需求預測是影響存貨的管理績效，而客戶需求的銷售預測更是所有需求的源頭，一 般企業常利用歷史資料來分析預測未來的需求狀況，一列數據資料隨著時間的變化又具 有隨機性觀測的數據，且此數據資料在時間的前後有著互相關聯性質，稱之為時間序列。
時間序列是根據日、週、月或季等時間單位作為基礎，蒐集的資料具有先後順序的時間 排列，該方法係決策者認為未來的現象會受到過去經驗所影響。決策者試著將時間序列 區分為數個構成要素，並將之作為預測未來趨勢的依據，這四個基本要素(劉明德、柳 克婷，2014)：
1.長期趨勢：以長期觀點在觀察的這段期間內，數據資料隨著時間序列移動起伏，
顯現逐漸上升或是下降的趨勢。
2.週期性：通常是指一年以上的某一個時段，在每隔一個時段，時間序列週而復始 的呈現波浪循環，而週期的變動沒有一定時間長短，有的短如一、二年，也有長達數十 年。
3.季節性：在一年內的時間序列隨季節因素影響，依週、月或是季呈規則且連續性
的高峰期或者谷低期，許多企業的活動像是生產、銷售收入等在一年內隨著季節的不同 而變動，這些變動可能來自四季變化、假日節慶等。
4.隨機變動：隨機或是不正常狀態所產生的變動，沒有一定的模式可以辨別或遵循，
這隨機變動是去除上述三種要素後的殘差項，它主要是因為天災人禍、罷工或是戰爭等 事件所引起
。
分析時間數列資料時以時間為自變數，各個時間點所發生事件的數值則為依變數，
它具有幾個特性(林惠玲、陳正倉，2010)：
1. 時間數列中的觀察數據是由四個影響因素所組成。即是長期趨勢、循環變動的週 期性、季節性變動及隨機的不規則變動。
2. 時間數列的各個觀察數據通常互相有關聯，唯有時間相隔越長，關聯性越小。
3. 不同時間單位的時間數列因分析上的需求，可以轉換為相同時間單位的時間數 列。
4. 時間數列有先後次序排列，應依照該次序排列不可任意變更。
5. 時間數列的時間單位可為年、季、月、周、日等。
時間數列主要是做預測，預測是否精確則有許多不同的方法可衡量，最常用的衡量 指標為均方誤差(MSE)及平均絕對誤差(MAD)。
時間數列資料的分析方法可分為時間數列的古典分析方法、迴歸分析法以及平滑法 等，而平滑法一般常用的有三種：移動平均法、加權移動平均法以及指數平滑法(圖 2-1)
。
本研究選擇了與時間序列相關的預測方法，整理說明如下(鄭榮郎，2014；陳修懷，2014；葉淑媚，2009；林惠玲、陳正倉，2010; 劉明德、柳克婷，2014)：
(一) 移動平均法(Moving average method)：
在時間序列上將最近的 t 期資料加以平均，求得的平均值用來做為下一期(t+1) 的預測值，適用於無明顯長期趨勢與季節循環變動的時間數列資料。移動平均的時段越 長，時間數列的不規則性越能清除，決策者在選擇移動平均時段的長短時，大都會經過 多次嘗試及評估比較後選定。計算式：
∑ ：i 期的實際值
預測誤差為實際值和預測值的差， - 。 (二) 加權移動平均法(Weighted moving average)：
加權移動平均法是依據各期的重要程度，給予不同的權數(weight)以求得 t 期的 移動平均數，做為下一期(t+1)的預測值。所以加權移動平均法是以各期的重要度作為權 數而求得的平均值。若是決策者認為參與移動的平均時段中各時間點，對預測期影響程 度不同時，則可以給予適當的權數，使得預測值更可以反映實際變動的趨勢。計算式：
. . .
：本期預測值
：t 期間實際值
：t 期間權重， . . . =1
移動平均法或是加權移動平均法，計算過程簡單、易於使用、快速及成本相對 較低是其優點，缺點是無法適度的反應時間數列的季節性或趨勢性，較適合做短期的預 測。
(三) 指數平滑法(Exponential smoothing)：
指數平滑法亦是一種常用的預測方法，廣義而言是加權平均法的一種方法，所 不同的是在於指數平滑法僅需要利用少數資料即可進行預測。平滑指數α意指目前時間 點的觀察值對於下個時間點預測值的影響程度。α值愈大表示目前的時間點對於預測影 響的程度愈大，反之則愈小。所以隨著時間的消逝，重要性也隨指數下降，愈是近期的 資料權重則愈大。以指數平滑法做第一個時間點預測時，可以由決策者主觀的決定，或 是取前三期或四期時間點的平均觀察值作基準。例如最常用且簡單的一階指數平滑法 (first-order exponential smoothing method)，計算式：
α 1
：本期預測值
：t 期間實際值
：t 期間預測值
α：平滑指數(0 ≦ α ≦ 1)
當資料的變化大而不規則現象時，平滑指數α 就需要下修，而資料是屬於穩定狀態 者，適用於較大的平滑指數α。
(四) 迴歸分析法(Regression analysis)：
迴歸分析主要用途是｢預測｣，利用變數與變數之間的關聯性來建立彼此間的數 學函數關係，再藉由函數關係來做變數的預測。用來分析一個或是一個以上自變數與依 變數的數量關係，來了解當自變數在某一水準或數量時，依變數反應的水準或數量。在
此模式中對於要預測的變數稱之為依變數(Dependent variable)，而用來預測的變數稱之 為自變數(Independent variable)，如果只有一個自變數的分析方法稱為簡單迴歸(Simple regression)，迴歸方程式中二個或是二個以上的自變數分析方法稱為多元迴歸(Multiple regression)，又稱為複迴歸分析。
在研究的過程中，討論到二個變數資料時，需要考慮這二個變數之間，是否具 有某種程度的關係，其關係程度多大，即為相關係數(Coefficient of Correlation)；另一個 問題是變數之間有何種關係，即為迴歸分析(Regression analysis)。所以進行迴歸分析之 前，應先檢視變數與變數之間是否有關係，如果無關係，就不需要進行迴歸分析，如果 有關係，再視其型態進行迴歸分析(薄喬萍，2012)。
1. 相關係數(Coefficient of Correlation)
對於X，Y 二個變數，蒐集 n 對的相對應資料(x1,y1),(x2,y2),…,(xn,yn)，此 n 對 的數據之相關係數為r，計算式：
• Syy
Sxy：變數X，Y 之共變異 Sxx：變數X 之變異 Syy：變數Y 之變異
相關係數r 值介於-1 與 1 之間，若 0則 X 與 Y 為正相關，即當 X 值增加時，
Y 值也是增加而上升。若 0則 X 與 Y 為負相關，亦即當 X 值增加時，Y 值是減少而 下降。若是 1則 X 與 Y 為完全正相關，若是 1時 X 與 Y 則為完全負相關。
2. 迴歸分析(Regression analysis)
迴歸分析主要的用途是｢預測｣，由一組預測變數 X(或稱之獨立變數)，對另 一依變數Y 進行預測。如果獨立變數 X 僅有一個預測依變數 Y，稱之為簡單線性迴歸；
若是以多個自變數X1，X2，…，Xn，對依變數Y 的預測模式，則稱為複線性迴歸。
2.1 建立迴歸分析步驟：
1.計算 X 及 Y 平均值X，Y 2.計算 Sxy=∑ X Y 3.計算 Sxx=∑ X
4.參數估計： ， Y X
少的解釋
SR/SSTO 來 R2 70%具