什么是需求预测（Forecasting: Principles and practice第一章）

1. getting started
   1.1 what can be forecast?
   事件或数量的可预测性取决于
2. 我们对造成这种情况的因素了解程度如何
3. 有多少数据可用
4. 预测是否会影响我们要预测的事物

1.2 forecasting, planning and goals
预测：给出所有可用信息，包括历史数据和任何可能影响预测的未来事件的了解，都旨在准确预测未来
目标：是想发生的事情，目标应该与预测和计划相关联，但并不总是会发生。设定目标时常常没有任何实现目标的计划，也没有预测目标是否实现。
规划：对预测和目标的回应；规划涉及确定使预测符合目标所需的适当操作

短期预测：安排人员，生产和运输所需的事件
中期预测：需要确定未来的资源需求
长期预测：用于战略规划，需考虑市场机会，环境因素和内部资源。

1.3 determining what to forecast
预测早期，需要确定预测内容：

1. 预测是每个产品线，还是产品组
2. 预测是针对每个销售网点，还是针对地区销售的网点，还是针对总销量
3. 预测是针对每周数据，每月数据还是每年的数据

1.4 forecasting data and methods
适当的预测方法在很大程度上取决于可用的数据

如没有可用数据，或可用数据与预测不相关，则要使用定性预测

满足两个条件时，可用定量预测：

1. 提供有关过去的数字信息
2. 可合理假设过去模式的某些方面会持续到来

时间序列预测：最简单的时间预测方法仅使用有关变量信息进行预测，而不尝试发现影响其行为的因素；因此，他们将推断趋势和季节模式，但忽略所有其他信息。

用于预测的模型包括：分解模型，指数平滑模型和ARIMA模型。

预测变量和时间序列的预测
预测变量通常在时间序列预测中很有用；假如构建一个电力预测的模型

预测中总有电力需求变化，而预测变量无法解释；右侧‘error’允许随机变化及模型中未包含的相关变量的影响。
由于电力需求数据形成一个时间序列，故我们可用时间序列模型进行预测。此时，合适的时间序列预测方程式为：

这里，对未来预测是基于变量的过去值，而不是基于可能影响系统的外部变量。
还有第三种模型结合了以上两个模型的功能：

这些类型的混合模型可被称为动态回归模型，面板数据模型，纵向模型，传递函数模型和线性模型。

1.6 the basic steps in a forecasting task
预测通常涉及5个基本步骤：
1） 问题定义
仔细定义问题需要了解使用预测的方式，需要预测的人员及预测功能如何适合需要预测的组织。
2） 收集信息
始终至少需要两种信息
a) 统计数据
b) 收集数据和使用预测的人员累积专业知识
3） 初步探索性分析
从绘制数据图表开始，探索是否存在一致的模式？有明显的趋势吗？季节性重要吗
4） 选择和拟合模型
使用的最佳模型取决于历史数据的可用性，预测变量和任何解释变量之间的关系强度及预测的使用方式。
5） 使用和评估预测模型
选择模型并估计其参数后，用该模型进行预测

1.7 the statistical forecasting perspective
在大多数预测情况下，随着事件的临近，与我们预测事物相关的变化会缩小；换句话说，我们预测的越远，我们就越不确定。

Prediction interval(预测间隔)：给出随机变量可以相对较高的概率获取的一系列的值；如一个95%预测间隔包含了一系列值，其中应包括概率为95%的实际未来值。