• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看

      ?

      對(duì)新零售目標(biāo)產(chǎn)品的精準(zhǔn)需求預(yù)測(cè)的研究

      2020-06-13 14:11:22蔣帝美陳應(yīng)良
      科海故事博覽 2020年11期
      關(guān)鍵詞:小類(lèi)隱層預(yù)測(cè)值

      蔣帝美 冷 英 簡(jiǎn) 鑫 陳應(yīng)良

      (1.四川工商學(xué)院,四川 成都 620000;2.成都師范學(xué)院,四川 成都 611130;3.西華大學(xué),四川 成都 610039)

      針對(duì)問(wèn)題一,要求解決:從產(chǎn)品特征,庫(kù)存信息,節(jié)假日折扣等因素分析在2018 年國(guó)慶,雙十一,雙十二和元旦四個(gè)節(jié)假日內(nèi)對(duì)目標(biāo)skc(銷(xiāo)售時(shí)間處于2018 年7 月1 日到2018 年10 月1 日內(nèi)累計(jì)銷(xiāo)售額排名前50 的skc)的銷(xiāo)售量的影響。首先,運(yùn)用了PYTHON 進(jìn)行數(shù)據(jù)預(yù)處理,運(yùn)用SPSS 進(jìn)行相關(guān)性分析,得出了2018 年國(guó)慶,雙十一,雙十二和元旦四個(gè)節(jié)假日內(nèi)目標(biāo)skc 的銷(xiāo)售量受元旦折后價(jià),國(guó)慶折后價(jià),雙十一庫(kù)存,雙十二庫(kù)存,國(guó)慶庫(kù)存的影響。

      針對(duì)問(wèn)題二,要求解決:分析結(jié)果預(yù)測(cè)給定區(qū)域內(nèi)目標(biāo)小類(lèi)(為歷史銷(xiāo)售時(shí)間處于2019 年6 月1 日至2019 年10 月1 日內(nèi)且累2 計(jì)銷(xiāo)售額排名前10 的小類(lèi))在2019 年10 月1 日后3 個(gè)月中每個(gè)月的銷(xiāo)售量,給出每個(gè)月預(yù)測(cè)值的MAPE。

      首先,運(yùn)用了PYTHON 進(jìn)行數(shù)據(jù)預(yù)處理,運(yùn)用灰色預(yù)測(cè)理論構(gòu)建灰色預(yù)測(cè)模型,運(yùn)用了MATLAB 軟件編程求解,得出了2019 年10 月1 日后3 個(gè)月中每個(gè)月的銷(xiāo)售量預(yù)測(cè)值的MAPE 為0.11,0.38,0.28。

      針對(duì)問(wèn)題三,要求解決:通過(guò)建立相關(guān)數(shù)學(xué)模型,在考慮小類(lèi)預(yù)測(cè)結(jié)果和skc 銷(xiāo)售曲線(xiàn)與小類(lèi)銷(xiāo)售曲線(xiàn)之間的差異的同時(shí),預(yù)測(cè)目標(biāo)小類(lèi)內(nèi)所有skc 在2019 年10 月1 日后12 周內(nèi)每周的周銷(xiāo)量,并給出每周預(yù)測(cè)值的MAPE。首先,運(yùn)用了PYTHON 進(jìn)行數(shù)據(jù)預(yù)處理,運(yùn)用神經(jīng)網(wǎng)絡(luò)理論進(jìn)行構(gòu)建bp 神經(jīng)網(wǎng)絡(luò)模型,考慮到bp 神經(jīng)網(wǎng)絡(luò)模型在數(shù)據(jù)量較大的情況下會(huì)出現(xiàn)局部解較小的情況,采用PSO 粒子群算法優(yōu)化bp 神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值以此抵消這類(lèi)情況,再運(yùn)用了MATLAB 軟件編程求解,得出了2019 年10 月1 日后12 周內(nèi)每周的周銷(xiāo)量預(yù)測(cè)值的MAPE 為0.11,0.14,0.2,0.21,0.15,0.31,0.22,0.36,0.39,0.4,0.29,0.33。

      本文最后還對(duì)模型進(jìn)行了誤差分析,對(duì)模型的優(yōu)缺點(diǎn)進(jìn)行了客觀(guān)的評(píng)價(jià),基于灰色預(yù)測(cè)和bp 神經(jīng)網(wǎng)絡(luò)對(duì)存在的不足進(jìn)行了改進(jìn),對(duì)模型進(jìn)行了橫向和縱向推廣。

      1 問(wèn)題的重述

      1.1 背景知識(shí)

      1.1.1 引言部分

      隨著我國(guó)消費(fèi)市場(chǎng)的不斷發(fā)展,市場(chǎng)上的消費(fèi)模式已經(jīng)逐步由“以物為主”轉(zhuǎn)變?yōu)椤耙钥蜑橹鳌?。在新零售行業(yè),性?xún)r(jià)比不再是顧客衡量是否購(gòu)買(mǎi)物品的唯一標(biāo)準(zhǔn),人們的需求也不僅僅是單一的追求實(shí)用性,而是更多的考慮時(shí)尚性,把注意力放在“個(gè)性化、時(shí)尚、美觀(guān)”等方面。在這類(lèi)特殊需求的推動(dòng)下,新零售企業(yè)的生產(chǎn)模式逐步向多品種、小批量邁進(jìn),這讓商場(chǎng)內(nèi)零售店鋪里的飾品和玩具等種類(lèi)變得更加琳瑯滿(mǎn)目,同時(shí)也給零售行業(yè)的庫(kù)存管理增加了很大的難度。如何根據(jù)層級(jí)復(fù)雜,品類(lèi)繁多的歷史銷(xiāo)售數(shù)據(jù),以區(qū)域?qū)蛹?jí),小類(lèi)層級(jí)乃至門(mén)店 skc(單款單色)層級(jí)給出精準(zhǔn)的需求預(yù)測(cè),是當(dāng)前大多數(shù)新零售企業(yè)需要重點(diǎn)關(guān)注并思考的問(wèn)題。

      1.1.2 任務(wù)定價(jià)

      隨著中國(guó)經(jīng)濟(jì)不斷發(fā)展,居民收入不斷提升,基礎(chǔ)消費(fèi)品已經(jīng)無(wú)法滿(mǎn)足高素質(zhì)消費(fèi)者日益變化的消費(fèi)需求。零售企業(yè)運(yùn)營(yíng)先進(jìn)技術(shù),通過(guò)線(xiàn)上線(xiàn)下和物流的結(jié)合促進(jìn)零售行業(yè)轉(zhuǎn)型升級(jí)。使得居民消費(fèi)朝著便捷化、個(gè)性化、人文化、體驗(yàn)化、多樣化的方向發(fā)展。同時(shí)也為零售行業(yè)提供了新的發(fā)展契機(jī),然而我們?nèi)孕枳⒁庑铝闶郯l(fā)展過(guò)程中所產(chǎn)生的些許問(wèn)題,以期零售行業(yè)的進(jìn)一步發(fā)展。

      1.1.3 研究意義

      在“新零售”模式下,消費(fèi)者可以任意暢游在智能、高效、快捷、平價(jià)、愉悅的購(gòu)物環(huán)境之中,購(gòu)物體驗(yàn)獲得大幅提升,年輕群體對(duì)消費(fèi)升級(jí)的強(qiáng)烈意愿也由此得到較好滿(mǎn)足。新零售的出現(xiàn)推動(dòng)了商業(yè)要素的重構(gòu),加速了零售經(jīng)營(yíng)模式和商業(yè)模式的創(chuàng)新,或?qū)⒁l(fā)零售行業(yè)的巨大變革。

