汽车零部件企业需求预测模型应用研究

发布时间：2019-11-08 00:59

【摘要】：在激烈的市场竞争中,企业要生存,必须以客户满意为前提并获得盈利。满足客户通常从Q(质量)C(成本)D(交货期)S(服务)这几方面着手,其中交货期被日益关注。提高交付能力,传统的做法是准备大量的库存或提高产能,但大库存和高产能都不能有效抵抗日益变化的需求带来的风险,现在更倾向于提高企业快速响应速度来应对快速交付的要求。在认识到库存的风险后,现代企业普遍致力于削减库存,并发展出多种库存控制技术:ABC、EOQ、VMI、JIT、看板等。这些技术都是基于相对需求,而独立需求是库存控制的源头,对独立需求进行预测是库存控制的难点。处在汽车产业链下游的M公司认为“零库存=多余的库存为零”,在多年致力于基于相对需求的库存控制并取得一定成效后,根据企业经营和发展的需要提出需求预测的课题目标,有效解决独立需求的难题兼具现实应用和应用研究双重意义。论文在M公司已尝试利用移动平均法进行需求预测的基础上,研究分析了多种预测方法,重点选择灰色模型和BP神经网络建立需求预测模型并进行了优化改进研究。对移动平均法主要研究了不同期数和权重对预测结果的影响,并加入客户订单进行组合预测研究;对GM(1,1)的优化采用移动平移法对原始数据进行平滑处理和选择不同的初值这两种方法;对BP神经网络的优化采用对客户需求的影响因素进行分析和选择并添加到输入变量中。为了比较分析这三种预测方法的预测效果和适应范围,论文以M-H-VVT产品为研究对象,利用历史数据建立需求预测模型并进行大量试验,对试验结果进行分析研究后认为:移动平均法和GM(1,1)模型均不适应周期性大幅度波动产品的需求预测,而BP神经网络法对周期性、非线性、大幅度波动的产品则有良好的适应性;在波动幅度大的情况下,较小n值的移动平均能获得较高的预测精度,当n值等于波动周期期数的一半时,预测精度往往最差;当样本对象呈递增或递减趋势时,GM(1,1)模型预测精度能得到较大幅度提升;BP神经网络预测模型只有提高泛化能力才有实际应用价值。论文最后用BP神经网络对M-H-VVT产品实践预测了3个月需求,前两个月取得较好的预测精度,第三个月出现较大偏差,经分析是客户开发了新用户导致需求突增。由此说明,预测技术的应用是基于研究对象处于稳定环境的假设前提,如果环境发生变化,应根据掌握的信息及其对预测的影响程度对预测结果进行修正以提高预测精度。
【学位授予单位】：上海交通大学
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：TP183;F426.471

【相似文献】