需求预测方法 (2)
需求预测方法
24.33
26.00
25.83
25.00
26.17
26.00
25.67
28.00
25.67
27.00
26.83
29.00
27.17
• 加权系数和n的取值不同，预测值的稳定性 和响应性不同。
• n越大，预测的稳定性越好，响应性越差； n越小，预测的稳定性越差，响应性越好。
• 近期数据的权重越大，预测的稳定性越差， 响应性越好。近期数据的权重越小，预测 的稳定性越好，响应性越差。
（2）加权平均法
（Weighted average method）
权数的设置原则：单调递增，远小近大 设置方法： 1、根据各期时间数列的自然数列法 销售量预测数： Q = 2、饱和权数法，单调递增，且
例：某公司1——9月份销售量资料如下，（单位： 公斤）。求：用算术及加权平均法分别预测10月 份的销售量。
一、定性预测方法
定性预测法是那些利用判断、直觉、 调查或比较分析对未来做出定性估 计的方法。包括客户意见推测法、 经营人员意见推测法、专家意见推 测法等。它们的不科学性使得它们 很难标准化，准确性有待证实。
1、德尔菲法
德尔菲法又叫专家调查法，一般由10 到 20位专家背靠背独立对某一对象进行预 测，由预测单位对专家的意见结果进行综 合处理，如果结果不符合需求，进行再次 反馈修正。经过三到四轮，预测的结果基 本趋于一致，预测单位即可做出预测判断。
2、客户意见推测法
通过征询客户的潜在需求或未来购买 计划的情况，了解客户购买商品的活动、 变化及特征等，然后在收集意见的基础上 分析市场变化，预测未来市场需求。运用 这种方法预测的客观性大大提高。
3、部门主管集体讨论法
第3章需求预测(2).
∑ A −F
MAD=
t =1 t
n
t
n
(3.17)
式中, At 表示时段 t 的实际值； Ft 表示时段 t 的预测值； n 是整个预测期内的时段个数(或预 测次数)。 MAD 的作用与标准偏差相类似,但它比标准偏差容易求得。 如果预测误差是正态分布,MAD 约 等于 0.8 倍的标准偏差。这时,1 倍 MAD 内的百分比约为 58%,2 倍 MAD 内约为 89%,3 倍 MAD 内约 为 98%。 MAD 能较好地反映预测的精度,但它不容易衡量无偏性。 （二）平均平方误差(Mean Square Error,MSE) 平均平方误差就是对误差的平方和取平均值。沿用式 3.17 中的符号,MSE 用公式表示为
出界 0
上限
下限 时间 图 3-9 预测跟踪信号
小结 本章第一节介绍了预测及其分类，对影响需求的主要因素进行了分析，从不同的角度对预 测和预测方法进行分类，提出了预测的一般步骤和实行预测应该注意的问题。第二节介绍了常 用的几种定性预测方法，包括德尔菲法、部门主管集体讨论法、用户调查法和销售人员意见汇 集法。第三节分析了时间序列的构成，阐述了定量预测方法，包括时间序列平滑模型(简单移动 平均法、加权移动平均法、一次指数平滑法和二次指数平滑法)，时间序列分解模型(加法模型 和乘法模型)，因果模型。第四节介绍平均绝对偏差、平均平方误差、平均预测误差和平均绝对 百分误差这四个常用的评价指标来衡量预测精度，提出了预测监控问题和预测跟踪信号。
思考题 1 预测是一种技能还是一种科学，为什么？ 2 销售预测和需求预测的关系是什么？ 3 说明判断在预测中的作用。 4 有哪些定性预测方法和定量预测方法？说明它们各自的特点和适用范围。 5 预测可分为哪些类型? 时间序列分析预测法一般用于哪些方面?它有哪些明显的优缺点? 练习题 1 表 3-10 给出了某计算机公司近 10 个月的实际销售量和用 A,B 两种模型进行预测的预测值。 (a)计算两种模型的 MAD; (b)计算两种模型的 RSFE; (c)哪一种模型好一些,为什么?