      1.2 相關(guān)數(shù)據(jù)

      1.銷(xiāo)售流水?dāng)?shù)據(jù)。

      2.產(chǎn)品信息表。

      3.區(qū)域庫(kù)存數(shù)據(jù)。

      4.節(jié)假日信息表。

      1.3 具體問(wèn)題

      1.3.1 問(wèn)題一

      從產(chǎn)品特征,庫(kù)存信息,節(jié)假日折扣等因素分析在2018 年國(guó)慶,雙十一,雙十二和元旦四個(gè)節(jié)假日內(nèi)對(duì)目標(biāo)skc(銷(xiāo)售時(shí)間處于2018 年7 月1 日到2018 年10 月1 日內(nèi)累計(jì)銷(xiāo)售額排名前50 的skc)的銷(xiāo)售量的影響。

      1.3.2 問(wèn)題二

      結(jié)合分析結(jié)果預(yù)測(cè)給定區(qū)域內(nèi)目標(biāo)小類(lèi)(為歷史銷(xiāo)售時(shí)間處于2019 年6 月1 日至2019 年10 月1 日內(nèi)且累2 計(jì)銷(xiāo)售額排名前10 的小類(lèi))在2019 年10 月1 日后3 個(gè)月中每個(gè)月的銷(xiāo)售量,給出每個(gè)月預(yù)測(cè)值的MAPE。

      1.3.3 問(wèn)題三

      通過(guò)建立相關(guān)數(shù)學(xué)模型,在考慮小類(lèi)預(yù)測(cè)結(jié)果和skc 銷(xiāo)售曲線(xiàn)與小類(lèi)銷(xiāo)售曲線(xiàn)之間的差異的同時(shí),預(yù)測(cè)目標(biāo)小類(lèi)內(nèi)所有skc 在2019 年10 月1 日后12 周內(nèi)每周的周銷(xiāo)量,并給出每周預(yù)測(cè)值的MAPE。

      1.3.4 問(wèn)題四

      給企業(yè)寫(xiě)一封推薦信,向企業(yè)推薦預(yù)測(cè)結(jié)果和方法,并說(shuō)明方案的合理性以及后續(xù)優(yōu)化方向。

      2 問(wèn)題的分析

      2.1 研究現(xiàn)狀綜述

      2016 年11 月11 日,國(guó)務(wù)院辦公廳印發(fā)《關(guān)于推動(dòng)實(shí)體零售創(chuàng)新轉(zhuǎn)型的意見(jiàn)》(國(guó)辦發(fā)(2016)78 號(hào)),明確了推動(dòng)我國(guó)實(shí)體零售創(chuàng)新轉(zhuǎn)型的指導(dǎo)思想和基本原則。同時(shí),在調(diào)整商業(yè)結(jié)構(gòu)、創(chuàng)新發(fā)展方式、促進(jìn)跨界融合、優(yōu)化發(fā)展環(huán)境、強(qiáng)化政策支持等方面作出具體部署?!兑庖?jiàn)》在促進(jìn)線(xiàn)上線(xiàn)下融合的問(wèn)題上強(qiáng)調(diào):“建立適應(yīng)融合發(fā)展的標(biāo)準(zhǔn)規(guī)范、競(jìng)爭(zhēng)規(guī)則,引導(dǎo)實(shí)體零售企業(yè)逐步提高信息化水平,將線(xiàn)下物流、服務(wù)、體驗(yàn)等優(yōu)勢(shì)與線(xiàn)上商流、資金流、信息流融合,拓展智能化、網(wǎng)絡(luò)化的全渠道布局?!盵1]

      雖然線(xiàn)上零售一段時(shí)期以來(lái)替代了傳統(tǒng)零售的功能,但從兩大電商平臺(tái),天貓和京東的獲客成本可以看出,電商的線(xiàn)上流量紅利見(jiàn)頂;與此同時(shí)線(xiàn)下邊際獲客成本幾乎不變,且實(shí)體零售進(jìn)入整改關(guān)鍵期,因此導(dǎo)致的線(xiàn)下渠道價(jià)值正面臨重估[2]。

      移動(dòng)支付等新技術(shù)開(kāi)拓了線(xiàn)下場(chǎng)景智能終端的普及,以及由此帶來(lái)的移動(dòng)支付、大數(shù)據(jù)、虛擬現(xiàn)實(shí)等技術(shù)革新,進(jìn)一步開(kāi)拓了線(xiàn)下場(chǎng)景和消費(fèi)社交,讓消費(fèi)不再受時(shí)間和空間制約。

      新中產(chǎn)階級(jí)崛起的80 和90 后、接受過(guò)高等教育、追求自我提升,逐漸成為社會(huì)的中流砥柱[3]。

      2.2 對(duì)問(wèn)題的總體分析和解題思路

      本文是針對(duì)新銷(xiāo)售目標(biāo)產(chǎn)品做出精準(zhǔn)需求預(yù)測(cè),我們先從給出的數(shù)據(jù)中運(yùn)用PYTHON 軟件通過(guò)附錄中的代碼篩選出所需要的數(shù)據(jù),再結(jié)合數(shù)據(jù)比較各種因素對(duì)需求量不同的影響,在分析問(wèn)題后選用神經(jīng)網(wǎng)絡(luò)的方法來(lái)進(jìn)一步處理數(shù)據(jù)從而得出各種因素對(duì)需求量的影響,選用雙變量關(guān)聯(lián)分析法、rbf 神經(jīng)網(wǎng)絡(luò)、bp 神經(jīng)網(wǎng)絡(luò)和pso 粒子群優(yōu)化算法等方法對(duì)各項(xiàng)數(shù)據(jù)做出最理想化的處理從而對(duì)新銷(xiāo)售目標(biāo)產(chǎn)品做出精準(zhǔn)需求預(yù)測(cè)。

      2.3 對(duì)具體問(wèn)題的分析和對(duì)策

      2.3.1 對(duì)問(wèn)題一的分析和對(duì)策

      問(wèn)題一要求分析相應(yīng)節(jié)假日內(nèi)各類(lèi)因素對(duì)目標(biāo)skc 的銷(xiāo)量影響,針對(duì)這個(gè)問(wèn)題我們分為兩個(gè)步驟來(lái)解決。首先我們對(duì)附件的數(shù)據(jù)進(jìn)行預(yù)處理,PYCHARM 軟件對(duì)附件中的數(shù)據(jù)進(jìn)行篩選分析,其次我們選取合適的會(huì)影響需求的因素,分別為標(biāo)簽價(jià)、實(shí)際售價(jià)、節(jié)假日時(shí)長(zhǎng)、銷(xiāo)售特征、庫(kù)存信息以及節(jié)假日折扣等因素,進(jìn)行雙變量關(guān)聯(lián)分析法,得出更精確的數(shù)據(jù)和各類(lèi)因素的影響力,再用題中給出的MAPE 來(lái)檢測(cè)結(jié)果的合理性,最后對(duì)數(shù)據(jù)做出簡(jiǎn)單小結(jié)。

