0
  • 聊天消息
  • 系統(tǒng)消息
  • 評(píng)論與回復(fù)
登錄后你可以
  • 下載海量資料
  • 學(xué)習(xí)在線課程
  • 觀看技術(shù)視頻
  • 寫文章/發(fā)帖/加入社區(qū)
會(huì)員中心
創(chuàng)作中心

完善資料讓更多小伙伴認(rèn)識(shí)你,還能領(lǐng)取20積分哦,立即完善>

3天內(nèi)不再提示

ARIMA時(shí)間序列模型的建立及在半導(dǎo)體行業(yè)領(lǐng)域的應(yīng)用

電子設(shè)計(jì) ? 來源:半導(dǎo)體技術(shù) ? 作者:鈕軼君,錢省三 ? 2021-03-24 14:48 ? 次閱讀

作者:鈕軼君,錢省三,任建華

1 引言

當(dāng)今半導(dǎo)體產(chǎn)業(yè)面臨全球化的巨大挑戰(zhàn),不但存在行業(yè)內(nèi)部企業(yè)之間的競爭,行業(yè)與行業(yè)之間的競爭也日益激烈,直接導(dǎo)致市場需求不確定因素急劇增加;另外,近年來半導(dǎo)體產(chǎn)品的生命周期日趨縮短,這又直接增大了該產(chǎn)業(yè)市場需求預(yù)測的難度,因此,需求預(yù)測管理成了半導(dǎo)體制造企業(yè)運(yùn)營過程中重要的環(huán)節(jié)?

據(jù)iSupply的研究統(tǒng)計(jì),目前有高達(dá)70%的晶圓廠不能進(jìn)行較為準(zhǔn)確的需求預(yù)測?這將引發(fā)企業(yè)交期延誤?資產(chǎn)周轉(zhuǎn)率減緩?庫存過剩及成本增加

等危機(jī)?半導(dǎo)體產(chǎn)業(yè)分工細(xì)微,上中下游程序息息相關(guān),建立有效的訂單預(yù)測管理體系可降低需求預(yù)測誤差帶來的風(fēng)險(xiǎn),使得企業(yè)獲得更多的市場份額,并提升自身的訂單交貨率和顧客滿意度?

本研究擬建立ARIMA (autoregressiveintegratedmovingaveragemodels)時(shí)間序列模型,并針對(duì)我國某半導(dǎo)體晶圓廠進(jìn)行實(shí)例研究,旨在幫助晶圓代工廠準(zhǔn)確而彈性地滿足顧客需求并實(shí)現(xiàn)最大化利潤?

2 ARIMA模型簡介

Box和Jenkins(1977)首次提出了一種時(shí)間序列預(yù)測分析方法,自回歸求和滑動(dòng)平均過程,簡稱ARIMA(p,d,q)?其中,p為自回歸項(xiàng)數(shù),q為滑動(dòng)平均項(xiàng)數(shù),d為使之成為平穩(wěn)序列所做的差分次數(shù)(階數(shù))?ARIMA模型主要應(yīng)用于需求預(yù)測?

2.1 自回歸求和滑動(dòng)平均模型(ARIMA)

ARIMA包含了三種模型:autoregressive(AR)?movingaverage(MA)和ARMA?運(yùn)用ARMA模型的前提條件是,用作預(yù)測的時(shí)間序列是由零均數(shù)的平穩(wěn)隨機(jī)過程產(chǎn)生的?

所謂由平穩(wěn)隨機(jī)過程產(chǎn)生的時(shí)間序列具有以下性質(zhì):(1)概率分布函數(shù)不隨時(shí)間變化;(2)期望值?方差和自協(xié)方差是不依賴于時(shí)間的常數(shù)?

隨機(jī)時(shí)間序列模型必須以時(shí)間序列的平穩(wěn)性為基礎(chǔ)建立?時(shí)間平穩(wěn)性反映在圖形上就是時(shí)間序列數(shù)據(jù)的自相關(guān)系數(shù)在某一固定水平線附近擺動(dòng),且按周期性逐漸衰減?所以對(duì)于某些不平穩(wěn)的時(shí)間序列必須經(jīng)過差分變換,使其轉(zhuǎn)化成平穩(wěn)的時(shí)間序列?

如果經(jīng)過差分變換后的時(shí)間序列再應(yīng)用ARMA模型,習(xí)慣上稱該序列為ARIMA模型,該模型定義為

ARIMA時(shí)間序列模型的建立及在半導(dǎo)體行業(yè)領(lǐng)域的應(yīng)用

式中,B為后移算子,▽為差分算子?記為Bkzt=zt-k?這樣,一個(gè)非平穩(wěn)時(shí)間序列經(jīng)過d次差分后轉(zhuǎn)化成一個(gè)平穩(wěn)的時(shí)間序列,然后就可以用平穩(wěn)的時(shí)間序列模型ARIMA來表示?