人力资源需求供给预测的方法
1、人力资本需求猜测的办法（1）主不雅断定法：依据治理人员曩昔的经验和直觉,依据每一产量增量估算劳动力的增量;一般用于短期猜测;实用于范围小.构造简略的组织构造.（2）微不雅集成法a自上而下：高层治理者先拟定组织的总体用人目的和筹划,然后逐级下达到各本能机能部分,将看法汇总后反馈回高层,修改后颁布.b自下而上：组织中各部分根据本部分的须要猜测将来某时代内对各类人员需求量,由人力资本部进行横向和纵向的汇总, 最后形成总体猜测筹划.实用于短期猜测和临盆比较稳固的企业.（3）德尔菲法(Delphi Method)也称集体猜测法,是归纳专家对影响组织成长的某一问题的一致看法的程序化办法.办法：①在企业中普遍地选择各个方面的专家 ;②主持猜测的人力资本部分要向专家解释猜测对组织的主要性,肯定症结的猜测偏向,解释变量和难题, 并列举猜测小组必须答复的一系列有关人力资本猜测的具体问题; ③采取寄发查询拜访表或问卷的情势,以不记名的方法征询专家们（平日10-12人）对问题的看法.专家各自自力提出本身的看法;④第一轮猜测后,收集.汇总专家看法,并将这一分解成果反馈给他们; ⑤反复上述步调3-5次,让专家们有机遇修改本身的猜测并解释原因,直到看法趋于一致.（4）工作研讨猜测法（工作负荷法）经由过程工作研讨（包含动作研讨和时光研讨）,来盘算完成某项工作或某件产品的工时定额和劳动定额,并斟酌到猜测期内的变动身分,肯定公司的职工需求.（5）转换比率剖析法：起首估量组织所须要的具有症结技巧的员工的数目,然后再依据这一数目来估量秘书.财务人员和人力资本治理人员等帮助人员的数目.经营运动营业量=人力资本数目*人均临盆率. 缺点：一是进行估量时须要对筹划期的营业增加量.今朝人均营业量和临盆率的增加率进行准确的估量;（6）回归猜测法：一元线性回归法：以时光或产量等单个身分作为自变量,人力数为因变量,假设曩昔的人力增减趋向不变,猜测将来的人力数.多元线性回归法：将多个身分作为自变量,找出人力资本需求随各身分的变更趋向,推想出人力需求的将来量.人力资供应猜测的办法：内部人力资本供应猜测办法1.人力资本信息库：技巧清单（治理才干清单）技巧清单是依据企业治理的须要,分散收集反应员工工作记载和工作才能特点的记载.特色：以工资动身点.2.人员核查：对现有人员的数目.质量.构造和在各职位上的散布状态进行核查,控制组织可供调配的人力资本失去量及应用潜力,以此评价不合种类员工的供应状态.特色：以职位为动身点.内容：（1）对企业的工作职位进行分类,划分职级;（2）肯定各职位和职级的人数;（3）联合人事调剂,做出人力资本供应猜测.3.人员接替法：依据绩效考察的成果肯定症结职位的内部侯选人.特色：以症结职位和症结员工为动身点.步调：肯定猜测所涉及的工作职位;肯定每个职位上的接替身选;评价接替身选的工作绩效;懂得接替身的职业成长须要,并引诱将小我的职业目的与组织目的联合起来.4.马尔可夫转移矩阵：依据曩昔人事项动的纪律,来猜测将来的人事项动趋向.假定前提：组织内部员工流淌模式和流淌比率会在将来大致反复.根本思惟是：找出曩昔人事项动的纪律,以此来推想将来的人事项动趋向.可以经由过程积年数据来推算每一种工作中人员变动的概率,就可以推想出将来的人员变动（供应量）情形.将筹划初期每一种工作的人员数目与每一种工作的人员变动率相乘,然后相加,即得到组织内部将来劳动力的净供应量.。
探析企业人力资源需求预测及其方法应用
探析企业人力资源需求预测及其方法应用随着市场经济的发展和企业的不断壮大，人力资源管理也变得越来越重要。
人力资源需求预测是人力资源管理中非常关键的一环，它指的是根据过去的数据和现有的情况，来预测未来企业的人力资源需求。
本文将探讨企业人力资源需求预测及其方法应用。
一、企业人力资源需求预测的意义人力资源需求预测的最核心意义在于帮助企业合理规划人力资源流动，在合理控制人力成本的同时，保障企业持续发展。