      2.3.2 對(duì)問(wèn)題二的分析和對(duì)策

      問(wèn)題二要求預(yù)測(cè)給定區(qū)域內(nèi)目標(biāo)小類(lèi)在該時(shí)間段內(nèi)每個(gè)月的銷(xiāo)售量并給出每個(gè)月預(yù)測(cè)值的MAPE。針對(duì)這個(gè)問(wèn)題我們分兩個(gè)步驟來(lái)解決。首先我們對(duì)附件的數(shù)據(jù)進(jìn)行預(yù)處理,通過(guò)PYCHARM 軟件用pandas 庫(kù)篩選數(shù)據(jù)進(jìn)行分析,得到能達(dá)到預(yù)測(cè)目的的相關(guān)參數(shù)的數(shù)據(jù)。在此基礎(chǔ)上通過(guò)MATLAB 軟件用灰色預(yù)測(cè)再對(duì)篩選出來(lái)的數(shù)據(jù)進(jìn)行擬合、規(guī)整。再用題中給出的MAPE 來(lái)檢測(cè)結(jié)果的合理性,最后總體分析預(yù)測(cè)結(jié)果誤差大小。

      2.3.3 對(duì)問(wèn)題三的分析和對(duì)策

      問(wèn)題三要求建立相關(guān)數(shù)學(xué)模型,并考慮小類(lèi)預(yù)測(cè)結(jié)果的同時(shí),預(yù)測(cè)目標(biāo)小類(lèi)所有skc 在特定時(shí)間后數(shù)周內(nèi)的周銷(xiāo)量并給出預(yù)測(cè)值的MAPE。針對(duì)這個(gè)問(wèn)題我們分兩個(gè)步驟來(lái)解決。首先我們對(duì)附件進(jìn)行數(shù)據(jù)預(yù)處理,通過(guò)PYCHARM軟件用pandas 庫(kù)篩選數(shù)據(jù)進(jìn)一步來(lái)分析,得到能夠預(yù)測(cè)的相關(guān)因素?cái)?shù)據(jù)。運(yùn)用神經(jīng)網(wǎng)絡(luò)理論進(jìn)行構(gòu)建bp 神經(jīng)網(wǎng)絡(luò)模型,考慮到bp 神經(jīng)網(wǎng)絡(luò)模型在數(shù)據(jù)量較大的情況下會(huì)出現(xiàn)局部解較小的情況,采用PSO 粒子群算法優(yōu)化bp 神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值以此抵消這類(lèi)情況,再運(yùn)用了MATLAB 軟件編程求解,進(jìn)一步的處理從而預(yù)測(cè)出周銷(xiāo)量,再用題中給出的MAPE 來(lái)檢測(cè)結(jié)果的合理性,最后做出小結(jié)。

      2.3.4 對(duì)問(wèn)題四的分析和對(duì)策

      問(wèn)題四是要求面向企業(yè)來(lái)推薦自己的預(yù)測(cè)結(jié)果和方法,并說(shuō)明合理性和后續(xù)優(yōu)化方向,并且是信件的格式。針對(duì)這一問(wèn)題結(jié)合前三個(gè)問(wèn)題得出的預(yù)測(cè)結(jié)果和方法,通過(guò)推薦信格式來(lái)闡述自己得出的預(yù)測(cè)結(jié)果和方法,并根據(jù)預(yù)測(cè)結(jié)果來(lái)推測(cè)方案的合理性,結(jié)合方案的優(yōu)缺點(diǎn)找準(zhǔn)待優(yōu)化方面作出后續(xù)的優(yōu)化設(shè)計(jì)。

      3 模型的假設(shè)

      1.假設(shè)國(guó)慶、雙十一、雙十二、元旦四個(gè)節(jié)假日內(nèi)銷(xiāo)量的影響有銷(xiāo)售特征,商品特征,標(biāo)簽價(jià)格,庫(kù)存信息,節(jié)假日折扣,節(jié)假日時(shí)長(zhǎng)等。

      表1

      表2

      表3

      表4

      表5

      2.假設(shè)在預(yù)測(cè)時(shí)間段內(nèi)人們消費(fèi)力度與給定時(shí)間內(nèi)消費(fèi)力度相同。

      3.假設(shè)每年對(duì)應(yīng)月份的銷(xiāo)售趨勢(shì)不變。

      4.假設(shè)銷(xiāo)售不受突發(fā)情況的影響。

      4 模型的建立與求解

      4.1 問(wèn)題一的分析與求解

      4.1.1 對(duì)問(wèn)題的分析

      問(wèn)題一要求分析相應(yīng)節(jié)假日內(nèi)各類(lèi)因素對(duì)目標(biāo)skc 的銷(xiāo)量影響,針對(duì)這個(gè)問(wèn)題我們分為兩個(gè)步驟來(lái)解決。首先我們對(duì)附件的數(shù)據(jù)進(jìn)行挖掘,使用PYCHARM 軟件對(duì)附件中的數(shù)據(jù)進(jìn)行篩選分析,其次我們選取合適的會(huì)影響需求的因素,分別為標(biāo)簽價(jià)、實(shí)際售價(jià)、節(jié)假日時(shí)長(zhǎng)、銷(xiāo)售特征、庫(kù)存信息以及節(jié)假日折扣等因素,進(jìn)行雙變量關(guān)聯(lián)分析法(Pearson 相關(guān)系數(shù)和Kendall 秩相關(guān)系數(shù)),得出更精確的數(shù)據(jù)和各類(lèi)因素的影響力,再用題中給出的MAPE 來(lái)檢測(cè)結(jié)果的合理性,最后對(duì)數(shù)據(jù)做出簡(jiǎn)單小結(jié)。

      定義1 雙變量關(guān)聯(lián)分析法:兩個(gè)變量之間的相關(guān)關(guān)系可以通過(guò)計(jì)算變量間的相關(guān)系數(shù),來(lái)衡量它們之間相關(guān)關(guān)系的強(qiáng)弱,不用類(lèi)型的變量,SPSS應(yīng)用不同的相關(guān)系數(shù)來(lái)判定。兩個(gè)定距或定比變量,用Pearson 相關(guān)系數(shù);兩個(gè)定序或定類(lèi)變量,用Spearman 等級(jí)相關(guān)系數(shù)和Kendall 秩相關(guān)系數(shù)。

      定義2 Pearson 相關(guān)系數(shù):相關(guān)關(guān)系是一種非確定性的關(guān)系,相關(guān)系數(shù)是研究變量之間線(xiàn)性相關(guān)程度的量。由于研究對(duì)象的不同,相關(guān)系數(shù)有如下幾種定義方式。

      簡(jiǎn)單相關(guān)系數(shù):又叫相關(guān)系數(shù)或線(xiàn)性相關(guān)系數(shù),一般用字母r 表示,用來(lái)度量?jī)蓚€(gè)變量間的線(xiàn)性關(guān)系。定義式

      其中,Cov(X,Y)為X 與Y 的協(xié)方差,Var[X]為X 的方差,Var[Y]為Y 的方差。

      復(fù)相關(guān)系數(shù):又叫多重相關(guān)系數(shù)。復(fù)相關(guān)是指因變量與多個(gè)自變量之間的相關(guān)關(guān)系。例如,某種商品的季節(jié)性需求量與其價(jià)格水平、職工收入水平等現(xiàn)象之間呈現(xiàn)復(fù)相關(guān)關(guān)系。

      典型相關(guān)系數(shù):是先對(duì)原來(lái)各組變量進(jìn)行主成分分析,得到新的線(xiàn)性關(guān)系的綜合指標(biāo),再通過(guò)綜合指標(biāo)之間的線(xiàn)性相關(guān)系數(shù)來(lái)研究原各組變量間相關(guān)關(guān)系。

