一、时序预测方法

时序预测方法是根据历史统计数据的时间序列，对未来的变化趋势进行预测。除了语言所能描述的直观的变化趋势外，大多数变化趋势包含在用统计数字组成的时间序列中。一般来说，时间序列由四种变化成分组成，即长期趋势变化，季节变化、周期变化和随机波动。长期趋势如国民生产总值的增长趋势、社会商品零售总额的增长趋势等；季节变化尤其对一些季节性的消费品的需求来说表现得最明显，例如饮料、服装、化妆品等；周期变化是比季节变化更长期的、规律性的、循环出现的变化，例如经济周期、粮食产量的周期变化，甚至服装式样的流行也存在某种周期性的规律。这三种变化， 对预测的目的来说都是非常重要的。一些简单的预测模型可以用来预测趋势的变化，例如指数平滑模型、移动平均模型等；而要同时预测季节性变化和周期性变化，则要用到一些更复杂的模型技术，例如，回归一滑动平均模型、高阶指数平滑模型等。随机变化成分是无法预测的，它是混在时间序列中的一种“噪声”，必须设法将其滤除掉，以免其影响预测结果的精度。

预测时间序列中包含的变化趋势是大多数企业进行销售预测时的主要工作。这方面简单而常用的方法是指数平滑法。最简单的指数平滑公式如下：

Yt+1=Yt+a(Xt-Yt)

式中,Yt+1——对下一期的预测值； Yt——上一期对本期的预测值； Xt——本期的观察值； a——平滑系数，其取范围 0<a<1。

采用上述指数平滑公式进行预测时，关键在于确定α数值，其作用是对本期的观察值与预测值之差进行适当的修正。一般当实际观察数据波动得比较厉害时，α值应选择得小一些，以便将随机干扰滤除掉；否则，可以选得大一点，具体选取应视实际情况而定。

如果我们还希望将季节性变化也预测出来（例如对于一些生产日用消费品的企业），可以将上述指数平滑公式乘上一个季节指数，其公式为：

Yt+1(j)=[Yt+a(Xt-Yt）]Sj 式中，Sj—季节指数；

j ——季节序号，它可以是一年十二个月中某个月的数字。季节指数的求法分为三步：

（1）从时间序列中求出变化趋势；（2）用一年中各月的实际数据分别除以各月的趋势值，便得到各月的季节指数；

（3）为了消除随机波动给季节指数的计算带来的误差，可以收集几年的数据，然后将求得的各年对应月份的季节指数相加再求平均。这含有季节指数的预测模型，可以大大提高预测的精确度。