2.2 ARIMA乘積模型

對(duì)于一些以月?季度為時(shí)間單位的序列來說其時(shí)間序列分析是有季節(jié)變化的?季節(jié)模型和連續(xù)模型一樣,只是連續(xù)模型的時(shí)間單位是1,而季節(jié)模型的時(shí)間單位是相應(yīng)的周期s?

在實(shí)際情況中,往往一個(gè)季節(jié)性時(shí)間序列不僅僅有季節(jié)性成分還會(huì)含有非季節(jié)性成分;或者說既包含不同周期間的變化情況,還包含同一周期中不同觀察值的變化情況?這時(shí)可用ARIMA乘積模型進(jìn)行預(yù)測可以獲得較為滿意的結(jié)果?

ARIMA乘積模型的數(shù)學(xué)表達(dá)式為

記為:ARIMA(p, d, q) × (P,D,Q)S?

2.3 ARIMA乘積模型的模型識(shí)別方法

ARIMA乘積模型的自相關(guān)函數(shù)(ACF))和偏自相關(guān)函數(shù)(PACF)性質(zhì)見表1,可以據(jù)此判斷該模型中各參數(shù)的選取?

3 實(shí)例研究

本實(shí)例主要利用SPSS13.0對(duì)產(chǎn)品C建立ARIMA模型?以2001年1月~2006年6月某半導(dǎo)體制造廠A公司的產(chǎn)品C實(shí)際銷售數(shù)據(jù)為基礎(chǔ)?其中2001年1月~2005年12月的歷史訂單數(shù)據(jù)將被用以建立預(yù)測模型,而2006年1月至2006年6月的實(shí)際銷售數(shù)據(jù)則作為判斷對(duì)該模型預(yù)測效果好壞的評(píng)判標(biāo)準(zhǔn)?

3.1 判斷模型時(shí)間序列的平穩(wěn)性

設(shè)定參數(shù)d,D?繪制產(chǎn)品C歷史需求量的序列圖?產(chǎn)品C的歷史需求數(shù)據(jù)呈周期狀波動(dòng),周期為1年,這是由于半導(dǎo)體產(chǎn)業(yè)的景氣循環(huán)造成的?因此考慮采用ARIMA (p,d,q)×(P,D,Q)S季節(jié)模型進(jìn)行預(yù)測,通過一次差分和一次季節(jié)差分將原產(chǎn)品C的銷售量時(shí)間序列轉(zhuǎn)化成平穩(wěn)序列,即d取1,D取1?

3.2 判斷時(shí)間序列的ACF和PACF特征

設(shè)定參數(shù)p,q,P,D;從所得的候選模型中判斷選出最合適的預(yù)測模型?利用表1所示的ARIMA模型識(shí)別方法,選出產(chǎn)品C的9個(gè)需求預(yù)測候選模型?AIC和BIC信息選擇值?

根據(jù)表2所示,選出AIC和BIC值皆最小的候選模型組合(2,1,0) ×(1,1,1)12,作為產(chǎn)品C的需求預(yù)測模型?從所選模型的殘差自相關(guān)函數(shù)圖和殘差偏自相關(guān)函數(shù)圖中可以看出,該候選模型下,自相關(guān)圖和偏自相關(guān)圖皆不顯著,所以產(chǎn)品C的殘差為“白噪聲”序列?

3.3 對(duì)所選出的產(chǎn)品C預(yù)測候選模型進(jìn)行參數(shù)估計(jì)?假設(shè)檢驗(yàn)和模型診斷

ARIMA模型中,誤差項(xiàng)序列必須正態(tài)且相互獨(dú)立,因此必須對(duì)訂單預(yù)測候選模型進(jìn)行殘差檢驗(yàn),以確定該模型的誤差項(xiàng)是否為“白噪聲”序列,如不是的話,則要對(duì)該候選模型進(jìn)行修正?由前K個(gè)殘差自相關(guān)系數(shù)^γ1,…,^γk組成的統(tǒng)計(jì)量Q,即

式中: ^γk為殘差自相關(guān)系數(shù);T為時(shí)間序列的觀察值個(gè)數(shù)?統(tǒng)計(jì)量Q是均值為0方差為1/T的獨(dú)立正態(tài)隨機(jī)變量的平方和?Box和Pierce證明了其近似程度非常高,且統(tǒng)計(jì)量Q服從自由度為K-p-q的χ2分布?

對(duì)于產(chǎn)品C,有

因此產(chǎn)品C取ARIMA (2,1,0) × (1,1,1)12模型可以通過χ2 檢驗(yàn)?運(yùn)行SPSS軟件的ARIMA分析模塊即可得到產(chǎn)品C的需求預(yù)測模型表達(dá)式為

式中: aC,t為白噪聲殘差序列; B為后移算子?其中ΦC,1=0.911,ΦC,2=-0.355,ΦC,1=-0.269,ΘC,1=0.975?

