需求预测模型的核心计算公式通常基于时间序列分析或回归方法，关键公式包括移动平均法、指数平滑法和ARIMA模型等，通过历史数据量化未来需求趋势。

1. 移动平均法（MA）
   简单移动平均（SMA）公式为：

   $$\hat{y}_t = \frac{1}{n} \sum_{i=1}^{n} y_{t-i}$$

   适用于短期平稳数据，通过过去n期实际值的均值预测下一期需求。

2. 指数平滑法
   一次指数平滑公式为：

   $$\hat{y}_{t+1} = \alpha y_t + (1-\alpha) \hat{y}_t$$

   其中α（0≤α≤1）是平滑系数，强调近期数据权重，适合波动较小的趋势预测。

3. ARIMA模型
   自回归积分滑动平均模型（ARIMA(p,d,q)）结合差分与滞后项，通用公式为：

   $$(1-\sum_{i=1}^p \phi_i L^i)(1-L)^d y_t = c + (1+\sum_{i=1}^q \theta_i L^i)\epsilon_t$$

   L为滞后算子，d为差分次数，可处理非平稳序列的复杂模式。

4. 机器学习扩展
   如XGBoost或LSTM神经网络，虽无统一公式，但通过特征工程与训练优化，能捕捉非线性关系，提升预测精度。

掌握这些公式可优化库存与供应链决策，实际应用中需结合数据特性选择模型，并持续验证调整参数。