十年的繁荣时期，但在2012年出现重大转折。受实体经济下滑的影响，煤炭供应链出现急剧变化，煤炭需求量、产销量、铁路和港口转运量增速大幅下滑，库存增加、价格下行、效益下滑，随之出现一系列反应，低迷的市场环境进一步加剧了煤炭供应链牛鞭效应，比如由于无法精准预测客户需求而增加库存量和库存费用，并且难以制定合理的生产计划造成生产过量、供应过剩、产品积压，无形中增加额外成本，使得整个煤炭供应链的运作成本过高，运作效率和经济效益降低。指数平滑法(exponentialsmoothing，es)预测技术是在移动平均法基础上发展起来的一种时间序列分析预测法，它是通过计算指数平滑值，配合一定的时间序列预测模型对现象的未来进行预测，其原理是任一期的指数平滑值都是前期实际观察值与前期指数平滑值的加权平均。

数理统计方法是量化并抑制牛鞭效应最常用的方法,数理统计方法的基本模型比较一致，基于ar(1)需求过程或者衍生出来的arima需求过程的模型，由于研究的对象不同，则从基本模型出发，根据所研究的不同前提假设进行衍生，推演出基于各特定情形的量化模型。现有的基于移动平均法(ma)、指数平滑法(es)、最小均方差法(mmse)下进行需求预测时牛鞭效应的量化模型中，当ar(1)需求过程是已知并且不随时间变化，最小均方差(mmse)法会有较好的表现；当ar(1)的需求过程随时间而发生改变的时候，移动平均法和指数平滑法两种方法因为其能够更敏感地捕捉到需求的短期波动，而显得更有效。然而，许多企业的需求过程都是一个固定间隔期的季节性循环，比如煤炭行业，煤炭主力消耗行业为电力、冶金、建材、化工等四大行业，这其中电力行业占据全国煤炭消费者的绝对优势地位，其波动趋势将代表四大用煤行业甚至全国煤炭消费量的波动趋势。而电力消费受季节性因素影响较大，夏、冬两季明显高于春、秋两季，致使电力生产量和电力生产所需的煤炭需求量存在季节性波动，而且，煤炭的需求统计数据告诉我们，ar模型、arima模型或arma模型并不是描述煤炭供应链市场需求的最佳模型，煤炭市场需求带有明显的季节性特征，因此，现如今缺少一种带有明显的季节性波动趋势且可有效缓解煤炭供应链牛鞭效应抑制方法，提升煤炭供应链效率和效益，实现煤炭供应链健康、稳定发展。

技术实现要素：

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于es预测技术的煤炭供应链牛鞭效应抑制方法，实现方便、使用效果好，能有效解决复杂煤炭供应链牛鞭效应问题，避免了由于无法精准预测顾客需求而增加煤炭库存量和煤炭库存费用，并且避免了难以制定合理的生产计划造成生产过量，精度高，便于推广使用。

为解决上述技术问题，本发明采用的技术方案是：基于es预测技术的煤炭供应链牛鞭效应抑制方法，其特征在于该方法包括以下步骤：

步骤一、建立煤炭需求模型：采用计算机构建煤炭需求模型且煤炭需求量d服从sarma(1,0)x(0,1)s季节时间序列，其中，s为季节性循环周期；

步骤二、根据公式计算t期的煤炭需求量dt的方差，其中，t期的煤炭需求量dt服从步骤一中sarma模型且dt＝μ+ρdt-1+εt-θεt-s，μ是非负常数，ρ为季节性自回归系数且0<ρ<1，θ为季节性移动平均系数且0<θ<1，εt为t期独立同分布的随机变量且εt～n(0,σ²)，εt-s为t-s期独立同分布的随机变量且εt-s～n(0,σ²)，dt-1为输入计算机中的t-1期实际煤炭需求量；