      定義3 Kendall 秩相關(guān)系數(shù):Kendall(肯德?tīng)?系數(shù)的定義:n 個(gè)同類(lèi)的統(tǒng)計(jì)對(duì)象按特定屬性排序,其他屬性通常是亂序的。同序?qū)Γ╟oncordant pairs)和異序?qū)Γ╠iscordant pairs)之差與總對(duì)數(shù)(n*(n-1)/2)的比值定義為Kendall(肯德?tīng)?系數(shù)。

      4.1.2 對(duì)問(wèn)題的求解

      問(wèn)題一要求我們分析2018 年國(guó)慶節(jié),雙十一,雙十二和元旦這四個(gè)節(jié)假日內(nèi)各種相關(guān)因素對(duì)目標(biāo)skc 的銷(xiāo)售量的影響。首先根據(jù)數(shù)據(jù)所給的信息,將這四個(gè)節(jié)日的產(chǎn)品信息進(jìn)行數(shù)據(jù)處理。得到了庫(kù)存,商品價(jià)格,銷(xiāo)量,銷(xiāo)售額,商品折扣這五種數(shù)據(jù)。然后采用雙關(guān)聯(lián)分析可能影響銷(xiāo)售量的因素進(jìn)行了分析,通過(guò)對(duì)皮爾遜相關(guān)系數(shù)的大小對(duì)因素進(jìn)行了篩選,選取了幾個(gè)相關(guān)性較大的因素。

      數(shù)據(jù)預(yù)處理過(guò)后的數(shù)據(jù)如表1 所示:

      通過(guò)SPSS 相關(guān)性分析得出如表2-5 所示結(jié)果:

      通過(guò)對(duì)銷(xiāo)售量相關(guān)系數(shù)的比較,結(jié)合四個(gè)節(jié)日中影響因素的相關(guān)分析得出元旦折后價(jià),國(guó)慶折后價(jià),雙十一庫(kù)存,雙十二庫(kù)存,國(guó)慶庫(kù)存與銷(xiāo)量影響較大且呈正相關(guān)。

      4.2 問(wèn)題二的分析與求解

      4.2.1 對(duì)問(wèn)題的分析

      問(wèn)題二要求預(yù)測(cè)給定區(qū)域內(nèi)目標(biāo)小類(lèi)在該時(shí)間段內(nèi)每個(gè)月的銷(xiāo)售量并給出每個(gè)月預(yù)測(cè)值的MAPE。針對(duì)這個(gè)問(wèn)題我們分兩個(gè)步驟來(lái)解決。首先我們對(duì)附件的數(shù)據(jù)進(jìn)行挖掘,通過(guò)PYCHARM 軟件用pandas 庫(kù)篩選數(shù)據(jù)進(jìn)行分析,得到能達(dá)到預(yù)測(cè)目的的相關(guān)參數(shù)的數(shù)據(jù)。在此基礎(chǔ)上通過(guò)MATLAB 軟件用灰色預(yù)測(cè)再對(duì)篩選出來(lái)的數(shù)據(jù)進(jìn)行擬合、規(guī)整。再用題中給出的MAPE 來(lái)檢測(cè)結(jié)果的合理性,最后總體分析預(yù)測(cè)結(jié)果誤差大小。

      定義1[4]灰色預(yù)測(cè)模型:

      (1)灰色系統(tǒng)、白色系統(tǒng)和黑色系統(tǒng)

      白色系統(tǒng)是指一個(gè)系統(tǒng)的內(nèi)部特征是完全已知的,既系統(tǒng)信息是完全充分的。黑色系統(tǒng)是一個(gè)系統(tǒng)的內(nèi)部信息對(duì)外界來(lái)說(shuō)是一無(wú)所知的,只能通過(guò)它與外界的聯(lián)系來(lái)加以觀(guān)測(cè)研究?;疑到y(tǒng)介于白色和黑色之間,灰色系統(tǒng)內(nèi)的一部分信息是已知的,另一部分信息是未知的,系統(tǒng)內(nèi)各因素間有不確定的關(guān)系。

      (2)灰色預(yù)測(cè)法

      灰色預(yù)測(cè)法是一種預(yù)測(cè)灰色系統(tǒng)的預(yù)測(cè)方法?;疑A(yù)測(cè)通過(guò)鑒別系統(tǒng)因素之間發(fā)展趨勢(shì)的相異程度,即進(jìn)行關(guān)聯(lián)分析,并對(duì)原始數(shù)據(jù)進(jìn)行生成處理來(lái)尋找系統(tǒng)變動(dòng)的規(guī)律,生成有較強(qiáng)規(guī)律性的數(shù)據(jù)序列,然后建立相應(yīng)的微分方程模型,從而預(yù)測(cè)事物未來(lái)發(fā)展趨勢(shì)的狀況。

      (3)精度檢驗(yàn)等級(jí)參照表

      灰色生成數(shù)列:灰色系統(tǒng)理論認(rèn)為,盡管客觀(guān)表象復(fù)雜,但總是有整體功能的,因此必然蘊(yùn)含某種內(nèi)在規(guī)律。關(guān)鍵在于如何選擇適當(dāng)?shù)姆绞饺ネ诰蚝屠盟??;疑到y(tǒng)是通過(guò)對(duì)原始數(shù)據(jù)的整理來(lái)尋求其變化規(guī)律的,這是一種就數(shù)據(jù)尋求數(shù)據(jù)的現(xiàn)實(shí)規(guī)律的途徑,也就是灰色序列的生產(chǎn)。一切灰色序列都能通過(guò)某種生成弱化其隨機(jī)性,顯現(xiàn)其規(guī)律性。數(shù)據(jù)生成的常用方式有累加生成、累減生成和加權(quán)累加生成。

      (1)累加生成(AGO)

      設(shè)原始數(shù)列為x(0)=(x0(1),x0(2),….x0(n))x(0)=(x0(1),x0(2),….x0(n)),令

      x(1)(k)=∑i=1kx(0)(i),k=1,2,...,nx(1)(k)=∑i=1kx(0)(i),k=1,2,...,n

      x(1)=(x1(1),x1(2),….x1(n))x(1)=(x1(1),x1(2),….x1(n))

      稱(chēng)所得到的新數(shù)列為數(shù)列x(0)x(0)的1 次累加生成數(shù)列。類(lèi)似的有

      x(r)(k)=∑i=1kx(r-1)(i),k=1,2,...,n,r≥1x(r)(k)=∑i=1kx(r-1)(i),k=1,2,...,n,r ≥1

      稱(chēng)為x(0)x(0)的r 次累加生成數(shù)列。

      (2)累減生成(IAGO)

      如果原始數(shù)列為x(1)=(x1(1),x1(2),….x1(n))x(1)=(x1(1),x1(2),….x1(n)),令

      x(0)(k)=x(1)(k)-x(1)(k-1),k=2,3,...,nx(0)(k)=x(1)(k)-x(1)(k-1),k=2,3,...,n

      稱(chēng)所得到的數(shù)列x(0)x(0)為x(1)x(1)的1 次累減生成數(shù)列??梢钥闯?,通過(guò)累加數(shù)列得到的新數(shù)列,可以通過(guò)累減生成還原出原始數(shù)列。

