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 |