具体来说，它的意义主要包括以下方面：1. 提高企业的经济效益通过人力资源需求预测，企业可以预估人力投入和产出的比例，从而调整企业人力资源结构，降低企业成本并提高效益。
2. 帮助企业有效应对人才供需矛盾人才供需矛盾是当前各企业面临的痛点，通过对人力资源需求的准确定量，企业可以更好的配合人才市场，从而有效解决人才匮乏的问题。
3. 改进企业的招聘效率企业通过人力资源预测可以针对性招聘，有效提升招聘效率，减少招聘成本。
4. 提高企业员工的稳定性人力资源需求预测能够预见到未来的人力流动，在招聘前对应聘者做好准备，加强企业与员工的沟通，提升员工的归属感和稳定性，进而提高员工的工作效率和贡献度。
二、企业人力资源需求预测的方法企业人力资源需求预测的方法包括定量方法和定性方法两种。
1. 定性方法(1)专家访谈法专家访谈法主要是对目标领域的专家、企业管理人员和各类人才市场相关人士进行访谈，收集、汇总并分析信息，然后根据信息来做出判断。
这种方法在制定招聘政策等方面效果很好。
(2)Delphi法Delphi法是一种通过专家问卷调查的方法来提炼专家意见的方法，是一种组织内部意见汇总方法。
企业可以邀请在人力资源管理领域的专家，来补全组织内部人员打造的方案。
2. 定量方法(1)时间序列分析法时间序列分析方法是利用时间序列的有限历史数据所得出的模型，通过趋势分析、季节性分析和循环波动分析来预测未来的人力资源需求。
(2)单元根检验法单元根检验法是利用时间序列数据，采用最小二乘法求残差并利用卡尔曼滤波方法进行预测的方法。
需求预测
2
21.00
3
23.00
4
24.00
5
25.00
6
27.00
7
26.00
8
25.00
9
26.00
10
28.00
11
27.00
12
29.00
预测方法
时间序列的构成：
趋势成分：随时间的推移而表现出的一种倾向（上 升、下降、平稳）。
季节成分：特定周期时间里有规则的波动如：
➢每天有二次交通高峰； ➢每周周末，影院的客流量较大； ➢某些产品的季节性需求变化等。
预测方法
表 4 某公司的月销售额一次指数平滑预测表(α=0.7)
月 实际销 α×上月 上月预测销 (1-α)×上 本月平滑预
份 售额 实际销售 售额(千元) 月预测销售 测销售额
(千元) 额(千元)
额(千元) (千元)
1 10.00
11.00
2 12.00 7.00
11.00
3.30
10.30
3 13.00 8.40
27.00
26.50
预测方法
结果： N 越大,预测值越平滑，对干扰的 灵敏性越低，预测值的响应性也就越小。
例：
某电器公司电子原器件周销售值记录如下表所 示。取N=3和N=9。
试用简单平均法预测第16周的预测值。 解：
计算见下表。 N=3和N=9第16周的预测值分别为：
SMA16=（2300+2300+2000）/3=2200 SMA16 =（1300+…….+2000）/9=1956
例 1 某电子音响器材公司 SONY 牌CD机 的逐月销售量记录（如表 1 所示），取 n=3 和 n=4 ，试用简单移动平均法进行预 测。
需求预测的方法有哪些
需求预测的方法有哪些需求预测是指利用历史数据和统计方法来预测未来市场的需求情况。
通过需求预测，企业可以更好地制定采购计划、生产计划和销售策略，降低库存成本，提高生产效率，增强市场竞争力。
需求预测的方法多种多样，可以根据具体的情况选用不同的方法来进行预测。
下面将介绍一些常见的需求预测方法。
1. 趋势分析法趋势分析法是一种常见的需求预测方法，它基于历史数据中的趋势来预测未来的需求。
这种方法适用于需求变化比较平稳的产品。
通过对历史数据进行分析，可以发现产品的需求趋势，进而预测未来的需求情况。
趋势分析法通常使用数学模型来进行预测，如线性回归、指数平滑等。
2. 季节性分析法季节性分析法是一种针对季节性需求变化的预测方法。
许多产品的销量在不同季节会有明显的变化，因此需要通过季节性分析来预测未来的需求。