3.4 判斷產(chǎn)品的預(yù)測效果

判斷產(chǎn)品產(chǎn)品C取ARIMA (2,1,0) × (1,1,1)12模型的預(yù)測效果比較,見圖1?

從圖1可以看出,產(chǎn)品C取ARIMA(2,1,0)×(1,1,1)12模型時(shí),可以獲得和實(shí)際銷售量情況較一致的預(yù)測效果?所以產(chǎn)品C的需求預(yù)測模型即為ARIMA(2,1,0) × (1,1,1)12?

4 結(jié)論

半導(dǎo)體產(chǎn)品需求變化很大,因此對(duì)其進(jìn)行較為準(zhǔn)確的預(yù)測將幫助企業(yè)更好的進(jìn)行各種生產(chǎn)決策和庫存決策,有效地避免了庫存積壓和供需失衡現(xiàn)象出現(xiàn)給企業(yè)帶來的損失?

利用ARIMA模型進(jìn)行需求預(yù)測具有精度高?數(shù)據(jù)可靠?操作方便?運(yùn)行迅速?應(yīng)變能力強(qiáng)等優(yōu)點(diǎn),但從模型本身的構(gòu)建原理來看,該時(shí)間序列模型只適合于作短期預(yù)測,不適合于作長期預(yù)測?如果企業(yè)能對(duì)半導(dǎo)體市場需求進(jìn)行較為準(zhǔn)確的預(yù)測,同時(shí)結(jié)合供應(yīng)鏈環(huán)境制定出切實(shí)準(zhǔn)確的生產(chǎn)決策,可以從很大程度上提高企業(yè)以及其合作伙伴的收益?

責(zé)任編輯:gt

聲明:本文內(nèi)容及配圖由入駐作者撰寫或者入駐合作網(wǎng)站授權(quán)轉(zhuǎn)載。文章觀點(diǎn)僅代表作者本人,不代表電子發(fā)燒友網(wǎng)立場。文章及其配圖僅供工程師學(xué)習(xí)之用,如有內(nèi)容侵權(quán)或者其他違規(guī)問題,請(qǐng)聯(lián)系本站處理。 舉報(bào)投訴
  • 半導(dǎo)體
    +關(guān)注

    關(guān)注

    334

    文章

    27390

    瀏覽量

    219092
  • 晶圓
    +關(guān)注

    關(guān)注

    52

    文章

    4917

    瀏覽量

    128026
收藏 人收藏

    評(píng)論

    相關(guān)推薦

    【《時(shí)間序列與機(jī)器學(xué)習(xí)》閱讀體驗(yàn)】+ 時(shí)間序列的信息提取

    利用這些信息來建立時(shí)間序列模型,可見信息提取是一個(gè)關(guān)鍵的步驟。 本章第一小節(jié)直接引入了特征工程定義: 特征工程(Feature Engineering)是將數(shù)據(jù)轉(zhuǎn)換為更好地表示潛在問題的特征,從而
    發(fā)表于 08-14 18:00

    標(biāo)題:群“芯”閃耀的半導(dǎo)體行業(yè)

    。我們通常提及的半導(dǎo)體產(chǎn)業(yè)除了半導(dǎo)體器件的設(shè)計(jì),制造及封裝之外,還包括硅材料制造業(yè)及封裝材料制造業(yè)。由于集成電路是半導(dǎo)體技術(shù)的核心,集成電路的發(fā)展及其各個(gè)
    發(fā)表于 09-23 15:43

    創(chuàng)新是半導(dǎo)體行業(yè)新一輪增長的關(guān)鍵

    從娛樂產(chǎn)品、通信設(shè)備、交通系統(tǒng),到節(jié)能應(yīng)用和醫(yī)療保健設(shè)備,在這些徹底改變我們的日常生活方式的全新應(yīng)用領(lǐng)域中,半導(dǎo)體技術(shù)日益普及,并發(fā)揮著關(guān)鍵作用,這意味著半導(dǎo)體行業(yè)的成功較其它
    發(fā)表于 03-22 17:43

    labview arima model的模型怎么建立

    誰有幾個(gè)好一點(diǎn)的簡單例子 關(guān)于arima model time series
    發(fā)表于 02-18 17:25

    SPC半導(dǎo)體半導(dǎo)體晶圓廠的實(shí)際應(yīng)用

    梁德豐,錢省三,梁靜(上海理工大學(xué)工業(yè)工程研究所/微電子發(fā)展中心,上海 200093)摘要:由于半導(dǎo)體制造工藝過程的復(fù)雜性,一般很難建立其制造模型,不能對(duì)工藝過程狀態(tài)有效地監(jiān)控,所以迫切需要先進(jìn)
    發(fā)表于 08-29 10:28

