蔣秋霖+張聰+李穎昉+王昕
摘要:
按需生產是企業(yè)在市場經濟中保持競爭力關鍵所在,所以準確預測下一階段訂單需求量尤為重要。運用廣義回歸神經網絡預測某企業(yè)下一階段訂單需求量,并與BP神經網絡及灰色神經網絡進行對比實驗。結果表明,GRNN神經網絡模型訂單在需求預測方面更具優(yōu)越性,能準確預測未來訂單需求量。
關鍵詞:
廣義回歸神經網絡;訂單需求量;預測研究
DOIDOI:10.11907/rjdk.172147
中圖分類號:TP319
文獻標識碼:A文章編號文章編號: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
市場經濟環(huán)境下,按客戶需求生產成為各家電生產商主要生產方式[1-2]。準確預測下一階段訂單數(shù)量可合理分配產能,避免倉庫積壓,提高利潤[3]。對冰箱訂單市場而言,影響需求量因素很多,如季節(jié)、成本、質量、品牌、售后、價格波動、銷售力度、競爭對手、市場特征、性價比等,因此準確預測需求量成為企業(yè)生存與保持競爭力的關鍵[4-5]。本文利用廣義回歸神經網絡預測某企業(yè)下一階段冰箱訂單需求量,為企業(yè)合理分配產能提供依據(jù),使企業(yè)保持良好競爭力。
1GRNN模型
1.1概述
1991年,美國學者Donald F.Specht提出了廣義回歸神經網絡(Generalized Regression Neural Network,GRNN)。廣義回歸神經網絡屬于徑向基神經網絡[6],對解決非線性問題有很好魯棒性,學習速度快,預測小樣本較為準確,在眾多領域得到廣泛應用[7-10]。因冰箱訂單數(shù)據(jù)量有限,屬于小樣本空間,所以采用GRNN進行預測。
2預測實驗與分析
本文實驗采用PC機配置為:英特爾酷睿i3處理器, 4G內存, Windows7(32bit)操作系統(tǒng),MATLAB R2015b實驗平臺。實驗數(shù)據(jù)采用某公司5年內冰箱訂單量。
2.1訓練與預測樣本
通過分析訂單需求量影響因素,本文分別選取市場份額、需求趨勢、價格波動、訂單滿足率、分銷商聯(lián)合5種影響因素作為網絡輸入,以冰箱訂單需求量作為網絡輸出構建廣義回歸神經網絡。本文共有60組(5年,60個月)數(shù)據(jù),因為訓練樣本有限,所以采用交叉驗證的廣義回歸神經網絡,通過循環(huán)找出SPREAD最佳值。
2.2仿真實驗
本文中data.mat中共有A、B兩組數(shù)據(jù),A組數(shù)據(jù)為輸入數(shù)據(jù),A共有60組(60*5)數(shù)據(jù);B組數(shù)據(jù)為輸出數(shù)據(jù),B共有60組(60*1)數(shù)據(jù)。首先將A、B前48組數(shù)據(jù)進行訓練,預測出第5年1月數(shù)據(jù);再將A、B前49組數(shù)據(jù)進行訓練,預測出第5年2月數(shù)據(jù);再將A、B前50組數(shù)據(jù)進行訓練,預測出第5年3月數(shù)據(jù)……以此類推,最后預測12月數(shù)據(jù),得出每月預測數(shù)據(jù)并與當月實際數(shù)據(jù)進行對比,如表1與圖2所示。
第5年實際冰箱訂單總需求量為205 680,預測冰箱訂單總需求量為207 084,絕對誤差為1 404,每月平均相對誤差為2.12%。
為驗證GRNN神經網絡在訂單需求量預測方面的優(yōu)越性,本文用BP神經網絡與灰色神經網絡進行了對比實驗。先用BP神經網絡進行對比實驗, BP神經網絡預測結果平均相對誤差為2.63%,如表2與圖3所示。
灰色神經網絡預測結果平均相對誤差為3.64%,如表3與圖4所示。
2.3結果分析
實驗結果顯示,第5年訂單需求量實際數(shù)據(jù)與GRNN預測數(shù)據(jù)基本一致,每月平均相對誤差較小;BP神經網絡及灰色神經網絡預測誤差相對較大,且每月誤差較GRNN大。因此,GRNN神經網絡模型對訂單需求量具有較好的預測能力。
3結語
由于GRNN神經網絡有較好容錯性及魯棒性,并具有逼近能力強、學習速度快等特點,常用于小樣本數(shù)據(jù)預測。GRNN神經網絡模型很好地解決了多種因素影響復雜情況下訂單需求量預測問題,準確預測了未來訂單數(shù)量,能幫助企業(yè)合理分配產能,避免倉庫積壓,提高利潤。
參考文獻:
[1]申澤,李娟.中國農村家用冰箱消費需求研究[J].中國經貿導刊,2010(22):89-90.
[2]吳慧媛,劉景洋,董麗偉,等.我國各省市冰箱報廢量預測[J].再生資源與循環(huán)經濟,2011(1):20-25.
[3]鄧暉飛,蘇平,徐晟義.神經網絡結合定性預測的訂單預測方法研究[J].機電工程技術,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,劉龍,王濤.修正型果蠅算法優(yōu)化GRNN的大量自動焊障礙預測[J].焊接學報,2017,38(1):74-75.
[6]胡虎,楊侃,朱大偉,等.基于EEMD-GRNN的降水量預測分析[J].水電能源科學,2017,35(4):10-11.
[7]李孟杰.基于GRNN神經網絡的船舶柴油機排放預測的研究[D].廈門:集美大學,2017.
[8]楊振華,蘇維詞,趙衛(wèi)權,等.基于GRNN模型的熔巖地區(qū)城市水生態(tài)足跡分析與預測[J].中國巖溶,2016,1(35):37-40.
[9]高陽,鐘宏宇,葛延峰,等.基于GRNN全信息神經網絡的超短期風速預測研究[J].測控技術,2016,35(4):150-152.
[10]陳丹,徐健銳.基于GRNN并融合卡爾曼濾波實現(xiàn)短時交通流預測[J].軟件導刊,2012,11(8):23-25.
(責任編輯:何麗)endprint