      (3)加權(quán)鄰值生成

      如果原始數(shù)列為x(1)=(x1(1),x1(2),….x1(n))x(1)=(x1(1),x1(2),….x1(n)),稱(chēng)任意一對(duì)相鄰元素x(0)(k-1),x(0)(k)x(0)(k-1),x(0)(k)互為鄰值。對(duì)于常數(shù)α ∈[0,1],令 :

      z(0)(k)=αx(0)(k)+(1-α)x(0)(k-1),k=2,3,…,nz(0)(k)=αx(0)(k)+(1-α)x(0)(k-1),k=2,3,…,n

      由此得到的數(shù)列稱(chēng)為鄰值生成數(shù),權(quán)α 也稱(chēng)為生成系數(shù)。特別地,當(dāng)生成系數(shù)α=0.5 時(shí),則稱(chēng)該數(shù)列為均值生成數(shù),也稱(chēng)為等權(quán)鄰值生成數(shù)。

      累加生成的特點(diǎn):一般經(jīng)濟(jì)數(shù)列都是非負(fù)數(shù)列。累加生成能使任意非負(fù)數(shù)列、擺動(dòng)的與非擺動(dòng)的,轉(zhuǎn)化為非減的、遞增的。

      灰色模型GM(1,1):灰色系統(tǒng)理論是基于關(guān)聯(lián)空間、光滑離散函數(shù)等概念定義灰導(dǎo)數(shù)與灰微分方程,進(jìn)而用離散數(shù)據(jù)列建立微分方程形式的動(dòng)態(tài)模型,即灰色模型是利用離散隨機(jī)數(shù)經(jīng)過(guò)生成變?yōu)殡S機(jī)性被顯著削弱而且較有規(guī)律的生成數(shù),建立起的微分方程形式的模型,這樣便于對(duì)其變化過(guò)程進(jìn)行研究和描述。

      G 表示grey(灰色),M 表示model(模型),定義x(1)x(1)的灰導(dǎo)數(shù)為 :

      d(k)=x(0)(k)=x(1)(k)-x(1)(k-1)d(k)=x(0)(k)=x(1)(k)-x(1)(k-1)

      令z(1)(k)z(1)(k)為數(shù)列x(1)x(1)的鄰值生成數(shù)列,即 :

      z(1)(k)=αx(1)(k)+(1-α)x(1)z(1)(k)=αx(1)(k)+(1-α)x(1)

      于是定義GM(1,1)的灰微分方程模型為:

      d(k)+αz(1)(k)=b 或x(0)(k)+αz(1)(k)=bd(k)+αz(1)(k)=b 或x(0)(k)+αz(1)(k)=b

      其中,x(0)(k)x(0)(k)稱(chēng)為灰導(dǎo)數(shù),α 稱(chēng)為發(fā)展系數(shù),z(1)(k)z(1)(k)稱(chēng)為白化背景值,b 稱(chēng)為灰作用量。

      將時(shí)刻k=2,3,…,n 代入上式有 :

      引入矩陣向量記號(hào):

      于是GM(1,1)模型可表示為Y=Bu。

      那么現(xiàn)在的問(wèn)題就是求a 和b 的值,我們可以用一元線(xiàn)性回歸,也就是最小二乘法求它們的估計(jì)值為:

      GM(1,1)的白化型:

      對(duì)于G M (1,1)的灰微分方程,如果將時(shí)刻k=2.3...n 視為連續(xù)變量t,則之前的x(1)視為時(shí)間t函數(shù),于是灰導(dǎo)數(shù)x(0)(k)變?yōu)檫B續(xù)函數(shù)的導(dǎo)數(shù)白化背景值z(mì)(1)(k)對(duì)應(yīng)于導(dǎo)數(shù)x(1)(t)。于是GM (1,1)的灰微分方程對(duì)應(yīng)于的白微分方程為:

      GM(1,1)灰色預(yù)測(cè)的步驟:

      數(shù)據(jù) 的檢驗(yàn)與處理:為了保證GM(1,1)建模方法的可行性,需要對(duì)已知數(shù)據(jù)做必要的檢驗(yàn)處理。設(shè)原始數(shù)據(jù)列為x(0)=(x0(1),x0(2),….x0(n))x(0)=(x0(1),x0(2),….x0(n)),計(jì)算數(shù)列的級(jí)比:

      y(0)(k)=x(0)(k)+c,k=1,2...,n

      取c 使得數(shù)據(jù)列的級(jí)比都落在可容覆蓋內(nèi)。

      建立GM(1,1)模型:

      不妨設(shè)x(0)=(x0(1),x0(2),....x0(n))滿(mǎn)足上面的要求,以它為數(shù)據(jù)列建立GM(1,1)模型。

      x(0)(k)+az(1)(k)=b

      用回歸分析求得a,b的估計(jì)值,于是相應(yīng)的白化模型為:

      解為:

      于是得到預(yù)測(cè)值:

      從而相應(yīng)地得到預(yù)測(cè)值:

      檢驗(yàn)預(yù)測(cè)值

      (1)殘差 檢驗(yàn):計(jì)算相對(duì)殘差

      如果對(duì)所有的|ε(k)|<0.1|ε(k)|<0.1,則認(rèn)為到達(dá)較高的要求;否則,若對(duì)所有的|ε(k)|<0.2|ε(k)|<0.2,則認(rèn)為達(dá)到一般要求。

      (2)級(jí)比偏差值檢驗(yàn):計(jì)算

      如果對(duì)所有的|ρ(k)|<0.1|ρ(k)|<0.1,則認(rèn)為達(dá)到較高的要求;否則,若對(duì)于所有的|ρ(k)|<0.2|ρ(k)|<0.2,則認(rèn)為達(dá)到一般要求。

      定義3 MAPE 計(jì)算公式

      圖1

      圖2

      圖3

      圖4

      圖5

      圖6

      其中 yi表示真實(shí)值,i 表示預(yù)測(cè)值,APE 表示百分比誤差,n 表示指標(biāo)集個(gè)數(shù)。

      4.2.2 對(duì)問(wèn)題的求 解

      通過(guò)灰色預(yù)測(cè)模型的建立,再由PYTHON 的數(shù)據(jù)篩選得到排名前十的目標(biāo)小類(lèi)為27050401,27217089,27164944,27196225,27060804,27112849,27092025,27206656,27071209,27102436。

      圖7

      圖8

      導(dǎo)入目標(biāo)小類(lèi)為歷史銷(xiāo)售時(shí)間處于2019 年6 月1 日至2019 年10 月1 日內(nèi),且累計(jì)銷(xiāo)售額排名前10 的小類(lèi)的2019 年6 月到10 月每個(gè)月的月銷(xiāo)量數(shù)據(jù)通過(guò)模型預(yù)測(cè)出未來(lái)三個(gè)月內(nèi)的小類(lèi)銷(xiāo)量數(shù)據(jù),預(yù)測(cè)結(jié)果如下:

      圖示小類(lèi)的1,2,3,4,5,6,7,8,9,10 分別代表目標(biāo)小類(lèi)編碼27050401,27217089,27164944,27196225,27060804,27112849,27092025,27206656,27071209,27102436。

      經(jīng)過(guò)模型運(yùn)算得出各小類(lèi)10 月的預(yù)測(cè)值與真實(shí)值比較曲線(xiàn)如圖1 所示;

      經(jīng)過(guò)模型運(yùn)算得出各小類(lèi)11 月的預(yù)測(cè)值與真實(shí)值比較曲線(xiàn)如圖2 所示;