    安森美半導(dǎo)體宣布收購Fairchild半導(dǎo)體

    把電源設(shè)計(jì)的模型、計(jì)算和迭代步驟建立到工具中。查看一系列擴(kuò)展的產(chǎn)品和工具,看看安森美半導(dǎo)體的高能效產(chǎn)品和方案如何幫助您創(chuàng)新設(shè)計(jì)!
    發(fā)表于 10-31 09:17

    自回歸滯后模型進(jìn)行多變量時(shí)間序列預(yù)測案例分享

    wine。如何建立一個(gè)模型來進(jìn)行預(yù)測呢?  一種常見的方法是將該變量其視為單變量時(shí)間序列。這樣就有很多方法可以用來模擬這些系列。比如 ARIMA
    發(fā)表于 11-30 15:33

    ARIMA模型期貨交易預(yù)測中的應(yīng)用研究

    求和自回歸移動(dòng)平均模型ARIMA非平穩(wěn)時(shí)序序列預(yù)測中有良好的效果,文章通過對(duì)原始數(shù)據(jù)進(jìn)行簡單平穩(wěn)處理,在一定程度上達(dá)到減小預(yù)測誤差,提高預(yù)測精度的目標(biāo)。關(guān)
    發(fā)表于 08-19 10:33 ?18次下載

    算法大全_時(shí)間序列模型

    算法大全_時(shí)間序列模型,有需要的下來看看
    發(fā)表于 01-14 17:59 ?0次下載

    基于模糊時(shí)間序列定義論域方法

    文中基于模糊時(shí)間序列模型,提出了如何定義論域的方法。預(yù)測人員不斷地應(yīng)用模糊時(shí)間序列模型進(jìn)行預(yù)測的同時(shí),也對(duì)此模型進(jìn)行了不同方面的改進(jìn),但是大部分主要包括兩個(gè)方面:一是論域劃分,而是模
    發(fā)表于 10-28 13:13 ?0次下載

    基于ARIMA-GARCH模型的超短期風(fēng)速預(yù)測

    精準(zhǔn)的風(fēng)速預(yù)測對(duì)于降低風(fēng)功率波動(dòng)對(duì)電網(wǎng)穩(wěn)定性的影響具有重大意義。為此,基于時(shí)間序列分析方法中的自回歸差分移動(dòng)平均模型(auto regressive integrated moving
    發(fā)表于 12-26 16:58 ?3次下載
    基于<b class='flag-5'>ARIMA</b>-GARCH<b class='flag-5'>模型</b>的超短期風(fēng)速預(yù)測

    基于動(dòng)態(tài)時(shí)間彎曲距離的長期直覺模糊時(shí)間序列預(yù)測

    針對(duì)現(xiàn)有直覺模糊時(shí)間序列模型中直覺模糊關(guān)系組和確定性轉(zhuǎn)換規(guī)則過度依賴訓(xùn)練數(shù)據(jù)規(guī)模的問題,提出一種基于動(dòng)態(tài)時(shí)間彎曲(DTW,dynamic time warping)距離的長期直覺模糊時(shí)間序列
    發(fā)表于 02-08 16:14 ?0次下載
    基于動(dòng)態(tài)<b class='flag-5'>時(shí)間</b>彎曲距離的長期直覺模糊<b class='flag-5'>時(shí)間</b><b class='flag-5'>序列</b>預(yù)測

    利用ARIMA時(shí)間序列模型滿足半導(dǎo)體市場需求并實(shí)現(xiàn)最大化利潤

    當(dāng)今半導(dǎo)體產(chǎn)業(yè)面臨全球化的巨大挑戰(zhàn),不但存在行業(yè)內(nèi)部企業(yè)之間的競爭,行業(yè)行業(yè)之間的競爭也日益激烈,直接導(dǎo)致市場需求不確定因素急劇增加;另外,近年來
    的頭像 發(fā)表于 01-20 10:39 ?2231次閱讀

    時(shí)間序列預(yù)測是否有必要用深度學(xué)習(xí)

    過去幾年,時(shí)間序列領(lǐng)域的經(jīng)典參數(shù)方法(自回歸)已經(jīng)很大程度上被復(fù)雜的深度學(xué)習(xí)框架(如 DeepGIO 或 LSTNet 等)更新替代。這是因?yàn)閭鹘y(tǒng)方法可能無法捕獲長期和短期
    的頭像 發(fā)表于 03-24 13:59 ?1794次閱讀

    arimagarch模型怎么預(yù)測

    ARIMA-GARCH模型是一種時(shí)間序列預(yù)測方法,它結(jié)合了自回歸積分滑動(dòng)平均(ARIMA模型
    的頭像 發(fā)表于 07-09 10:22 ?507次閱讀