改进灰色神经网络的冰箱订单需求预测研究

《改进灰色神经网络的冰箱订单需求预测研究》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、文章编号:1006－9348(2012)05－0219－04改进灰色神经网络的冰箱订单需求预测研究葛彦强1，汪向征2，王爱民1(1．安阳师范学院计算机与信息工程学院，河南安阳455002;2．安阳师范学院教育信息技术与传媒学院，河南安阳455002)摘要:研究冰箱订单需求准确预测问题，由于冰箱需求具有季节性和随机性，传统的数据模型无法准确描述订单变化规律，预测精度较低。为了提高冰箱订单需求预测精度，将神经网络和灰色理论相结合，构建一种改进灰色神经网络的冰箱订单预测方法。利用灰色系统理论处理订单产生中的随机性，BP神经网络预测其非线性变化规律，并利用遗传算法对神经网络参数进行优化，实现对冰

2、箱订单的准确预测。仿真试验表明，相对于传统预测方法，改进灰色神经网络提高了订单需求的预测精度，可为冰箱需求的预测提供依据。关键词:冰箱订单;需求预测;灰色神经网络;遗传算法中图分类号:TP183文献标识码:BResearchonForecastingofRefrigeratorOrdersDemandBasedonImprovedGreyNeuralNetworkGEYan－qiang1，WANGXiang－zheng2，WANGAi－min1(1．SchoolofComputer＆InformationEngineering，AnyangNormalUniversity，AnyangH

3、enan455002，China;2．SchoolofEducationalInformationTechnologyandCommunication，AnyangNormalUniversity，AnyangHenan455002，China)ABSTRACT:Refrigeratorordersareofthecharacteristicsofrandom，discreteandnonlinear，thetraditionalmodelcannotaccuratelydescribetheregularity，andtheforecastingprecisionisquitelow．

4、Inordertoimprovetheforecastaccuracyofrefrigeratorsordersdemand，neuralnetworkandthegreytheorywascombinedtoconstructakindofim-provedgreyneuralnetworkforecastingmethodofrefrigeratororders．Byusingthetheoryofgraysystem，therandom-nessofrefrigeratororderswasprocessed，BPneuralnetworkwasusedtopredicttheno

5、nlinearvariation，andthege-neticalgorithmwasusedtooptimizetheneuralnetwork’sparameters．Simulationresultsshowthat，comparedwiththetraditionalforecastingmethods，theproposedmethodimprovestheforecastingaccuracyoforderdemandandisef-ficientinrefrigeratorsordersforecasting．KEYWORDS:Refrigeratororders;Dema

6、ndforecasting;Greyneuralnetwork;Geneticalgorithm以满足现实的需求［2，3］。冰箱订单需求具有典型的增长性与季节波动性，一方面，冰箱作为一种主要的家用电器，随着生活水平的提高逐渐从城市向乡村普及，另一方面，冰箱需求又有季节性的波动，夏季是冰箱的需求旺季，其余季节需求量会随之减少，因此，冰箱订单既具有随时间增长而增加的趋势，又具有同一季节相似性的规律，鉴于冰箱订单需求具有灰色性质和非线性特点，因此，有学者提出利用灰色神经网络的冰箱订单需求预测方法。在利用灰色神经网络进行冰箱订单预测时，网络的收敛速度极快，但采用随机方式初始化网络连接权值和阈，极

7、易陷入局部最优，影响冰箱订单1引言随着人民生活水平的提高，人们对各种家用电器的期望值有所上升，电冰箱作为一种主要的家用电器，其品牌、质量、售后服务等因素受到了人们的关注，订单量对于冰箱制造行业进行规划生产规模、有计划地安排生产进度、加强资金管理具有十分重要的作用［1］。订单需求预测问题是国内外管理者、学者关注的热点，由于订单产生有很大的随机性、离散性、非线性，传统的回归分析法、灰色模型预测法、弹性系数法等预测的结果精度难［4，5］预