      經(jīng)過(guò)模型運(yùn)算得出各小類(lèi)12 月的預(yù)測(cè)值與真實(shí)值比較曲線(xiàn)如圖3 所示。

      通過(guò)預(yù)測(cè)值與實(shí)際值相計(jì)算MAPE 的值為圖4 所示:10 月 的MAPE 值為0.13,11 月的MAPE 值 為0.38,12 月的MPAE 值為0.28。由此可見(jiàn)模型預(yù)測(cè)效果較好。此問(wèn)題得以解決。

      4.3 問(wèn)題三的分析與求解

      4.3.1 對(duì)問(wèn)題的分析

      問(wèn)題三要求建立相關(guān)數(shù)學(xué)模型,并考慮小類(lèi)預(yù)測(cè)結(jié)果的同時(shí),預(yù)測(cè)目標(biāo)小類(lèi)所有skc 在特定時(shí)間后數(shù)周內(nèi)的周銷(xiāo)量并給出預(yù)測(cè)值的MAPE。針對(duì)這個(gè)問(wèn)題我們分兩個(gè)步驟來(lái)解決。首先我們對(duì)附件進(jìn)行數(shù)據(jù)預(yù)處理,通過(guò)PYCHARM軟件用pandas 庫(kù)篩選數(shù)據(jù)進(jìn)一步來(lái)分析,得到能夠預(yù)測(cè)的相關(guān)因素?cái)?shù)據(jù)。運(yùn)用神經(jīng)網(wǎng)絡(luò)理論進(jìn)行構(gòu)建bp 神經(jīng)網(wǎng)絡(luò)模型,考慮到bp 神經(jīng)網(wǎng)絡(luò)模型在數(shù)據(jù)量較大的情況下會(huì)出現(xiàn)局部解較小的情況,采用PSO 粒子群算法優(yōu)化bp 神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值以此抵消這類(lèi)情況,再運(yùn)用了MATLAB 軟件編程求解,進(jìn)一步的處理從而預(yù)測(cè)出周銷(xiāo)量,再用題中給出的MAPE 來(lái)檢測(cè)結(jié)果的合理性,最后做出小結(jié)。

      定義1 pandas 庫(kù):pandas 是基于NumPy 的一種工具,該工具是為了解決數(shù)據(jù)分析任務(wù)而創(chuàng)建的。pandas 納入了大量庫(kù)和一些標(biāo)準(zhǔn)的數(shù)據(jù)模型,提供了高效地操作大型數(shù)據(jù)集所需的工具。pandas 提供了大量能使我們快速便捷地處理數(shù)據(jù)的函數(shù)和方法。你很快就會(huì)發(fā)現(xiàn),它是使PYTHON成為強(qiáng)大而高效的數(shù)據(jù)分析環(huán)境的重要因素之一。

      定義2 PSO 粒子群優(yōu)化算法:粒子群優(yōu)化算法又翻譯為粒子群算法、微粒群算法或微粒群優(yōu)化算法。是通過(guò)模擬鳥(niǎo)群覓食行為而發(fā)展起來(lái)的一種基于群體協(xié)作的隨機(jī)搜索算法。通常認(rèn)為它是群集智能的一種。它可以被納入多主體優(yōu)化系統(tǒng)。

      圖9 單個(gè)神經(jīng)元內(nèi)部示意圖

      (1)模擬捕食

      PSO 模擬鳥(niǎo)群 的捕食行為。一群鳥(niǎo)在隨機(jī)搜索食物,在這個(gè)區(qū)域里只有一塊食物。所有的鳥(niǎo)都不知道食物在那里。但是他們知道當(dāng)前的位置離食物還有多遠(yuǎn)。那么找到食物的最優(yōu)策略是什么呢。最簡(jiǎn)單有效的就是搜尋離食物最近的鳥(niǎo)的周?chē)鷧^(qū)域。

      (2)啟示

      PSO 從這種模型中 得到啟示并用于解決優(yōu)化問(wèn)題。PSO中,每個(gè)優(yōu)化問(wèn)題的解都是搜索空間中的一只鳥(niǎo)。我們稱(chēng)之為“粒子”。所有的粒子都有一個(gè)由被優(yōu)化的函數(shù)決定的適應(yīng)值,每個(gè)粒子還有一個(gè)速度決定他們飛翔的方向和距離。然后粒子們就追隨當(dāng)前的最優(yōu)粒子在解空間中搜索。

      (3)PSO 初始化

      PSO 初始 化為一群隨機(jī)粒子(隨機(jī)解),然后通過(guò)迭代找到最優(yōu)解,在每一次迭代中,粒子通過(guò)跟蹤兩個(gè)“極值”來(lái)更新自己。第一個(gè)就是粒子本身所找到的最優(yōu)解,這個(gè)解叫做個(gè)體極值pBest,另一個(gè)極值是整個(gè)種群找到的最優(yōu)解,這個(gè)極值是全局極值gBest。另外也可以不用整個(gè)種群而只是用其中一部分最優(yōu)粒子的鄰居,那么在所有鄰居中的極值就是局部極值。

      定義3[5]bp 神經(jīng)網(wǎng)絡(luò):BP 即Back Propagation 的縮寫(xiě),也就是反向傳播的意思。

      BP 網(wǎng)絡(luò)的數(shù)學(xué)原理

      下面將介紹 BP 網(wǎng)絡(luò)的數(shù)學(xué)原理,相比起SVD 的算法推導(dǎo),這個(gè)相對(duì)簡(jiǎn)單。首先來(lái)看看BP 網(wǎng)絡(luò)長(zhǎng)什么樣,這就是它的樣子(見(jiàn)圖5):

      首先,一組輸入x1、x2、……、xm 來(lái)到輸入層,然后通過(guò)與隱層的連接權(quán)重產(chǎn)生一組數(shù)據(jù)s1、s2、……、sn 作為隱層的輸入,然后通過(guò)隱層節(jié)點(diǎn)的θ(·),θ(·)激活函數(shù)后變?yōu)棣?sj),θ(sj)其中sj表示隱層的第j 個(gè)節(jié)點(diǎn)產(chǎn)生的輸出,這些輸出將通過(guò)隱層與輸出層的連接權(quán)重產(chǎn)生輸出層的輸入,這里輸出層的處理過(guò)程和隱層是一樣的,最后會(huì)在輸出層產(chǎn)生輸出,這里j 是指輸出層第j 個(gè)節(jié)點(diǎn)的輸出。這是前向傳播的過(guò)程,在這里隱層的含義即隱層連接著輸入和輸出層,它就是特征空間,隱層節(jié)點(diǎn)的個(gè)數(shù)就是特征空間的維數(shù),或者說(shuō)這組數(shù)據(jù)有多少個(gè)特征。而輸入層到隱層的連接權(quán)重則將輸入的原始數(shù)據(jù)投影到特征空間,比如sj就表示這組數(shù)據(jù)在特征空間中第j 個(gè)特征方向的投影大小,或者說(shuō)這組數(shù)據(jù)有多少份量的j 特征。而隱層到輸出層的連接權(quán)重表示這些特征是如何影響輸出結(jié)果的。

      前面提到激活函數(shù)θ(·),一般使用S 形函數(shù)(即sigmoid 函數(shù)),比如可以使用(見(jiàn)圖6)