这种方法通常通过对历史数据进行季节性调整，然后再进行趋势分析来预测未来的需求情况。
3. 历史法历史法是一种简单直接的需求预测方法，它基于历史数据来进行预测。
通过分析历史数据的变化情况，可以预测未来需求的趋势和规律。
历史法适用于产品需求比较稳定，且没有太多外部因素影响的情况。
4. 调查法调查法是一种通过调查受访者的意见和观点来进行需求预测的方法。
这种方法通常适用于新产品的需求预测，通过市场调查和消费者调研来获取未来需求的信息，从而进行预测。
调查法能够更加直观地了解消费者的需求，但其结果受到访调者的主观因素影响较大。
5. 场景法场景法是一种通过构建不同的市场场景来对需求进行预测的方法。
这种方法通常适用于对未来不确定性较大的市场情况进行预测。
通过构建不同的市场情景，可以对未来需求进行多种可能性的预测，进而制定相应的应对策略。
6. 统计预测法统计预测法是一种基于统计学方法进行需求预测的方法，如时间序列分析、回归分析等。
通过对历史数据进行分析和建模，可以预测未来的需求情况。
这种方法通常需要借助统计软件进行分析和建模，能够更加客观地对未来需求进行预测。
电力系统短期需求预测理论与方法
电力系统短期需求预测理论与方法一、短期需求预测理论1.大数据挖掘理论大数据挖掘理论主要利用大数据技术对历史用电数据进行挖掘和分析，以寻找用电需求变化的规律和模式。
通过对消费者用电行为的挖掘，可以建立预测模型，预测未来电力需求。
2.时间序列分析理论时间序列分析是一种基于时间顺序的统计学方法，可以对历史用电数据进行建模和预测。
常用的时间序列分析方法包括自回归移动平均模型（ARMA）、自回归积分移动平均模型（ARIMA）和季节性自回归移动平均模型（SARIMA）等。
3.灰色系统理论灰色系统理论是一种非常适合于小样本数据预测的方法。
通过建立灰色模型，可以对电力系统的短期需求进行预测。
灰色模型有灰色驱动模型（GM)、灰色关联度模型（GRM）等。
二、短期需求预测方法1.基于统计方法基于统计方法是通过对历史用电数据进行分析和建模，来预测未来短期需求。
常用的方法有：(1)季节性回归模型：该方法将时序分解为趋势、季节性和残差三个部分，通过对趋势和季节性的拟合来预测未来需求。
(2)指数平滑法：通过加权平均的方法，对历史数据进行平滑处理，来预测未来需求。
常用的指数平滑法包括简单指数平滑法、二次指数平滑法和Holt-Winters指数平滑法等。
2.基于机器学习方法机器学习方法是通过对历史用电数据进行学习和训练，建立预测模型，并利用该模型来预测未来需求。
常用的方法有：(1)支持向量回归（SVR）：该方法是一种非线性回归模型，通过在高维特征空间中建立支持向量回归模型，来预测未来需求。
(2)人工神经网络（ANN）：该方法模拟了人类神经系统的工作过程，通过对历史数据的学习和调整，建立预测模型，来预测未来需求。
3.基于深度学习方法深度学习方法是一种基于人工神经网络的学习算法，具有强大的拟合能力和表达能力，可以对复杂非线性关系进行建模。
常用的方法有：(1)循环神经网络（RNN）：该方法通过记忆之前的输入，对未来需求进行预测，适用于带有时序关系的数据。
需求预测的分析方法
需求预测的分析方法需求预测是指通过对市场、消费者行为和其他相关因素进行分析和研究，以预测未来需求的变化趋势和规模。
预测准确的需求可以帮助企业合理安排生产计划、库存管理和市场营销策略，以满足消费者需求，提高企业的竞争力和经济效益。
以下是一些常用的需求预测分析方法：1. 历史数据分析法：通过对过去一段时间的销售数据和市场趋势进行分析，可以发现销售量和销售额的季节性、周期性或趋势性规律。
基于这些规律，可以预测未来需求的趋势和规模。
2. 调查问卷法：通过设计并发放调查问卷，收集消费者对产品或服务的需求和偏好信息。
通过统计和分析问卷结果，可以了解消费者对不同产品特征的偏好程度和购买意愿，进而预测市场需求的变化。
3. 高级统计方法：如时间序列分析、回归分析等，基于历史数据和其他相关因素进行统计建模。
