神经网络在卷烟销售量预测的应用研究

研究卷烟销售预测准确问题,卷烟销售量具有季节性和周期性动态变化规律,并受经济、人口等因素的影响,使系统存在明显的非线性特征,波动范围比较大,传统线性预测模型难以准确预测。为了提高卷销售预测精度,提出一种能够反映卷烟销售量变化规律的Elman神经网络的卷烟销售预测模型。首先采用逐步拓阶方法确定卷烟销售量的最佳滞后阶数,然后利用最佳滞后阶数最对卷烟销售数据进行重组,并输入Elman神经网络学习,利用Elman神经网络的动态和反馈特点对卷烟销售量进行预测。将建立的模型应用于云南某烟草公司某种卷烟销售的预测,结果表明,Elman神经网络模型有效提高了卷烟销售预测精度,降低了预测误差,为烟草行业销售管理预测提供科学依据。     

趋势比率模型在卷烟预测中的应用

中国烟草行业具有行政上的垄断性和生产上的计划性,有别于其它行业.做好卷烟销量的预测,是当前烟草行业工业生产环节与商业环节协同平滑进展的前提.鉴于此,提出基于趋势比率的卷烟预测模型,对该预测模型设计了相应的算法,最后以实际数据为例验证了趋势比率模型预测方法的有效性和实用性.     

混合卷烟销售预测模型

为了提高卷烟销售预测准确性,平衡生产与需求,协同工商业,建立切实合理的月供应计划,提出了一个混合卷烟销售预测模型,实现卷烟月总量的预测.该模型首先基于自适应过滤法建立月预测模型,再用计划评审技术PERT得到月预测经验期望值,接着通过设定加权系数,综合两个预测值得到月预测销售总量.最后借鉴网络流量平衡的控制原理--"漏桶模型",进行月总产能与总需求平衡,自动修正差异,得到该规格月预测总量.实验结果表明,该模型能够较好地预测出规格卷烟月销售总量值变化.     

基于ARMA的混合卷烟销售预测模型

为了提高卷烟销售预测准确性,平衡生产与需求,协同工商业,建立切实合理的月供应计划,提出了一个基于ARMA(autoregressive moving average model,自回归滑动平均模型)的混合卷烟销售预测模型,实现卷烟月总量的预测。该模型首先基于ARMA建立月预测模型;再用计划评审技术PERT得到月预测经验期望值;最后通过设定加权系数,综合两个预测值得到月预测销售总量。实验结果证明该模型能够较好地预测出规格卷烟月销售总量值变化。     

基于多维灰色模型及神经网络的销售预测

在时尚销售领域,如服饰、手袋、钱包等,准确的销售预测对企业非常重要.然而由于客户的需求受诸多因素的影响,要做到准确的销售预测一直是一个富有挑战性的问题.基于改进的多维灰色模型（GM（1,N））和神经网络（ANN）提出一种混合模型来预测销量,其中多维灰色模型对销售数据建模,神经网络对误差进行校正.该混合模型的优点是考虑了影响客户需求的因素与销量之间的关系.通过对阿里天猫销售数据来评估混合模型的表现,实验结果表明,所提出的混合模型的预测结果要优于其他几种销售预测模型.     

改进布谷鸟算法优化混合核LSSVM的卷烟销售量预测

为了提高卷烟销售量预测精度,提出了基于一种改进布谷鸟算法（MCS）优化混合核最小二支持向量机（LSSVM）的卷烟销售量预测模型（MCS-LSSVM）。收集卷烟销售量数据,并构建LSSVM学习样本,然后混合核函数的LSSVM对样本进行训练,并采用改进布谷鸟算法对混合核函数参数进行优化,最后建立卷烟销售量预测模型,并用于某卷烟公司卷烟销售的预测。结果表明,相对于对比模型,ICS-LSSVM模型获得了更优的建模效果和更高的预测精度。     

基于BP神经网络的包装产品销量预测研究

在研究农副产品包装产品历史销售数据和影响农副产品包装销量主要因素的基础上,建立了一个基于BP神经网络的包装产品销量预测模型,并利用该模型预测主要包装产品的销量,根据预测值对产供销管理系统中原材料采购和生产计划制定进行指导。     

基于ARMA的销售预测方法与系统实现

为了提高销售预测准确性,为企业生产决策提供参考依据,建立一个基于自回归滑动平均模型ARMA的销售预测模型,实现产品销售预测。采用修正因子对输入序列进行影响因素权值调整（前处理）,再进行ARMA建模,并对预测结果再进行修正（后处理）,提高了销售预测的准确性。以IIS为应用服务器,Oracle为数据库服务器,采用B/S体系结构和ASP.NET四层架构设计,实现时序销量数据修正、模型的识别、定阶、参数估计和预测数据修正以及预测展示等功能,完成产品销量预测系统。     

智能机器人在烟草行业中的应用前景

智能机器人在烟草行业的应用是一个新的领域，本文扼要地介绍了卷烟生产过程及云南类草行业发展状况，通过对烟草行业自动化技术发展现状分析，就未来五年烟草行业对智能机器人的市场需求进行了预测研究。     

