基于ARIMA模型的JG钢铁原料库存量预测研究

马自冉　刘怀勇

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钢铁原料库存量数据进行数据初步处理。

首先，DPS软件通常采用X2检验，结果显示卡方值的显著水平为p=0.004<0.05，检验数据处于非正态分布。

其次，通过Daniel检验数据平稳性，数据为p=0.0001对库存量原始数据进行平方根转换和一阶差分处理之后，卡方值显著水平为p=0.48>0.05，说明数据属于正态分布，同时Daniel检验结果为p=0.17>0.05，说明数据处于平稳状态。

3.2 ARIMA模型p和q的确定

DPS理系统采用赤池信息量准则法，同时根据相关系数值以及拟合度的大小来进一步定阶。通常当AIC的值较小且R的值及拟合度C的值较大，说明模型的预测性越好。

因此，取d=1，从低阶到高阶一次对p，q的不同值分别进行拟合建模，比较各个模型所对应的值，见表1，选取拟合最优模型。

利用ARIMA（1，1，1）模型对JG钢铁原料库存量进行拟合，并将拟合值与库存量实测值进行残差分析，如图2所示。库存量残差图中的点位于时间线的带状区域附近，说明ARIMA（1，1，1）模型具有适应性。另外，观测值和拟合值的序列曲线保持方向大体一致，说明ARIMA模型对库存的短期预测能力较好。

5 结 语

应用ARIMA（1，1，1）模型对JG钢铁原料库存量的预测是切实可行的预测是切实可行的，应用上述对JG钢铁原料库存量进行了预测，得到4月1日至4月5日的库存量分别为：17.69、 17.55、17.48、17.41。研究结果对JG钢铁原料库存量的研究具有一定的价值。

参考文献：

[1] 刘国莉，唐立新，张明.钢铁原料库存问题研究[J].东北大学学报，2007，（2）.

[2] 郑鹏辉.基于ARIMA模型的组合模型研究[D].秦皇岛：燕山大学，2008.

[3] 唐启义.DPS数据处理系统一实验设计、统计分析及模型优化[M].北京：科学出版社，2006.