工具之家 > 软件导刊 > 基于GRNN的订单需求量预测研究

基于GRNN的订单需求量预测研究

发布时间:2019-01-16 02:16:00 文章来源:工具之家    

 推荐工具:金融理财app工具实用工具

蒋秋霖+张聪+李颖昉+王昕

摘要:

按需生产是企业在市场经济中保持竞争力关键所在,所以准确预测下一阶段订单需求量尤为重要。运用广义回归神经网络预测某企业下一阶段订单需求量,并与BP神经网络及灰色神经网络进行对比实验。结果表明,GRNN神经网络模型订单在需求预测方面更具优越性,能准确预测未来订单需求量。

关键词:

广义回归神经网络;订单需求量;预测研究

DOIDOI:10.11907/rjdk.172147

中图分类号:TP319

文献标识码:A文章编号文章编号:1672-7800(2018)001-0149-03

Abstract:Production on demand is the key to maintain the competitiveness of enterprises in the market economy, so it is important to accurately predict the next phase of order demand. By using the generalized regression neural network to predict demand next stage refrigerator orders an enterprise, and compared with that of BP neural network and grey neural network model. The results show that the order of GRNN in forecasting is superior, can accurately predict the future demand for orders.

Key Words:generalized regression neural network; order quantity; forecast research

0引言

市场经济环境下,按客户需求生产成为各家电生产商主要生产方式[1-2]。准确预测下一阶段订单数量可合理分配产能,避免仓库积压,提高利润[3]。对冰箱订单市场而言,影响需求量因素很多,如季节、成本、质量、品牌、售后、价格波动、销售力度、竞争对手、市场特征、性价比等,因此准确预测需求量成为企业生存与保持竞争力的关键[4-5]。本文利用广义回归神经网络预测某企业下一阶段冰箱订单需求量,为企业合理分配产能提供依据,使企业保持良好竞争力。

1GRNN模型

1.1概述

1991年,美国学者Donald F.Specht提出了广义回归神经网络(Generalized Regression Neural Network,GRNN)。广义回归神经网络属于径向基神经网络[6],对解决非线性问题有很好魯棒性,学习速度快,预测小样本较为准确,在众多领域得到广泛应用[7-10]。因冰箱订单数据量有限,属于小样本空间,所以采用GRNN进行预测。

2预测实验与分析

本文实验采用PC机配置为:英特尔酷睿i3处理器, 4G内存, Windows7(32bit)操作系统,MATLAB R2015b实验平台。实验数据采用某公司5年内冰箱订单量。

2.1训练与预测样本

通过分析订单需求量影响因素,本文分别选取市场份额、需求趋势、价格波动、订单满足率、分销商联合5种影响因素作为网络输入,以冰箱订单需求量作为网络输出构建广义回归神经网络。本文共有60组(5年,60个月)数据,因为训练样本有限,所以采用交叉验证的广义回归神经网络,通过循环找出SPREAD最佳值。

2.2仿真实验

本文中data.mat中共有A、B两组数据,A组数据为输入数据,A共有60组(60*5)数据;B组数据为输出数据,B共有60组(60*1)数据。首先将A、B前48组数据进行训练,预测出第5年1月数据;再将A、B前49组数据进行训练,预测出第5年2月数据;再将A、B前50组数据进行训练,预测出第5年3月数据……以此类推,最后预测12月数据,得出每月预测数据并与当月实际数据进行对比,如表1与图2所示。

第5年实际冰箱订单总需求量为205 680,预测冰箱订单总需求量为207 084,绝对误差为1 404,每月平均相对误差为2.12%。

为验证GRNN神经网络在订单需求量预测方面的优越性,本文用BP神经网络与灰色神经网络进行了对比实验。先用BP神经网络进行对比实验, BP神经网络预测结果平均相对误差为2.63%,如表2与图3所示。

灰色神经网络预测结果平均相对误差为3.64%,如表3与图4所示。

2.3结果分析

实验结果显示,第5年订单需求量实际数据与GRNN预测数据基本一致,每月平均相对误差较小;BP神经网络及灰色神经网络预测误差相对较大,且每月误差较GRNN大。因此,GRNN神经网络模型对订单需求量具有较好的预测能力。

3结语

由于GRNN神经网络有较好容错性及鲁棒性,并具有逼近能力强、学习速度快等特点,常用于小样本数据预测。GRNN神经网络模型很好地解决了多种因素影响复杂情况下订单需求量预测问题,准确预测了未来订单数量,能帮助企业合理分配产能,避免仓库积压,提高利润。

参考文献:

[1]申泽,李娟.中国农村家用冰箱消费需求研究[J].中国经贸导刊,2010(22):89-90.

[2]吴慧媛,刘景洋,董丽伟,等.我国各省市冰箱报废量预测[J].再生资源与循环经济,2011(1):20-25.

[3]邓晖飞,苏平,徐晟义.神经网络结合定性预测的订单预测方法研究[J].机电工程技术,2014,43(9):23-25.

[4]FENG ZH P,SONG X G, XUE D X,et al.General regression neural network based prediction of time series[J].Measurement and Diagnosis,2003,23 (2):105-109.

[5]洪波,刘龙,王涛.修正型果蝇算法优化GRNN的大量自动焊障碍预测[J].焊接学报,2017,38(1):74-75.

[6]胡虎,杨侃,朱大伟,等.基于EEMD-GRNN的降水量预测分析[J].水电能源科学,2017,35(4):10-11.

[7]李孟杰.基于GRNN神经网络的船舶柴油机排放预测的研究[D].厦门:集美大学,2017.

[8]杨振华,苏维词,赵卫权,等.基于GRNN模型的熔岩地区城市水生态足迹分析与预测[J].中国岩溶,2016,1(35):37-40.

[9]高阳,钟宏宇,葛延峰,等.基于GRNN全信息神经网络的超短期风速预测研究[J].测控技术,2016,35(4):150-152.

[10]陈丹,徐健锐.基于GRNN并融合卡尔曼滤波实现短时交通流预测[J].软件导刊,2012,11(8):23-25.

(责任编辑:何丽)endprint

软件导刊 2018年1期

软件导刊的其它文章 移动机器人目标物体识别研究 触发词扩展、神经网络及依存分析相结合的事件研究 传统情感分类方法与基于深度学习的情感分类方法对比分析 基于卷积神经网络的人脸识别研究 基于卷积神经网络的人脸表情识别研究 基于改进PCA算法的人脸识别
转载请注明来源。原文地址:https://www.5420.com.cn/view/2019/0116/10174/
 与本篇相关的热门内容: