大家好，我是許栩，歡迎來到我的專欄《需求預測基礎知識26講》，本文是專欄的第9講，時間序列預測法的分類。（專欄的明細目錄見下圖。）
一、隨機漫步法/天真預測，Naive Forecast。
最簡單的時間序列預測法被稱為樸素模型。
樸素模型的思路是，假定未來的需求將完全複製過去的模式。樸素模型又稱為隨機漫步法，有時也被稱作無變化模型，因為，它預測未來時期的結果和過去觀察到的實際結果完全一樣，沒有變化。
但市場是動態變化的，認為未來和過去完全一樣當然過於天真，於是，將這種隨機漫步法稱為天真預測。
天真預測，Naive Forecast，是指預測下一期需求時，下一期的預測數量等於本期的實際需求數量。無疑，這是一種最單純、操作最簡單、成本最低廉的預測方法。
天真預測最早由統計學家塞爾提出，他認為，沒有比直接將前一個月的實際銷售量作為後一個月的預測銷售量更容易的事。他又提到，如果其他技術均不能比這最容易的技術提供更好的預測，我們為什麼不使用簡單的技術呢？
我非常認可這個觀點，如果我們使用其它較複雜的預測技術，提供的預測結果並不比天真預測好，那麼，我們為什麼不直接使用天真預測。
二、平均法/移動平均法，Moving Average。
最常見的時間序列預測法是平均法。
平均法，即平均值預測法，是將以前各期的平均值作為下一期預測值的預測方法。平均法是最基礎的時間序列分析方法，或者這麼說，所有的時間序列技術本質上都是平均值。
因平均方法不考慮趨勢與季節性且對需求的反應滯後，缺點明顯，所以，為了克服平均值方法的缺點，其他幾乎所有的時間序列方法都因此而發展起來。
平均法的具體方法有很多種，我將其分為數學方法、物理方法兩個大類。數學方法主要包括，算術平均、幾何平均、調和平均和平方平均。物理方法主要包括，移動平均、加權平均、移動加權平均和中心移動平均。
需求預測中最常用的平均法是移動平均法。這裡說的最常用是指用得最多，並不代表移動平均法效果更好或預測更有效。
移動平均法，我將在專欄的第13講詳細講述與說明。
三、平滑法/指數平滑法，Exponential Smoothing。
使用最廣泛的時間序列預測法是平滑法。
首先說明，平滑其實是平均的一種（平均有時也稱為平滑），平滑法是一種特殊的平均方法。我這裡將平滑法單列說明，是為了與上面所講的那些普通的平均方法相區分。
平滑法的具體方法也有很多種（比如僅自適應平滑技術就有十多種），比如一次指數平滑法（也稱指數平滑法）、自適應指數平滑法、Holt雙參數指數平滑法，Holt-Winters三參數指數平滑法等。
需求預測中最常見平滑法是一次指數平滑法。
一次指數平滑法，我將在專欄的第15講詳細講述與說明。
四、時間序列預測法的分類圖。
以上，我說明時間序列的主要幾種方法，分別是最簡單的天真預測法，最常見的平均值預測法和使用最廣泛的平滑預測法。
時間序列預測法的分類明細如上圖，不過，我們一般忽略天真預測，僅將時間序列分為平均法和平滑法兩大類。
五、時間序列技術的另一種分類方法。
按照時間序列技術如何區分時間序列的四種模式（水平、趨勢、季節性和噪音），可以將時間序列技術分為兩大類：開放模型時間序列技術和固定模型時間序列技術。
開放模型時間序列預測（OMTS，Open-Model Time-Series），通過分析時間序列中存在的四種模式，建立針對分析結果的唯一模型來進行預測。固定模型時間序列預測（FMTS，Fixed- Model Time-Series），則先假設時間序列中存在（或不存在）四個模式中的一種或幾種，再進行建模預測。
用一句話描述兩者的區別：開放模型時間序列預測是先建模後分析，固定模型時間序列預測是先分析後建模。
存在多種不同的開放模型時間序列技術，比如分解分析技術、譜分析技術、傅立葉分析技術、自回歸移動平均分析技術等。
使用開放模型時間序列技術進行預測，需要大量的歷史數據，並且分析過程非常複雜，對使用者的技術要求非常高，並且，最關鍵的是，它預測的結果並不一定比固定模型時間序列技術表現更好。
所以，對於我們做供應鏈管理的需求預測來說，我非常不建議使用開放模型時間序列技術進行預測，完全沒有必要，而使用固定模型時間序列技術，完全可以滿足我們供應鏈進行需求預測的需求。
前面我講的平均法、平滑法都屬於固定模型時間序列預測法。
本講小結。
最簡單的時間序列預測法是天真預測法，但因為過於「天真」，我們一般不用，除天真預測外，我將時間序列分為平均法和平滑法兩大類。
最常見的平均法是移動平均法，最常見的平滑法是指數平滑法。
按照時間序列技術如何區分時間序列的四種模式，我們還可以將時間序列預測法分為開放模型時間序列預測法和固定模型時間序列預測法。開放模型時間序列預測法因其要求數據多、複雜和不實用，所以，我不建議我們日常工作中採用。
許栩原創專欄《需求預測基礎知識26講》持續更新中，接下來是第10講，定性預測與四種定性預測方法，歡迎繼續關注和閱讀，謝謝！