基于ARIMA模型的JG钢铁原料库存量预测研究
打开文本图片集
摘 要：库存量是减少原料的损失及成本的浪费是节约企业成本的关键。文章基于时间序列自回归滑动平均（ARIMA）预测模型，对JG钢铁原料库存量资料进行建模拟合。利用DPS软件，建立ARIMA预测模型，利用AIC准则法并考虑相关系数R的值以及拟合度C的大小定阶，通过拟合建模，ARIMA（1，l，1）模型较为合理。应用模型对2015年4月1日至4月5日库存量进行了预测，实现了JG钢铁原料库存量的短期预报。
关键词：库存量；ARIMA模型；时序残差图
中图分类号：TF089 文献标识码：A 文章编号：1006-8937（2015）23-0147-01
1 背景概述
目前我国钢铁企业库存成本占产品总成本的32%～36%，超过钢铁生产的直接成本。通过对钢铁企业原料库存量的准确预测，可以防止原料库存积压引起的成本的制约问题，同时避免产生因为原料库存量过小，影响正常生产的问题。
原料库存量值之间有一定的依赖性和相关性，是有时间意义的动态序列。目前对时间序列数据进行预测通常采用博克思-詹金斯（Box.Jenkins）方法，包括：
①自回归模型AR，滑动平均模型MR，自回归滑动平均模型ARMA。
②累积式自回归滑动平均模型ARIMA（p，d，q）。
平稳时间序列通常采取AR，MR和ARMA这三种模型。
由于原料库存量的时间序列属于非平稳序列，因此本文选取ARIMA（p，d，q）模型对库存量进行预测。
2 资料与方法
2.1 资料来源
本文选取JG钢铁2015年1月到2015年2月每天原料库存量统计数据。
2.2 ARIMA建模方法
2.2.1 数据序列的检验和处理。
首先，需要确定数据是不是符合正态分布，DPS软件通常采用X2检验，如果不符合，需要对数据进行正态化处理。其次，检验数据是不是存在平稳性，如果不稳定，需要进行差分处理。
2.2.2 模型定阶
根据赤池信息量准则（AIC）准则确定p值和q值，运用DPS运算出相对应的AIC值，值越小说明越好。
2.2.3 模型诊断
通过白噪声序列检验残差序列，检验是不是属于白噪声序列。
3 JG钢铁原料库存量的ARIMA模型建立过程
3.1 JG钢铁原料库存量数据的平稳化
原料库存量实际值，如图1所示，首先利用DPS数据统计软件对JG钢铁原料...
|
== 试读已结束，如需继续阅读敬请充值会员 ==
|
|
本站文章均为原创投稿，仅供下载参考，付费用户可查看完整且有格式内容！
(费用标准：38元/2月，98元/2年，微信支付秒开通！) |
| 升级为会员即可查阅全文 。如需要查阅全文，请 免费注册 或 登录会员 |
|