步骤三、确定备货期l内需求预测值过程如下：

步骤301、确定t期时备货期l内第i备货期的需求预测值计算机采用指数平滑法计算且其中，α为权值且0<α<1，为t-1期煤炭需求预测值且的初始值人工给定；

步骤302、根据公式计算备货期l内需求预测值其中，根据步骤301可得到

步骤四、确定煤炭订货量，过程如下：

步骤401、预测提前期需求的煤炭库存st：煤炭库存st采用定期补充库存策略中目标库存水平的确定方法，其中，z为保证供货的服务水平系数，为提前期需求预测误差且为不随时间变化的常数；

步骤402、计算t期初煤炭销售运输企业向煤炭勘探开采企业发出的煤炭订货量qt：首先，通过计算机维持期末库存水平保持在st，计算得煤炭订货量st-1为期末库存水平保持在st的前一期库存水平；然后，将步骤302中带入得

步骤五、确定煤炭订货量方差var(qt)，过程如下：

步骤501、对公式两边同取方差，计算t-1期煤炭需求预测值的方差，得其中，取且var(dt-1)＝var(dt)；

步骤502、对公式进行无限展开，推导t-1期煤炭需求预测值展开形式，得m为预测展开次数；

步骤503、对协方差进行展开，将步骤502所得带入协方差进行等价转换，得对步骤二中t期的煤炭需求量dt＝μ+ρdt-1+εt-θεt-s进行递推，得t期进行m次预测后的煤炭需求量j为预测展开次数m的变量，将递推后的dt+m带入cov(dt+m,dt)对协方差进行展开，得

步骤504、对两边同取方差，计算煤炭订货量方差var(qt)，得将t-1期需求预测值方差以及实际煤炭需求量和需求预测值的协方差带入得

步骤六、获取煤炭供应链牛鞭效应be的表达式：根据公式计算煤炭供应链牛鞭效应be的表达式，将步骤504中得到的带入公式得煤炭供应链牛鞭效应be的表达式为

步骤七、调节煤炭供应链牛鞭效应be表达式中参数并抑制牛鞭效应：通过计算机选取煤炭供应链牛鞭效应be表达式中参数取值，调节煤炭供应链牛鞭效应be的数值抑制牛鞭效应。

上述的基于es预测技术的煤炭供应链牛鞭效应抑制方法，其特征在于：步骤二中季节性自回归系数ρ和季节性移动平均系数θ均满足平稳可逆条件。

上述的基于es预测技术的煤炭供应链牛鞭效应抑制方法，其特征在于：步骤二中t期包括t月或t季度。

上述的基于es预测技术的煤炭供应链牛鞭效应抑制方法，其特征在于：步骤401中保证供货的服务水平系数z取0。

上述的基于es预测技术的煤炭供应链牛鞭效应抑制方法，其特征在于：步骤301中权值α满足：0.5<α<1。

本发明与现有技术相比具有以下优点：

1、本发明采用的抑制方法步骤简单合理、实现方便。

2、本发明采用的抑制方法基于es预测技术，兼容了全期平均法和移动平均法的优势，不舍弃过去的数据，根据预测给予逐渐减弱的影响程度，通过计算指数平滑值赋予逐渐收敛为零的权数，配合一定的时间序列预测模型对现象的未来进行预测，可以精准预测煤炭客户需求，进而减少煤炭供应链牛鞭效应，所需参数少，就可以预测出来所需要的结果，实现效果好。

3、本发明采用计算机建立带有明显的季节性波动趋势的sarma煤炭需求模型，可有效缓解煤炭供应链牛鞭效应，提升煤炭供应链效率和效益，实现煤炭供应链健康、稳定发展。

4、本发明设计新颖合理，能有效解决煤炭供应链牛鞭效应带来的危害问题，能对需抑制的煤炭供应链牛鞭效应进行有效预防，便于推广使用。

综上所述，本发明设计新颖合理，实现方便、使用效果好，能有效解决复杂煤炭供应链牛鞭效应问题，避免了由于无法精准预测顾客需求而增加煤炭库存量和煤炭库存费用，并且避免了难以制定合理的生产计划造成生产过量，精度高，便于推广使用。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