通过寻找相关性和趋势，建立数学模型，预测未来的需求变化。
4. 专家咨询法：邀请相关领域的专家参与需求预测的讨论和分析。
专家可以根据其经验和洞察力，结合市场动态和潜在因素，对未来需求进行估计。
5. 场景分析法：通过对市场环境、竞争态势、消费者行为和政策变化等因素进行分析，并结合市场趋势和发展方向，预测未来需求的变化。
这种方法一般适用于长期和宏观层面的需求预测。
需要注意的是，需求预测并非准确无误的预测未来，而是通过合理的方法和分析，对未来需求进行估计和预测。
在实际应用中，可以综合多种方法和数据，结合经验判断和市场判断，提高需求预测的准确性和可靠性。
需求预测是指企业通过对市场环境、消费者行为和其他相关因素的分析和研究，来预测未来需求的变化趋势和规模。
准确的需求预测可以帮助企业合理制定生产计划、库存管理和市场营销策略，以满足消费者需求，提高企业的竞争力和经济效益。
在实际应用中，需求预测通常涉及多个因素的考虑。
下面将介绍一些常用的需求预测分析方法：1. 历史数据分析法：历史数据分析是一种基于过去销售数据和市场趋势的需求预测方法。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
需求预测方法常用的物资需求预测方法主要包括基于时间序列模型的移动平均预测法、指数平滑预测法、趋势外推预测法等;基于因果分析模型的回归分析预测法，基于统计学习理论以及结构风险最小原理的支持向量机预测方法，基于人工智能技术的人工神经网络算法。
归纳如图1：图1：物资需求预测方法一、 时间序列法1.定义：将预测对象按照时间顺序排列起来，构成一个所谓的时间序列，从所构成的这一组时间序列过去的变化规律，推断今后变化的可能性及变化趋势、变化规律，就是时间序列预测法。
2.概况：时间序列法主要考虑以下变动因素：①趋势变动，②季节变动，③循环变动，④不规则变动。
若以S t ，T t ，C t ，I t 表示时间序列的季节因素S t ，长期趋势波动、季节性变动、不规则变动．则实际观测值与它们之间的关系常用模型有加法模型：乘法模型：混合模型：时间序列预测一般反映三种实际变化规律：趋势变化、周期性变化、随机性变化。
t t t t I S T x ++=t t t t I S T x ⋅⋅=)())t t t t tt t t I T S x b I T S x a +⋅=+⋅=3.时间序列常用分析方法：移动平均法、指数平滑法、季节变动法等（1）移动平均法①简单移动平均法：将一个时间段的数据取平均值作为最新时间的预测值。
该时间段根据要求取最近的。
例如：5个月的需求量分别是10，12，32，12，38。
预测第6个月的需求量。
=27。
可以选择使用3个月的数据作为依据。
那么第6个月的预测量Q=32+12+383②加权移动平均法：将每个时段里的每组数根据时间远近赋上权重。
例如：上个例子，3个月的数据，可以按照远近分别赋权重0.2，0.3，0.5。
那么第6个月的预测量Q=0.2×32+ 0.3×12+0.5×38=29（只是在简单移动平均的基础上考虑了不同时段影响的权重不同，简单移动平均默认权重=1.）（2）指数平滑法基本思想：预测值是以前观测值的加权和，且对不同的数据给予不同的权数，新数据给予较大的权数，旧数据给予较小的权数。
指数平滑法的通用算法：指数平滑法的基本公式：St=aYt+(1-a)St-1 式中，St--时间t的平滑值；Yt--时间t的实际值；St-1--时间t-1的平滑值；a--平滑常数，其取值范围为[0,1]具体方法：一次指数平滑、二次指数平滑、三次指数平滑。
方法的选取：指数平滑方法的选用，一般可根据原数列散点图呈现的趋势来确定。
当时间数列无明显的趋势变化，可用一次指数平滑预测。
如呈现直线趋势，选用二次指数平滑法；若实际数据序列呈非线性递增趋势，采用三次指数平滑预测方法。
如呈现抛物线趋势，选用三次指数平滑法。