      輸入的數(shù)據(jù)是已知的,變量只有那些連接權(quán)重,現(xiàn)在假設(shè)輸入層第i 個(gè)節(jié)點(diǎn)到隱層第j 個(gè)節(jié)點(diǎn)的連接權(quán)重發(fā)生了一個(gè)很小的變化Δwij,那么這個(gè)Δwij 將會(huì)對(duì)sj產(chǎn)生影響,導(dǎo)致sj也出現(xiàn)一個(gè)變化Δsj,然后產(chǎn)生Δθ(sj),然后傳到各個(gè)輸出層,最后在所有輸出層都產(chǎn)生一個(gè)誤差Δe。所以說(shuō),權(quán)重的調(diào)整將會(huì)使得輸出結(jié)果產(chǎn)生變化。如何調(diào)整權(quán)重。對(duì)于給定的訓(xùn)練樣本,其正確的結(jié)果已經(jīng)知道,那么由輸入經(jīng)過(guò)網(wǎng)絡(luò)的輸出和正確的結(jié)果比較將會(huì)有一個(gè)誤差,如果能把這個(gè)誤差降到最小,那么就是輸出結(jié)果靠近了正確結(jié)果,就可以說(shuō)網(wǎng)絡(luò)可以對(duì)樣本進(jìn)行正確分類(lèi)。

      為了使函數(shù)連續(xù)可導(dǎo),這里最小化均方根差,定義損失函數(shù)如下:

      最小化L:跟SVD 算法一樣,用隨機(jī)梯度下降。也就是對(duì)每個(gè)訓(xùn)練樣本都使權(quán)重往其負(fù)梯度方向變化?,F(xiàn)在的任務(wù)就是求L 對(duì)連接權(quán)重w 的梯度。用w1ij 表示輸入層第i個(gè)節(jié)點(diǎn)到隱層第j 個(gè)節(jié)點(diǎn)的連接權(quán)重,w2ij 表示隱層第i 個(gè)節(jié)點(diǎn)到輸出層第j 個(gè)節(jié)點(diǎn)的連接權(quán)重,s1j 表示隱層第j 個(gè)節(jié)點(diǎn)的輸入,s2j 表示輸出層第j 個(gè)幾點(diǎn)的輸入,區(qū)別在右上角標(biāo),1 表示第一層連接權(quán)重,2 表示第二層連接權(quán)重。

      那么有:

      由于:

      所以:

      代入前面式子可得:

      由于:

      所以:

      代入前面的式子可得:

      現(xiàn)在記:

      則隱層δ 為:

      輸出層δ 為:

      反向傳播過(guò)程是這樣的:輸出層每個(gè)節(jié)點(diǎn)都會(huì)得到一個(gè)誤差e,把e 作為輸出層反向輸入,這時(shí)候就像是輸出層當(dāng)輸入層一樣把誤差往回傳播,先得到輸出層δ,然后將輸出層δ 根據(jù)連接權(quán)重往隱層傳輸,即前面的式子:

      現(xiàn)在再來(lái)看第一層權(quán)重的梯度:

      第二層權(quán)重梯度:

      可以看到一個(gè)規(guī)律:每個(gè)權(quán)重的梯度都等于與其相連的前一層節(jié)點(diǎn)的輸出(即xi 和θ(s1i))乘以與其相連的后一層的反向傳播的輸出(即δ1j 和δ2j)。

      這樣反向傳播得到所有的δ 以后,就可以更新權(quán)重了。更直觀(guān)的BP 神經(jīng)網(wǎng)絡(luò)的工作過(guò)程總結(jié)如下(見(jiàn)圖8):

      上圖中每一個(gè)節(jié)點(diǎn)的輸出都和權(quán)重矩陣中同一列(行)的元素相乘,然后同一行(列)累加作為下一層對(duì)應(yīng)節(jié)點(diǎn)的輸入。

      為了代碼實(shí)現(xiàn)的可讀性,對(duì)節(jié)點(diǎn)進(jìn)行抽象如下(見(jiàn)圖9):

      這樣的話(huà),很多步驟都在節(jié)點(diǎn)內(nèi)部進(jìn)行了。

      4.3.2 對(duì)問(wèn)題的求解

      用PYCHARM 軟件用pandas 庫(kù)預(yù)處理數(shù)據(jù),得到能夠預(yù)測(cè)的相關(guān)因素?cái)?shù)據(jù)。運(yùn)用神經(jīng)網(wǎng)絡(luò)理論進(jìn)行構(gòu)建bp 神經(jīng)網(wǎng)絡(luò)模型,將篩選處理的2018 年10 月1 日后12 周內(nèi)周銷(xiāo)量數(shù)據(jù)進(jìn)行訓(xùn)練,然后考慮到bp 神經(jīng)網(wǎng)絡(luò)模型在數(shù)據(jù)量較大的情況下會(huì)出現(xiàn)局部解較小的情況,采用PSO 粒子群算法優(yōu)化2018 年10 月1 日后12 周內(nèi)周銷(xiāo)量數(shù)據(jù)。

      利用PSO 粒子群優(yōu)化選取bp 神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值數(shù)據(jù),再運(yùn)用了MATLAB 軟件編程求解,進(jìn)一步的處理從而預(yù)測(cè)出周銷(xiāo)量,再用題中給出的MAPE 來(lái)檢測(cè)結(jié)果的合理性。

      最后以銷(xiāo)售額排名第一小類(lèi)的skc602572661595 求解結(jié)果為例,作出銷(xiāo)售量預(yù)測(cè)值與真實(shí)值的比較曲線(xiàn)如圖10所示。

      圖10

      由此可知采用PSO 粒子群優(yōu)化算法的bp 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果較為接近真實(shí)值,預(yù)測(cè)效果較好。

      經(jīng)過(guò)PSO 粒子群優(yōu)化算法的bp 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)出的2019年10 月1 日后12 周內(nèi)每周的周銷(xiāo)量預(yù)測(cè)值的MAPE 為0.11,0.14,0.2,0.21,0.15,0.31,0.22,0.36,0.39,0.4,0.29,0.33,如圖11 所示。

      圖11

      4.4 問(wèn)題四的分析與求解

      4.4.1 對(duì)問(wèn)題的分析

      問(wèn)題四是要求面向企業(yè)來(lái)推薦自己的預(yù)測(cè)結(jié)果和方法,并說(shuō)明合理性和后續(xù)優(yōu)化方向,并且是信的格式,針對(duì)這一問(wèn)題結(jié)合前三個(gè)問(wèn)題得出的預(yù)測(cè)結(jié)果和方法,通過(guò)推薦信格式來(lái)闡述自己得出的預(yù)測(cè)結(jié)果和方法,并根據(jù)預(yù)測(cè)結(jié)果來(lái)推測(cè)方案的合理性,結(jié)合方案的優(yōu)缺點(diǎn)找準(zhǔn)待優(yōu)化方面作出后續(xù)的優(yōu)化設(shè)計(jì)。

      4.4.2 對(duì)問(wèn)題的求解

      此為新銷(xiāo)售產(chǎn)品的精準(zhǔn)需求的預(yù)測(cè)模型,此模型可以通過(guò)較少的往年銷(xiāo)售數(shù)據(jù)精確預(yù)測(cè)出未來(lái)一段時(shí)間內(nèi)的銷(xiāo)售量,此模型可以自動(dòng)篩選權(quán)值數(shù)據(jù)選取最有利的數(shù)據(jù)進(jìn)行分析減少了人工篩選數(shù)據(jù)的成本,節(jié)約資源。同時(shí)可適用于企業(yè)對(duì)未來(lái)產(chǎn)業(yè)的發(fā)展提供明確方向,合理分配企業(yè)資源,以求獲得資源最大化,能夠?yàn)槠髽I(yè)提供較強(qiáng)的生命力,能夠明確提供企業(yè)的產(chǎn)業(yè)布局。