图1为本发明的方法流程框图。

具体实施方式

如图1所示，本发明的基于es预测技术的煤炭供应链牛鞭效应抑制方法，其特征在于该方法包括以下步骤：

步骤一、建立煤炭需求模型：采用计算机构建煤炭需求模型且煤炭需求量d服从sarma(1,0)x(0,1)s季节时间序列，其中，s为季节性循环周期；

实际使用中，煤炭供应链是一个固定间隔期的季节性循环，夏、冬两季明显高于春、秋两季，致使煤炭需求量存在季节性波动，建立的煤炭需求模型中煤炭需求量d服从sarma(1,0)x(0,1)s季节时间序列，预测的煤炭需求量比传统的ar模型、arima模型或arma模型精度高。

步骤二、根据公式计算t期的煤炭需求量dt的方差，其中，t期的煤炭需求量dt服从步骤一中sarma模型且dt＝μ+ρdt-1+εt-θεt-s，μ是非负常数，ρ为季节性自回归系数且0<ρ<1，θ为季节性移动平均系数且0<θ<1，εt为t期独立同分布的随机变量且εt～n(0,σ²)，εt-s为t-s期独立同分布的随机变量且εt-s～n(0,σ²)，dt-1为输入计算机中的t-1期实际煤炭需求量；

本实施例中，步骤二中季节性自回归系数ρ和季节性移动平均系数θ均满足平稳可逆条件。

实际使用中，季节性自回归系数ρ和季节性移动平均系数θ均满足平稳条件，即季节性自回归系数ρ和季节性移动平均系数θ的协方差平稳不随时间的推移而改变；同时，季节性自回归系数ρ和季节性移动平均系数θ均满足可逆条件，即季节性自回归系数ρ和季节性移动平均系数θ在时间的推移下趋于0，因此，t期的煤炭需求量dt的方差var(dt)不随时间的推移而改变。

本实施例中，步骤二中t期包括t月或t季度。

步骤三、确定备货期l内需求预测值过程如下：

步骤301、确定t期时备货期l内第i备货期的需求预测值计算机采用指数平滑法计算且其中，α为权值且0<α<1，为t-1期煤炭需求预测值且的初始值人工给定；

本实施例中，步骤301中权值α满足：0.5<α<1。

实际使用中，采用es预测技术，预测值是前期观察值和前期指数平滑值的加权平均，且对前期观察值和前期指数平滑值给予不同的权值，前期指数平滑值给予较小的权值，前期观察值给予较大的权值，为t-1期煤炭需求预测值且的初始值通过键盘人工输入至计算机，的初始值人工给定误差较大，随着时间的推移预测量越来越接近需求量；

es预测技术兼容了全期平均法和移动平均法的优势，其中，移动平均法则不考虑前期指数平滑值，只计算最近数期实际需求值的平均值；而指数平滑法所需数据资料少，就可以预测出来所需要的结果，指数平滑法是在移动平均法基础上改进的时间序列分析预测法，不舍弃过去的数据，根据预测给予前期的预测值逐渐减弱的影响程度，通过计算指数平滑值赋予逐渐收敛为零的权数，配合一定的时间序列预测模型对现象的未来进行预测，可以精准预测煤炭客户需求，进而减少煤炭供应链牛鞭效应，实现效果好。

步骤302、根据公式计算备货期l内需求预测值其中，根据步骤301可得到

步骤四、确定煤炭订货量，过程如下：

步骤401、预测提前期需求的煤炭库存st：煤炭库存st采用定期补充库存策略中目标库存水平的确定方法，其中，z为保证供货的服务水平系数，为提前期需求预测误差且为不随时间变化的常数；

本实施例中，步骤401中保证供货的服务水平系数z取0。

实际使用中，由于煤炭库存不足或者库存过量都会影响煤炭用户的稳步运行，增加煤炭用户的运营压力，进而影响其正常供应，因此，煤炭库存多采用定期补充库存策略中目标库存水平的确定方法，煤炭销售运输企业周期检查库存，为使期末库存水平保持在st，取保证供货的服务水平系数z为0，简化步骤，便于计算。