或者，当时间序列的数据经二次指数平滑处理后，仍有曲率时，应用三次指数平滑法。
（3）季节变动法根据季节变动特征分为：水平型季节变动和长期趋势季节变动①水平型季节变动: 是指时间序列中各项数值的变化是围绕某一个水平值上下周期性的波动。
若时间序列呈水平型季节变动，则意味着时间序列中不存在明显的长期趋势变动而仅有季节变动和不规则变动。
季节指数=各年同季（月）平均数/总平均数季节变差=各年同季（月）平均数 总平均数②长期趋势季节变动:是指时间序列中各项数值一方面随时间变化呈现季节性周期变化，另一方面随着时间变化而呈现上升(或下降)的变化趋势。
季节指数=各年同季（月）平均数/趋势值季节变差=各年同季（月）平均数趋势值季节变动预测的方法很多，应用时应根据季节变动的类型选择适应的预测方法若时间序列呈长期趋势季节变动，则意味着时间序列中不仅有季节变动、不规则变动，而且还包含有长期趋势变动。
（4）趋势外推法趋势外推预测法是一种通过逻辑推理分析,以期达到预测效果的预测方法。
其主要以事物发展的规律性为假设前提,即认为只要能够正确地了解并且掌握事物历史及现有的发展状态,就能够遵循其发展规律来预测事物的未來发展趋势。
趋势外推预测方法是一种探索型的预测方法,其主要适用于预测那些时间序列随着单位时间的增加或者减少,出现变化大致相同的长期需求预测。
4.时间序列建模时间序列是同类型指标值按时间顺序排列而形成的数列。
很多行业特别是金融行业会产生大量的时间序列，如经济数据、股市数据等。
要从这些数据中得到有用的数据，需要采用数据挖掘的技术，而建模是影响数据挖掘效果的一个重要因素，对于时间序列数据而言更是如此。
以下是时间序列建模的常用方法。
典型的时间序列模型有ARMA，HMM等基于模型的表示方法。
1.隐Markov模型（HMM）(matlab求解)隐马尔可夫模型（Hidden Markov Model，HMM）是统计模型，它用来描述一个含有隐含未知参数的马尔可夫过程。
其难点是从可观察的参数中确定该过程的隐含参数。
然后利用这些参数来作进一步的分析，例如模式识别。
HMM是一种不完全数据的统计模型，这种模型既能反映对象的随机性，又能反映对象的潜在结构，便于利用对象的结构与局部联系性质等方面的知识，以及对研究对象的直观与先验的了解。
HMM理论的主要内容包括3个基本问题及其算法：*1 评估问题：前向算法*2 解码问题：Viterbi算法*3 学习问题：Baum-Welch算法(向前向后算法)[1]2.自回移动平局模型（ARMA）（可以用SPSS和matlab求解）ARMA用于对平稳时间序列的建模，是一类基于自相关的时间序列分析模型。
ARMA 模型是AR模型和MA模型的综合，描述了系统对过去自身状态的记忆和系统对过去时刻进入系统的噪声的记忆。
近年来，许多成果将ARMA模型与时间序列挖掘方法相结合，用于研究时间序列的预测、分类、聚类以及相似查找等。
ARMA模型的基本思想是，时间序列数据的当前值x，不仅受当前干扰的影响，还与历史数据以及历史干扰紧密相关。
一旦时间序列的这种自相关性能够被定量确定，就可以对其建立合适的ARMA模型。
综上所述，没有一个模型能普遍适用于不同的应用，实际中的时间序列建模方法都是与特定应用相关的，由于应用的关注角度不同，实际的时间建模方法也有显著的差异。
二、因果分析法1.定义：是根据事物之间的因果关系来预测事物的发展和变化，通过对需求预测目标有直接或间接影响因素的分析找出其变化的规律，并根据这种变化规律来确定预测值。
因果关系模型用于研究不同变量之间的相关关系，用一个或多个自变量（多括时间）的变化来描述因变量的变化。
2.因果关系模型与时间序列模型不同：它不仅可以从事短期预测，而且还可以从事中、长期预测，也可以预测宏观、中观、微观问题。
3.因果关系模型包括：回归分析、经济计量模型、投入产出模型、灰色系统模型、系统动力学等。
①回归分析方法回归分析预测法是基于因果分析的预测方法,其主要通过分析与预测事物有关的现象的变化趋势,从因果关系出发,探究预测事物及其相关影响因子间的相互联系,通过回归方程的构建,来预测未来需求。
