摘 要

本文利用ARIMA模型和ARIMA与SVM的组合模型对Tableau案例数据中某咖啡公司的销售数据进行了预测，并对两种预测模型下的相关库存数据进行比较，所得结果对于供应链的需求预测与库存管理领域具有一定的意义。

论文主要研究了基于需求预测的库存管理办法，分别研究了如何提高预测精度、需求预测对于库存管理效果的影响。研究结果表明和传统时序模型ARIMA对比，传统时序模型ARIMA和机器学习模型SVM组合后预测精度更高，在基于组合模型预测的情况下，库存管理的成本下降，有利于企业提高服务质量与盈利能力；本文研究重点在于设计精度更高的预测算法，完善供应链的CPRF方法，并对补货模型加以优化。

关键词：需求预测；库存管理；CPFR管理技术；ARIMA模型；SVM模型

Abstract

This article uses the ARIMA model and the combined model of ARIMA and SVM to predict the sales data of a coffee company in the Tableau case data, and compares the relevant inventory indicators under the two prediction models. The field of management has certain significance.

This paper mainly studies the methods of inventory management based on demand forecasting, and studies how to improve the forecasting accuracy and the influence of demand forecasting on the effect of inventory management. The research results show that compared with the traditional time series model ARIMA, the combination model of the traditional time series model ARIMA and the machine learning model SVM has higher forecasting accuracy. In the case of forecasting based on the combination model, the cost of inventory management is reduced, which is conducive to improving the service quality and profit level of enterprises. This paper focuses on the design of forecasting algorithm with higher accuracy, improving the CPRF method of supply chain and optimizing the replenishment model.

Key Words：Demand forecast; inventory management; CPFR management technology; ARIMA model; SVM model

目 录

第1章 绪论 1

1.1 选题背景及意义 1

1.2 国内外研究现状 1

1.3 研究的主要内容 3

1.4 研究方法与技术路线 3

1.4.1 研究方法 3

1.4.2 技术路线 4

1.5 论文主要创新点 5

第2章 相关理论基础 6

2.1 供应链需求预测技术 6

2.2 传统库存管理方法 7

第3章 需求预测模型改进 9

3.1 ARIMA预测模型 9

3.2 SVM预测模型 11

3.3 建立ARIMA与SVM的组合模型 12

3.3.1 组合模型原理 12

3.3.2 组合模型预测流程 13

3.4 实验结果 13

3.4.1 实验数据 13

3.4.2 算例分析过程 14

第4章 基于需求预测的库存管理 18

4.1 基于需求预测的库存管理 18

4.2 安全库存量和再订货点 18

4.2.1安全库存量 19

4.2.2再订货点 19

4.3 算例分析过程 19

4.3.1 计算过程 19

4.3.2 计算结果 20

第5章 结论与展望 22

5.1 研究结论 22

5.2 研究不足与未来展望 22

参考文献 23

致 谢 24

第1章 绪论

1.1 选题背景及意义

近年来，随着市场生命周期缩短、全球经济和竞争力量造成更多的不确定性，市场动荡成为常态。漫长而缓慢的物流所带来的风险已变得无法忽视，各企业需要重新审视其供应链的结构和管理方式，使供应链整体价值最大化。^【1】

企业供应链数据近年来随着互联网的发展呈爆炸式增长，数据的有效利用显得尤为重要，历史销售数据就是最重要的数据之一，销售预测是指使用适当的预测模型基于过去的销售进行的未来销售的预测。对于企业而言，利用分析销售数据可以掌握客户喜好，可以对客户未来的行为做出一定预测。销售预测是销售计划过程中的重要一环，销售过程中的需求预测精确度都会影响公司运营的各个方面，包括成本规划、公司运营计划、确定销售上限等等。而整个企业供应链中，库存决策是基于需求预测的，库存策略的制定是一个不可或缺的环节，从传统的角度来看，整个管理链中相对集中于库存预测和管理，并且在整个信息链中都需要做好它。企业的全体员工参与联合协助管理，有利于供应链上企业与员工实现双赢。VICS把基于预测和协作计划的补货手段定义为“在制定计划和满足顾客需求的过程中集合各方智慧的商务实践”，首先基于历史销售点数据对未来顾客的需求做出最佳估计，然后再根据预测得到的结果和缺货补货提前期等条件规划协作订单计划，该计划用来指导订单和交付。基于需求预测的库存决策是全面而动态的，它可用于解决新市场环境中的各种库存问题，并可为公司做出更好的库存决策提供参考意见。^【2】

1.2 国内外研究现状

在供应链中，协同规划、预测和补给是一种协同式的库存管理技术，该技术可以同时促进供应商的销售并缓解零售商库存压力。^【3】该系统于1995年开始出现，是近年来提出的一种新的供应链管理模型。这种模型改善了VMI和JMI中不适用的地方，同时保留了其中的一些可取的部分，这种技术在大数据时代对提高销售预测精确度和缓解库存压力具有重要意义，代表了库存管理技术的未来发展方向。^【4】供应链成员可以通过协助销售预测，根据历史的销售数据对未来客户需求量做最佳估计。然后将预测结果转换为基于预测结果、提前期和库存情况的一概协作订单计划。它将指导未来生成订单和交付货物的要求，降低生产、库存持有成本，进一步地提高供应链运行效率。

在有关库存决策、需求预测的研究中，重要的第一步就是抉择有效需求预测方法，它为之后进行好的库存决策打下基础。有关需求预测方法的研究早就引起了学者的广泛关注，第一类是基于传统统计学的模型，经常出现的有移动平均法、回归预测法、ARIMA模型、指数平滑法等。^【2】张钦（2001）使用ARIMA需求预测模型来研究信息共同分享的价值和量化牛鞭效应，其中ARIMA模型适用于变化较平稳的短期预测，结果显示信息共同分享有利于减少供应商运营成本、降低库存水平以及缓解牛鞭效应等益处。^【5】万杰（2003）指出当不确定市场需求时，零售商和制造商都会选择合适的预测模型来利用历史销售数据预测未来需求信息。当他们决定利用信息共享共同提高预测准确性并制定库存策略时，可以有效减少牛鞭效应。^【6】然而ARIMA模型利用差分运算使非平稳时间序列变为平稳，然后执行移动平均，使这类模型无法预测非线性关系的数据，只注重数据的拟合，没有考虑到需求影响因素。机器学习现在已成为一门新学科，机器学习全面地运用了各种学科来构成其理论基础。基于机器学习的预测模型主要有决策树、SVM、线性回归以及深度学习等等。Corinna Cortes和Vapnik在1993年提出SVM模型，模型的学习方式是监督式学习，是一种进行数据二元分类的广义线性分类器，最大边距超平面是它学习样本从而得出的决策边界。^【7】荆浩（2018）的研究中将遗传算法用于优化SVM中的输入参数，最后仿真分析表明：在供应链管理中该方法有利于更好地进行需求预测，并有效缓解的牛鞭效应。^【8】Galina Merkuryeva（2019）研究了具有高度复杂性的药品供应链，对历史需求数据利用回归分析的预测模型提供了最佳的拟合曲线，并在研究中证实这样能够更准确地预测需求销售峰值，这一研究为医药物流以及供应链管理中所有战略和规划提供研究基础。^【9】