步骤402、计算t期初煤炭销售运输企业向煤炭勘探开采企业发出的煤炭订货量qt：首先，通过计算机维持期末库存水平保持在st，计算得煤炭订货量st-1为期末库存水平保持在st的前一期库存水平；然后，将步骤302中带入得

实际订货中，煤炭订货量qt可以为负数，表示多余库存可以无成本返回给煤炭勘探开采企业。

步骤五、确定煤炭订货量方差var(qt)，过程如下：

步骤501、对公式两边同取方差，计算t-1期煤炭需求预测值的方差，得其中，取且var(dt-1)＝var(dt)；

t期的煤炭需求量dt的方差var(dt)不随时间的推移而改变，煤炭需求量dt的是平稳时间序列，故且var(dt-1)＝var(dt)。

步骤502、对公式进行无限展开，推导t-1期煤炭需求预测值展开形式，得m为预测展开次数；

步骤503、对协方差进行展开，将步骤502所得带入协方差进行等价转换，得对步骤二中t期的煤炭需求量dt＝μ+ρdt-1+εt-θεt-s进行递推，得t期进行m次预测后的煤炭需求量j为预测展开次数m的变量，将递推后的dt+m带入cov(dt+m,dt)对协方差进行展开，得

步骤504、对两边同取方差，计算煤炭订货量方差var(qt)，得将t-1期需求预测值方差以及实际煤炭需求量和需求预测值的协方差带入得

步骤六、获取煤炭供应链牛鞭效应be的表达式：根据公式计算煤炭供应链牛鞭效应be的表达式，将步骤504中得到的带入公式得煤炭供应链牛鞭效应be的表达式为

步骤七、调节煤炭供应链牛鞭效应be表达式中参数并抑制牛鞭效应：通过计算机选取煤炭供应链牛鞭效应be表达式中参数取值，调节煤炭供应链牛鞭效应be的数值抑制牛鞭效应。

实际使用中，煤炭供应链中牛鞭效应be的数值大于1表明存在牛鞭效应，在大于1的范围内牛鞭效应be的数值越小，煤炭供应链牛鞭效应抑制效果越好。

本发明使用时，煤炭供应链牛鞭效应be的表达式可知，es预测技术下，煤炭供应链牛鞭效应值be依赖以下六个参数：权值α、提前订货的备货期l、季节性自回归系数ρ、季节性移动平均系数θ、季节性循环周期s和预测展开次数m。

当权值α或提前订货的备货期l越小时，煤炭供应链牛鞭效应值be越小；

当季节性移动平均系数θ越大，将煤炭供应链牛鞭效应值be的表达式变换为由于0<θ<1，季节性移动平均系数θ越大，的数值越小，煤炭供应链牛鞭效应be的数值越小，煤炭供应链牛鞭效应抑制效果越好；

又由于0<ρ<1，当季节性自回归系数ρ越小，煤炭供应链牛鞭效应值be越小；

当季节性循环周期s越小，将煤炭供应链牛鞭效应值be的表达式变换为季节性循环周期s越小，ρ^s的数值越小，煤炭供应链牛鞭效应be的数值越小，煤炭供应链牛鞭效应抑制效果越好；

当预测展开次数m越大，将煤炭供应链牛鞭效应值be的表达式变换为预测展开次数m越大，ρ^m的数值越小，煤炭供应链牛鞭效应be的数值越小，煤炭供应链牛鞭效应抑制效果越好；

实际使用中，根据实际需求，煤炭供应链牛鞭效应be的数值达到最小时，提前订货的备货期l和季节性循环周期s不可能无限的小，预测展开次数m不可能无限的大，选取合适的提前订货的备货期l、季节性循环周期s和预测展开次数m，结合权值α、季节性自回归系数ρ和季节性移动平均系数θ，获取较佳的抑制数值。

以上所述，仅是本发明的较佳实施例，并非对本发明作任何限制，凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化，均仍属于本发明技术方案的保护范围内。