基于ARIMA模型的物料生产预测研究分析 .pdfVIP

基于ARIMA模型的物料生产预测研究分

析

2重庆理工职业学院大数据与人工智能产业学院重庆401320

3重庆理工职业学院医药健康学院重庆401320

摘要：本文针对电子产品制造企业面临的问题，基于多品种小批量的物料生

产现状，由于事先无法知道物料的实际需求量现状，运用了时间序列模型对于其

未来生产流程进行预测分析。本研究选择6种应当重点关注的物料（包括频数、

数量、趋势和销售单价），建立物料需求的周预测模型并利用历史数据对预测模

型进行评价。实证结果表明预测效果较好，能够为企业合理生产提供参考建议。

关键词：ARIMA模型；物料生产；预测研究

1研究背景

考虑物料的价格和物料的库存占用资金。为了在库存量与服务水平之间达到

某种平衡，调整现有的周生产计划，并根据新的周生产计划，需要对物料的数量

进行合理预测。趋势需要集合时间序列来分析，也就是物料需求的时序长度，与

频次有关，销售单价最重要的考虑点是应该和需求量结合考虑的，分析销售单价

趋势可以采取趋势指标。[1]时序预测模型即以周为基本时间单位，预测物料的

周需求量。[2]利用时间序列滑动窗口从历史数据中提取模型训练数据，根据拟

合的模型可以得到趋势值即预测值，所选取的拟合模型将直接决定未来预测的准

确性。

2模型原理

时间序列分析（ARIMA）是基于历史数时期据去预测未来时期数据：模型的

拟合优度R²为0.0，模型表现较差。未来7期预测结果分别为17.556、17.556、

17.556、17.556、17.556、17.556、17.556。ARIMA模型要求序列满足平稳性，

查看ADF检验结果，根据分析t值，分析其是否可以显著性地拒绝序列不平稳的

假设(P0.05)。[3]查看差分前后数据对比图，判断是否平稳（上下波动幅度不

大），同时对时间序列进行偏（自相关分析），根据截尾情况估算其p、q值。

[4]ARIMA模型要求模型具备纯随机性，即模型残差为白噪声，查看模型检验表，

根据Q统计量的P值(P0.05)对模型白噪声进行检验，也可以结合信息准则AIC

和BIC值进行分析（越低越好），也可以通过模型残差ACF/PACF图进行分析根

据模型参数表，得出模型公式结合时间序列分析图进行综合分析，得到向后预测

的阶数结果。采用ARIMA模型预测时序数据，必须是稳定的，如果不稳定的数据，

是无法捕捉到规律的。ADF检验用于稳定性检验，使用差分分析对数据进行稳定

性处理。

表1ADF检验表

差AI

变量tP

分阶数C

0.1345

0-2.425

5.319

0.0040

实际需求量1-3.575

6***.943

0.0044

2-3.595

6***.693

上表格为ADF检验的结果，包括变量、差分阶数、T检验结果、AIC值等，

用于检验时间序列是否平稳。该模型要求序列必须是平稳的时间序列数据。通过

分析t值，分析其是否可以显著地拒绝序列不平稳的原假设。[5]若呈现显著性

(P0.05)，则说明拒绝原假设，该序列为一个平稳的时间序列，反之