基于ARIMA模型的二手汽车配件需求预测
文/方瑜 伍舜明 朱嘉怡  2020年第06期第111页  2020-05-22

  摘要:在二手车行业竞争愈加激烈的情况下,汽车售后配件销售业务因为涉及其产业链上下游的多家企业,配件需求量的预测就显得尤为重要。本文针对二手汽车配件预测问题,在分析二手车售后配件销售业务周期性波动变化规律的基础上,构建ARIMA模型进行配件需求预测。以铝合金车轮为例进行实证分析,选取某企业实地数据,采用符合要求的ARIMA模型进行配件需求预测。

  关键词:物流工程; ARIMA模型; 需求预测

  引言

  汽车售后服务成为二手汽车产业链中的主要获利途径。更好的售后服务就要求配件库保有量相对就要增多,但不断增加的配件保有量所带来的后果就是成本增高,库存过剩风险增大。解决这个问题则需要对配件的需求进行准确预测。

  通过对二手车售后配件销售业务分析,发现配件需求具有一定的时序特征,最明显的是其具有周期性波动与趋势。时间序列预测模型的应用非常广泛,ARIMA模型既保存时间序列运用方便灵活、预测精度高的优良特点,又能够较好地识别时间序列的周期性和趋势。本文采用ARIMA 模型以某企业某地2017年1月至2019年9月三十一个月份的铝合金车轮销售数据为对象,利用IBM SPSS 软件对2019年8至9月两个月份的二手车配件需求进行预测。

  1.基于ARIMA模型的二手汽车配件需求预测模型

  我们的日常生活中有很大一部分数据是按照时间顺序排列的,序列表示随机事件的时间序列简记为{Xt}。常用x1,x2……xn来表示随机序列的n个有序观测值,通过对这n个值随时间变化发展过程来研究序列的特征。

  在对二手汽车配件需求预测时,ARIMA模型能够较好地识别时间序列的周期性和趋势。二手汽车配件需求是一个非平稳序列,经过拆分后,非平稳序列会显示平稳序列特性,进而可以用ARMA模型建模,这种差分运算与ARMA模型组合就是ARIMA模型。

  如果非平稳序列{Xt}满足

  Φ(B)?塄dχt=?专(B)εt(εt)=0,var(εt)=σε2,(εtεs)E(χt)=0,?坌s

  其中,?塄d=(1-B)d,Φ(B)=1-φ1B…φpBp,?专(B)=1-θ1B-…-φqBp,Φ(B)为自回归算子,?专(B)为移动平均算子,d为差分次数,p为自回归项数,q为移动平均项数。则该序列符合ARIMA(p,d,q)模型。

  2.实例分析

  本文根据中国某企业2017年01月~2019年07月某地的铝合金车轮销售数据进行预测模型测试,具体数据如表1所示。

  表1 2017-2019年中国某企业某地的铝合金车轮原始数据表

  2017年01月-2019年07月中国某企业铝合金车轮某地销售量总体成上升趋势,无明显季节性波,根据数据特征,采取差分处理,经过一次差分后序列图趋向平稳,故d=1。绘制一阶差分ACF和PACF图(图1),截尾和拖尾特征不明显,判定p=0,q=0,故建立ARIMA(0,1,0)12模型。

  图1 原始数据一阶差分AFC与PAFC图

  对模型ARIMA(0,1,0)12的残差序列作自相关函数和偏自相关函数图(图2),残差的自相关函数和偏自相关函数基本都在95%IC内,同时Ljung-BoxQ显著性为0.961>0.05,无统计学意义,说明残差序列不存在自相关,通过白噪声检验。综上判定该模型适用于铝合金车轮某地需求量的预测。

  运用ARIMA(0,1,0)12模型对2017年01月~2019年07月中国某企业铝合金车轮某地需求量进行预测,绘制预测值与实际值时序值拟合图(图3)。预测值与实际值曲线趋势基本相同,模型拟合度R方为0.995,拟合效果较好,且预测值均在95%CI内,平均相对误差1.388%,小于5%说明模型预测精准性较高,能够取得较好的预测效果。

  图2 模型残差自相关函数和偏相关函数图

  图3 实际值与预测值比较图

  3. 结论

  本文首先阐述了一些关于时间序列理论知识,然后用SPSS软件对2017年01月~2019年07月中国某企业铝合金车轮某地销售数据建模,根据ACF和PACF图对数据进行定阶,选取ARIMA(0,1,0)12模型来作为拟合模型,通过对模型残差白噪声检验,得到残差属于白噪声序列即模型显著有效。通过预测结果和实际值对比可以得到平均绝对百分比误差(MAPE)1.388%,模型拟合度R方为0.995,效果较好,该模型可以作为铝合金车轮某地需求量的模型。C

  (作者单位:湖南交通工程学院)

  湖南省教育厅科学研究项目:基于组合预测法的湖南省物流需求量分区预测研究 编号:(17C0594)

  参考文献

  [1] 金淳,曹迪,王聪,李文立.汽车零部件第三方物流仓储需求量集成预测模型[J].系统管理学报.2018(08):1157-1165.

  [2] 徐冠奇,陈峰.汽车出厂物流需求预测模型及智能在线调度问题研究[J].工业工程与管理.2017(03):41-48.

  [3] 钱俊,王永波.几种统计软件建立ARIMA模型的应用比较[J].统计与决策.2018(16):80-84.

 


【编辑:editor】
上一篇:跨国采购风险管理研究
下一篇:返回列表
文章二维码分享至手机