      同時(shí)此模型存在一些不足,篩選數(shù)據(jù)花費(fèi)時(shí)間過(guò)長(zhǎng),讀取數(shù)據(jù)過(guò)于依賴(lài)人工,收集數(shù)據(jù)依賴(lài)于人工。后續(xù)優(yōu)化方案有:收集數(shù)據(jù)采用PYTHON 的“爬蟲(chóng)”收集。分析數(shù)據(jù)的代碼循環(huán)構(gòu)建較多,占用較多資源和時(shí)間,后續(xù)將減少循環(huán)的使用,進(jìn)一步優(yōu)化代碼。

      5 誤差分析

      誤差分析由題中給出MAPE 算出值即為誤差分析,MAPE 值越接近0 則模型預(yù)測(cè)效果越好。本題誤差主要來(lái)源于真實(shí)生活中每年對(duì)應(yīng)月份的銷(xiāo)售趨勢(shì)是不同的,銷(xiāo)售量會(huì)受到國(guó)家的經(jīng)濟(jì)政策改動(dòng)的影響,每年的產(chǎn)品生產(chǎn)成本變動(dòng),生產(chǎn)力改變的影響,自然災(zāi)害也會(huì)導(dǎo)致銷(xiāo)量變化。

      6 模型的評(píng)價(jià)與推廣

      6.1 模型的評(píng)價(jià)

      優(yōu)點(diǎn):

      1.此模型可以通過(guò)較少的往年銷(xiāo)售數(shù)據(jù)精確預(yù)測(cè)出未來(lái)一段時(shí)間內(nèi)的銷(xiāo)售量。

      2.此模型可以自動(dòng)篩選權(quán)值數(shù)據(jù)選取最有利的數(shù)據(jù)進(jìn)行分析,減少了人工篩選數(shù)據(jù)的成本,節(jié)約資源。

      3.可適用于企業(yè)對(duì)未來(lái)產(chǎn)業(yè)的發(fā)展提供明確方向,合理分配企業(yè)資源,以求獲得資源最大化。

      4.能夠?yàn)槠髽I(yè)提供較強(qiáng)的生命力,能夠明確提供企業(yè)的產(chǎn)業(yè)布局。

      缺點(diǎn):

      1.BP 神經(jīng)網(wǎng)絡(luò)無(wú)論在網(wǎng)絡(luò)理論還是在性能方面已比較成熟。其突出優(yōu)點(diǎn)就是具有很強(qiáng)的非線(xiàn)性映射能力和柔性的網(wǎng)絡(luò)結(jié)構(gòu)。網(wǎng)絡(luò)的中間層數(shù)、各層的神經(jīng)元個(gè)數(shù)可根據(jù)具體情況任意設(shè)定,并且隨著結(jié)構(gòu)的差異其性能也有所不同。但是BP 神經(jīng)網(wǎng)絡(luò)也存在以下的一些主要缺陷。

      ①學(xué)習(xí)速度慢,即使是一個(gè)簡(jiǎn)單的問(wèn)題,一般也需要幾百次甚至上千次的學(xué)習(xí)才能收斂。

      ②容易陷入局部極小值。

      ③網(wǎng)絡(luò)層數(shù)、神經(jīng)元個(gè)數(shù)的選擇沒(méi)有相應(yīng)的理論指導(dǎo)。

      ④網(wǎng)絡(luò)推廣能力有限。

      對(duì)于上述問(wèn)題,已經(jīng)有了許多改進(jìn)措施,研究最多的就是如何加速網(wǎng)絡(luò)的收斂速度和盡量避免陷入局部極小值的問(wèn)題。

      2.相關(guān)系數(shù):需要指出的是,相關(guān)系數(shù)有一個(gè)明顯的缺點(diǎn),即它接近于1 的程度與數(shù)據(jù)組數(shù)n 相關(guān),這容易給人一種假象。因?yàn)?,?dāng)n 較小時(shí),相關(guān)系數(shù)的波動(dòng)較大,對(duì)有些樣本相關(guān)系數(shù)的絕對(duì)值易接近于1;當(dāng)n 較大時(shí),相關(guān)系數(shù)的絕對(duì)值容易偏小。特別是當(dāng)n=2 時(shí),相關(guān)系數(shù)的絕對(duì)值總為1。因此在樣本容量n 較小時(shí),我們僅憑相關(guān)系數(shù)較大就判定變量x 與y 之間有密切的線(xiàn)性關(guān)系是不妥當(dāng)?shù)摹?/p>

      6.2 模型的推廣

      此模型不僅僅是適用于預(yù)測(cè)銷(xiāo)量還可以適用于天氣的預(yù)測(cè),工廠(chǎng)的產(chǎn)量預(yù)測(cè),客運(yùn)量的預(yù)測(cè)等諸多方面。

      7 模型的改進(jìn)

      篩選數(shù)據(jù)花費(fèi)時(shí)間過(guò)長(zhǎng),讀取數(shù)據(jù)過(guò)于依賴(lài)人工,收集數(shù)據(jù)依賴(lài)于人工。后續(xù)優(yōu)化方案有:收集數(shù)據(jù)采用PYTHON 的“爬蟲(chóng)”收集,分析數(shù)據(jù)的代碼循環(huán)構(gòu)建較多占用較多資源和時(shí)間,后續(xù)將減少循環(huán)的使用,進(jìn)一步優(yōu)化代碼。

      猜你喜歡
      小類(lèi)隱層預(yù)測(cè)值
      IMF上調(diào)今年全球經(jīng)濟(jì)增長(zhǎng)預(yù)期
      企業(yè)界(2024年8期)2024-07-05 10:59:04
      加拿大農(nóng)業(yè)部下調(diào)2021/22年度油菜籽和小麥產(chǎn)量預(yù)測(cè)值
      ±800kV直流輸電工程合成電場(chǎng)夏季實(shí)測(cè)值與預(yù)測(cè)值比對(duì)分析
      法電再次修訂2020年核發(fā)電量預(yù)測(cè)值
      基于RDPSO結(jié)構(gòu)優(yōu)化的三隱層BP神經(jīng)網(wǎng)絡(luò)水質(zhì)預(yù)測(cè)模型及應(yīng)用
      人民珠江(2019年4期)2019-04-20 02:32:00
      浙江配電網(wǎng)物資標(biāo)準(zhǔn)化研究與應(yīng)用
      基于近似結(jié)構(gòu)風(fēng)險(xiǎn)的ELM隱層節(jié)點(diǎn)數(shù)優(yōu)化
      最優(yōu)隱層BP神經(jīng)網(wǎng)絡(luò)的滾動(dòng)軸承故障診斷
      BP神經(jīng)網(wǎng)絡(luò)隱層單元數(shù)確定方法
      小類(lèi):年輕人要多努力
      大學(xué)(2008年10期)2008-10-31 12:51:10
      404 Not Found

      404 Not Found


      nginx
      盐源县| 新蔡县| 沂南县| 扶绥县| 麻江县| 渭源县| 阿图什市| 秦皇岛市| 揭阳市| 蓬溪县| 肥城市| 禹城市| 德化县| 南通市| 宁武县| 三江| 麻江县| 阿勒泰市| 惠来县| 南部县| 清徐县| 四平市| 札达县| 龙江县| 子长县| 高碑店市| 天气| 望奎县| 三江| 建水县| 香港| 东兰县| 乌兰浩特市| 璧山县| 麟游县| 庆城县| 达孜县| 石河子市| 和田县| 耒阳市| 蒙山县|