按照回归模型中自变量的多少,回归分析预测模型可以划分为一元以及二元回归模型两大类。
(a)一元回归预测模型一元回归预测模型是指通过采用最小二乘法,寻找唯一自变量与因变量之间经验公式的预测方法。
其首先需要确定唯一自变量,即找出影响预测目标的关键因素,然后通过最小二乘法求出回归方程系数,最后还需进行显著性检验,即对回归方程中自变量与因变量的密切程度进行检验。
(b)多元回归预测模型一元回归预测模型是影响因素通过关键影响因素作为唯一自变量来解释因变量的变化的预测方法,但在实际情况中,致使因变量变化的因素可能涉及多个,这就需要引入多元回归预测模型来完成预测的实现了,通过引用若干个影响因子作为自变量来解释因变量的变化趋势。
虽然,多元回归的原理与一元回归模型没有区别,但是在计算上却更为复杂,不仅需要考虑所有自变量与因变量之间的相关性检验,还需要研究自相关、偏相关、多变量共相关等问题。
②经济计量法经济计量法是经济分析与数学方法相结合的一种预测方法。
通常将描述预测对象有关主要变量相互关系的一组联立方程式称为经济计量模型。
特点：经济系统，而不是单个经济活动；相互依存、互为因果，而不是单向因果关系；必须用一组方程才能描述清楚。
经济计量模型的方程形式：单方程计量经济学模型，是用单一方程描述某一经济变量与影响该变量变化的诸因素之间的数量关系。
它适用于单一经济现象的研究，揭示其中的单向因果关系。
联立方程模型则用多个方程描述经济系统中诸因素之间的数量关系。
它适用于复杂经济现象的研究，在复杂的经济现象中，诸因素之间是相互依存、互为因果的。
单一方程式：例如：Y=X1+X2+X3 联立方程式：例如：Y1=X1;Y2=Y1+X2+X3;Y3=Y2+X2③投入产出分析法投入产出分析法是反映经济系统各部分（如各部门、行业、产品）之间的投入与产出间的数量依存关系，并用于经济分析、政策模拟、经济预测、计划制定和经济控制等的数学分析方法。
它是经济学与数学相结合的产物，属交叉科学。
在收集资料确定本期企业投入产出平衡表基础上，可以计算出各种消耗系数。
假设企业设备和技术条件不变的条件下，就可以根据投入产出表建立的综合平衡模型进行预测应用，为计划管理、生产安排提供信息依据。
常见的有以下两种应用：a)已知计划期内各种自产产品总产量列向量X，求最终产品量列向量Y，以及为确保计划完成所必须准备的各种外购资源消耗总量的矩阵H。
b)已知计划期内最终产品计划任务矩阵Y，计算计划期内各产品的总产量列向量X，以及确保计划完成所必须提供的各种外购资源H矩阵。
④灰色预测模型定义：灰色系统是指相对于一定的认识层次，系统内部的信息部分已知，部分未知，即信息不完全，半开放半封闭的。
灰色预测是对灰色系统进行的预测，其特点是预测模型不是唯一的；一般预测到一个区间，而不是一个点；预测区间的大小与预测精度成反比，而与预测成功率成正比。
通常灰色预测所用的模型为GM（1,1），该模型基于随机的原始时间序列，经累加生成新的时间序列，其中所呈现的规律用一阶线性微分方程的解来逼近，从而得到预测方程。
适用于：中长期预测。
应用：在预测应用上，如气象预报、地震预报、病虫害预报等，国内学者做出了许多有益的研究。
优势：所需样本少，样本不需要有规律性分布，更能动态地反映系统最新的特征，这实际上是一种动态预测模型。
预测准确度高。
(3)支持向量机预测模型支持向量机(SVM)方法是一种小样本的机器学习算法,其是在统计学习理论以及结构风险最小原则的基础上探讨所得的一种算法。
通过对有限样本信息的分析研究,在模型复杂性(针对特定训练样本的学习精度)以及学习能力(准确识别样本的能力)之间寻求一个最佳平衡点,以获得最佳的推广能力。
其核心思想是通过非线性变换将输入空间变换到一个高维空间,然后在新空间中求取最好的线性分类面,非线性变换的完成主要是依靠准确定义合适的内积函数,其最优分离超平面,如图2所示。