本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。

# 需求模式组件
<a name="demand-patterns-components"></a>

需求模式分析分三个维度：
+ 需求模式（基于需求随时间和数量的变化情况）
+ 年度需求（12 个月内的总需求量）
+ 历史长度（历史需求数据可用的时间段）

分析将您的需求模式分为四种不同的类型：平滑、间歇性、不稳定和块状。每个都是通过分析需求的频率和变异性来确定的。如果有符合条件的范围内产品没有历史数据，则将其分组在 “**Zero Forecast Deman** d” 部分下。有关更多信息，请参阅[需求模式](https://docs.aws.amazon.com/aws-supply-chain/latest/userguide/overview_dp.html#demand-pattern)。

各产品的需求模式分布为预期的预测可靠性提供了宝贵的见解。需求模式平稳（订单量和频率一致）的产品通常会产生最可靠的预测，因为它们的行为更具可预测性。相比之下，以不规则的峰值和不同的阶次频率为特征的不稳定或块状模式，由于其不可预测性，通常会导致预测可靠性降低。通过了解这种分布，需求规划者可以设定适当的期望值并采取积极的措施。

系统还会分析您在预测开始日期之前的过去 12 个月的需求（视调整配置而定），也称为年度需求。例如，假设预测起始日期为 2024 年 1 月 15 日（星期一），计划时段为每周。该系统认为过去12个月的分析期为从2023年1月16日到2024年1月14日。过去12个月的需求分析可帮助需求规划者区分活跃产品和非活跃产品，同时识别在这些州之间过渡的产品，这些模式直接影响预测的可靠性。通过关注最近的历史而不是较旧的数据模式，您可以就哪些产品需要特别关注或替代预测方法做出更明智的决定，尤其是在季节性产品、停产产品或逐步淘汰的项目等情况下。有关更多信息，请参阅 Forec [ast 算法](https://docs.aws.amazon.com/aws-supply-chain/latest/userguide/forecast-algorithims.html)。

在将日期调整为期间的默认起始日期后，根据预处理的历史需求数据中可用的最早日期和最新日期，计算每个预测粒度（例如产品地点组合）的历史长度（以年为单位）。该分析有助于确定产品是否积累了足够的历史数据来生成可靠的预测，通常至少需要两年的时间才能捕捉季节性模式和长期趋势。

![原始需求历史记录](http://docs.aws.amazon.com/zh_cn/aws-supply-chain/latest/userguide/images/raw-demand-history.png)