需求预测也叫销售预测,是根据企业某种产品或者服务过去的需求量进行外推,预测未来一段时间该产品或者服务的需求量。需求预测是整个供应链优化的基础,根据需求预测的结果企业可以制定未来的销售计划、库存计划、生产计划等。随着计算机技术的普及与发展,需求预测软件逐渐成为企业管理非常重要的一部分。一个优秀的需求预测软件可以帮助企业快捷有效地进行需求预测,及时做出最优决策,从而保证企业的高效运营。预测结果的准确性是衡量一个预测软件好坏的重要标准。本文介绍了现有的需求预测算法,并在深入研究时间序列预测算法的基础上提出了两种新的预测算法,并通过数据实验证明了两种预测算法的有效性。UNITY公司在其开发的需求预测软件DAP(Demand Analyzing and Planning)系统中采用了这两种预测算法,作者作为算法的主要研发人员,参与了系统的设计和开发。本文主要做以下几个方面的工作：1.介绍了现有的数据分析技术和预测算法。时间序列预测方法是目前应用最为广泛的预测方法,时间序列预测一般分为单变量预测和多变量预测。本文介绍了X-12季节分析技术和单位根检验两种常用的经济时间序列分析方法,并介绍了常用的单变量预测模型,包括SMA模型、ES模型、ARMA模型。多变量预测方法主要介绍了回归分析方法。2.提出了一种新的基于分解的单变量时间序列预测算法。该算法首先使用X-12季节分析技术将原始序列分解成趋势因子、季节因子和不规则因子,并检验序列是否具有季节特性,然后利用单位根检验方法对季节调整序列进行趋势特性的验证,根据序列季节性和趋势特性的验证结果,分别采用适当的方法对分解后的各个因子进行预测,再将各因子的预测结果合并得到最终的预测结果。本文使用该算法对“M3-竞争”中的数据进行了仿真实验,该算法表现出了良好的预测精度。3.将传统的回归分析方法与聚类分析法结合,提高了回归分析预测的准确性。该方法首先使用聚类分析对历史数据进行分类,然后从每个类簇中选择部分数据组成整体样本数据,对选择出的样本数据进行回归分析建立回归模型,最后根据确定的模型进行预测。本文将该方法与单纯回归分析方法进行了对比试验,证明了该方法的有效性和准确性。4.详细地说明了DAP系统的需求分析和总体设计过程。首先分析了系统的功能性需求和非功能性需求,然后根据需求进行了各功能模块的划分,并给出了各功能模块之间的联动关系,最后确定了系统的三层C/S结构体系。5.详细探讨了单变量数据分析模块和预测模块的实现。单变量数据分析模块实现了X-12季节调整技术、单位根检验以及两种方法结合的三种单变量分析方法,并将其开发成C#类库的形式以便以后用于其它系统。单变量预测模块不仅实现了传统的单变量预测模型,还实现了本文提出的分解预测算法。同样地,为了提高代码的可重用性,所有的预测模型也被实现成C#类库的形式。6.详细探讨了多变量数据分析和预测模块的实现。多变量数据分析实现了本文提出的结合聚类分析的回归分析算法,聚类分析采用K均值聚类算法,回归分析方法实现了逐步回归方法。为了提高代码的可重用性,K均值聚类算法和回归分析算法分别被开发成C#类库的形式。多变量预测模块实现时,首先调用多变量数据分析算法进行回归分析,确定预测模型,然后进行预测。新预测算法的实现使得DAP系统可以给出较高精度的预测结果,扩大了系统能够处理的数据类型。去年日本某便当制造公司使用DAP系统对其一段时间内的所有产品进行了需求预测的仿真计算,A类产品的预测精度高达80%,总体的预测精度在70%以上,受到了客户的高度评价。