基于bp网络的短期销售组合预测

《基于bp网络的短期销售组合预测》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、广东工业大学硕士学位论文基于BP网络的短期销售组合预测姓名：兰小林申请学位级别：硕士专业：计算机应用技术指导教师：汤荣江20100501摘要摘要众所周知，销售预测是商务预测中的一项重要内容，良好的预测结果可以为企业经营决策提供有力的支持，从而增强企业竞争力；而在现实中，由于政治、经济、竞争对手等市场因素及一些人为因素如促销等行为的影响，销量的变化往往波动很大，要做出准确的预测实属不易：如果仅仅采用单项预测模型进行预测很难达到预测精度的要求。数据挖掘作为一门多学科的交叉性学科，目前被广泛应用于商业领域中；它能够从大量的历史数据中按一定的方法提取出隐含在其中的、潜在有用的信息和知识

2、，本文主要对数据挖掘在时间序列预测领域中的应用作了相关的研究，以某大型连锁超市为背景，通过现场调研，在参考了大量文献的基础上，为该超市提出了商品销售预测决策支持系统的体系结构，并重点采用组合预测方法的思想进行了销量预测模块的设计。以饮料类产品的历史销售数据为例，通过对各种销售预测方法的深入研究，对历史销量数据的特征进行了分析，分别采用时序分解模型、GM(1，1)模型和改进后的BP神经网络模型从不同角度对销售情况进行了预测，并对不同的预测方法进行了比较与分析，后采用贝叶斯正则化优化BP网络对GM(1，1)模型和BP网络模型的预测结果进行了组合，以综合各预测模型的优势，弥补单项预没

3、模型的不足。在选择神经网络进行预测用时，本文采用了贝叶斯正则化优化的BP网络，从而明显增强了网络泛化能力和预测模型的可推广性。实验结果表明：贝叶斯J下则化优化的BP网络能明显的提高网络的泛化能力；广东T业大学工学硕f：学位论文GM(1，1)模型在较少数据情况下同样能得到较好的预测结果；而采用BP网络组合模型能在一定程度上能弥补单项预测模型的局限性，具有较好的预测效果及可行性；对一个企业来说，建立一个丰富的预测模型库，根据数据特征，组合几种合适的单项预测模型在销售预测实际中具有一定的意义。关健词：时序分解、GM(1，1)、BP网络、贝叶斯正则化、组合预测IIABSTRACTWea

4、llknowthatSalesforecastisallimportantcontentofbusinessprediction，correctpredictionresultscallleadtoeffectivebusinessdecisionandthenenhancetheircompetitiveness；butinreality,duetochangingmarketfactorsandavarietyofm．an—madefactorssuchaspromotionsandotherbehavior,sales’changesfluctuategreate；Tom

5、akeaccuratepredictionsisnoteasy,onlyusingsinglepredictionmodelisdifficulttoachievetherequirements．AsaCross-cuttingsubjectofseveralsubjects，DataminingCanextractaimplicit,potentiallyandusefulinformationandknowledgefromlotsofhistoraldata,Itiswidelyusedincommercialareas；Inthispaper,WeUSethesales

6、ituationofalargesupermarketasbackground；afteranalyzingit’Shistoricalsalesdataandseveralsalespredictionmethodsin-depth,weuseTimeseriesdecompositionmodel，GM(1，1)modelandtheimprovedBPneuralnetworkmodeltoforecastthesalesfromdifferentangles，Wef'mallydecidedtoadopttheimprovedBPnetworktocombineGM(1

7、，1)modelandtheimprovedBPnetworkpredictionmodel，integratedtheadvantagesofeachpredictionmodethroughcomparisonandanalysis；Inthechoiceofpredictionneuralnetworks，WeUSeBayesianregularizationoptimizedBPnetworktoenhancethecapacityofnetworkgeneralizationand