به طور کلی روش های متعددی برای مدل بندی و پیش بینی سریهای زمانی وجود دارند، روش های سنّتی، آماری مانند میانگین متحرک، میانگین موزون،ARIMA  ، نموّ هموار ساده و پیش بینی های خطیر از مقادیر آینده متغیرها ارائه می دهند. مدلهای خطّی باوجود برخی برتری ها، با محدودیت هایی مانند عدم توانایی در بیان روابط غیرخطّی، روبرو هستند. برای جبران ضعف روش های خطّی، چندین روش غیرخطّی دراین رابطه پیشنهاد شده اند. همچنین درسالهای اخیر شبکه های عصبی مصنوعی برای پیش بینی سری های زمانی به کار رفته اند. یکی از بزرگ ترین برتری شبکه های عصبی مصنوعی انعطاف پذیری آنها برای پیش بینی انواع مدل های غیرخطّی است ” زانگ، 2003″. از دیگر روش های قدرتمند نیز که می توان جهت پیش بینی از آن ها یاد کرد روش الگوریتم بهینه سازی توده ذرّات و الگوریتم بهینه سازی علف های هرز می باشد.

2.2.3.6.1.3. روندهای جدید در پیش بینی

با تغییر فضای کسب و کار و با در نظر گرفتن فضای متغیر و پر تلاطم کسب و کار کنونی، سازمان ها نیاز به سرعت در پاسخ گویی به تغییرات محیطی و دقت در شناسایی تغییرات آتی دارند. از این رو داشتن رویکرد صحیح استراتژیک و برنامه ریزی دقیق و در عین حال منطبق بر نیازهای مشتریان از نیازهای اجتناب ناپذیر است. نگرش درست سیستمی به پیش بینی، استفاده از روش های کارآمد و مناسب در پیش بینی و توان بهره مندی از مزایای روش های مختلف پیش بینی با بهره گرفتن از ترکیب این مدل ها، نکاتی است که می تواند مدیران را در جهت عملکرد موفقیت آمیز در محیط رقابتی امروزی یاری  دهد. از این رو در این بخش قصد داریم در سه قسمت مجزّا به سه موضوع فوق پرداخته و مطالب و تکنیک هایی ارائه دهیم. با نگاهی به موضوعات مقالات مختلف علمی در باب پیش بینی تقاضای محصول به این نتیجه می رسیم که تمرکز تحقیقات در سه حوزه بیشتر است: نخست آنکه به کارگیری مباحث علمی موجود در باب پیش بینی، تا چه حد، با چه روابطی و بر کدام پارامتر های موجود در سازمان تاثیر می گذارد و آن که آثار یاد شده بر کدام قسمت ها و به چه شکل ظهور می کنند. دانستن پاسخ سؤالات فوق، باعث ایجاد توانایی  بیشتر در یافتن پاسخ برای سؤالات زیر خواهد شد:

• چه نکاتی باید در پیش بینی تقاضای محصول مدّ نظر باشد؟
• نوع تاثیرات پیش بینی بر سیستم ، نقاط تاثیر و جهت تاثیر چگونه است؟
• چگونه می توان نتایج حاصل از پیش بینی را تعدیل کرد و آنها را با اطمینان خاطر بیشتری به کار برد؟

2.2.4. اندازه گیری و کنترل خطای پیش بینی

پیش بینی در جهت مقاصد زمانی می تواند کامل باشد که در آن تخمینی از خطاهای مورد انتظار نیز ارائه شود. ابتکار در پیش بینی های کوتاه مدت و بلند مدت و میان مدت با ارزش است. مورد استفاده ترین معیار ها، میانگین مجذور خطا (MSE)[19]، میانگین انحراف معیار و علامت نمایانگر هستند. میانگین مجذور خطا، با محاسبه مجموع مجذور خطاهای پیش بینی تقسیم بر تعداد دوره ها N بدست می آید. (2-1) با گرفتن مجذور انحرافات واقعی از تقاضای پیش بینی در محاسبۀ MSE ، وزن بیشتری به خطاهای بزرگتر داده می‌شود. این مورد موقعی مناسب است که هزینه های اشتباه، هزینۀ مازاد یا کمبود موجودی یا ظرفیت بسیار بالا باشد. معیار خطای ساده تر و مفیدتر، میانگین انحراف مطلق (MAD)[20] است، یعنی همان خطای پیش بینی که علامت آن ها حذف شده است. (2-2) مشاهده می شود که MAD به کلّ خطای پیش بینی بستگی دارد. این روش برای سیستم هایی مناسب است که هزینه های انحرافات پیش بینی به تأثیر تجمعی آنها بستگی دارد و ارتباطی به تخمین بیشتر یا کمتر تقاضا ندارد؛ یعنی اگر تقاضا بیش تر یا کم تر از مقدار واقعی برآورد شود در هر دو صورت هزینه یکسان است. انحراف معیار همان خطاها به شکل زیر باMAD  ارتباط دارد: (2-3)                                                                                       S = 1.25 MAD MAD: میانگین قدر مطلق انحرافات هرگاه پیش بینی، تقاضای واقعی را به خوبی برآورد کند، اشتباهات مشاهده شده، تصادفی و دارای یک توزیع نرمال با میانگینی برابر صفر هستند. بنابراین برای یک مدل پیش بینی ایده آل جمع جبری خطاهای پیش بینی (RSFE) باید برابر صفر باشد. زیرا خطاهای مثبت، منفی ها را خنثی می کنند. وجود تمایل به یک طرف در پیش بینی، خطای اضافی ایجاد می کند. توالی زیاد مقادیر مثبت در علامت نمایانگر، به معنی گرایش بدبینانه در پیش بینی است. در حالی که مقادیر منفی دلالت بر یک تمایل خوش بینانه دارد؛ یعنی به طور معمول مقدار تقاضای واقعی پایین تر از مقدار پیش بینی است. یک چنین تمایلی می تواند مربوط به ضعف در مدل پیش بینی و یا ناشی از حذف متغیر های کلیدی، یا تعیین روابط غلط برای متغیر ها و یا تغییرات مؤثر در محیط، مثل توزیع اقتصادی، کمبود انرژی و بحران های سیاسی باشد.