基于BP神经网络的淘宝网店区域销量预测

销售预测是提升网店销售和管理水平的重要手段,本文应用BP神经网络模型对淘宝网店区域销售模型进行了研究,选取网店最大销售区域广省2014/11/21至2014/12/20为预测时间段,通过访客数与实际下单人数之间的关系来构建BP神经网络销售预测模型,仿真验证了建立的BP网络预测店铺的每天下单人数的正确性和有效性。研究结果有助于从增加店铺销量的角度最优地维护网店的服务质量等组合因素,有助于商家最大化的减少库存和盘活资金使用效率,从而提高淘宝网店的整体竞争力和灵活性。     

基于考虑滞后性LSTM模型的电商需求预测

消费者网络购物浏览时间碎片化、对价格更敏感的特征带来滞后性消费。为了掌握顾客消费趋势,通过获取Q企业纸类商品的历史销售数据和消费者购买行为数据,分析消费者行为对销售数据的影响,并利用随机森林分别选取不考虑滞后性和考虑滞后性的特征因子;基于LSTM神经网络建立快消品的需求预测模型;根据Q企业纸类商品的数据进行预测及验证,结果表明考虑滞后性LSTM模型预测相对误差更小,预测精度更高。     

基于粒子群算法的配电台区售电量精准预测方法

针对不同时段和不同模态下,售电量预测准确性较低的问题,设计一个基于粒子群算法的配电台区售电量精准预测方法。建立灰色模型挖掘数据,输入电力负荷数据,并进行归一化处理,提取容量利用特征,准变预测问题表现形式,建立售电量增长趋势模型,计算曲线拟合问题,采用粒子群算法设计配电台区售电量精准预测过程,优化权重变换函数和粒子权值,完成配电台区售电量精准预测。实验结果表明,该方法在一个月内售电量、一年内售电量、低频模态预测与高频模态预测上,都具有较高的准确性,满足配电台区售电量精准预测需求。     

Demand forecasting of perishable farm products using support vector machine

This article presents a new algorithm for forecasting demand for perishable farm products, based on the support vector machine (SVM) method. Since SVMs have greater generalisation performance and guarantee global minima for given training data, it is believed that support vector regression will perform well for forecasting demand for perishable farm products. In order to improve forecasting precision (FP), this article quantifies the factors affecting the sales forecast of perishable farm products based on the fuzzy theory, which is suitable for real situations. Numerical experiments show that forecasting systems with SVMs and fuzzy theory outperform the radial basis function neural network, based on the criteria of day absolute error, relative mean error and FP. Since there is no structured way to choose the free parameters of SVMs, the variational range of free parameters and the effects of the parameters on prediction performance are discussed in this article. Analysis of experimental results proves that it is advantageous to apply SVMs forecasting system in perishable farm products demand forecasting.     

基于二次EEMD的工业电能需量多步预测

电力大用户最大需量控制是降低电网峰值负荷、节约用户电费成本的重要技术手段.面向强波动性和冲击性工业电能需量控制,研究了超短期需量负荷的多步预测问题.基于集成经验模态分解(EE-MD)方法,通过二次分解有效分离时间序列中不同频率的信号,采用长短期记忆网络(LSTM)对各信号子序列进行独立预测,最后组合预测结果.实验结果表明,本方法能很好的预测工业需量负荷变化,M A PE/MAE/NRMSE精度指标基本控制在2％ 以内,明显优于多种现行主流时序预测模型和最新文献方法,且消除了多步预测的传递误差,预测模型精度和稳定性满足需量控制要求.     

灰色理论和马尔可夫相融合的粮食产量预测模型

鉴于根食产量受多种复杂因素的影响并具有较大的随机性和波动性,建立了一种灰色理论和马尔可夫相融 合的粮食产量预测模型。首先采用灰色关联法筛选粮食产量影响因子,然后将其输入到灰色系统中构建粮食产量的 灰色预测模型,最后使用马尔可夫模型对灰色模型的粮食产量预测结果的残差值进行修正,以提高粮食产量预测精 度。仿真结果表明,提出的预测模型具有较好预测的精度,完全能满足粮食产量预测精度的要求。     

Tourism demand forecasting using novel hybrid system

Accurate prediction of tourism demand is a crucial issue for the tourism and service industry because it can efficiently provide basic information for subsequent tourism planning and policy making. To successfully achieve an accurate prediction of tourism demand, this study develops a novel forecasting system for accurately forecasting tourism demand. The construction of the novel forecasting system combines fuzzy c-means (FCM) with logarithm least-squares support vector regression (LLS-SVR) technologies. Genetic algorithms (GA) were optimally used simultaneously to select the parameters of the LLS-SVR. Data on tourist arrivals to Taiwan and Hong Kong were used. Empirical results indicate that the proposed forecasting system demonstrates a superior performance to other methods in terms of forecasting accuracy.     

Gene expression programming as a basis for new generation of electricity demand prediction models

This study proposes a new gene expression programming (GEP) approach for the prediction of electricity demand. The annual population, gross domestic product, stock index, and total revenue from exporting industrial products were used to predict the electricity demand of the same year in Thailand. Several statistical criteria were used to verify the validity of the model. Further, the contributions of the influencing variables to the prediction of the electricity demand were analyzed. Correlation coefficient, root mean squared error and mean absolute percent error were used to evaluate the performance of the model. In addition to its high accuracy, the derived model outperforms regression and other soft computing-based models.     

基于PSO-GRU神经网络的青椒生长期需水预测

青椒生长期内需水量与气温、气压、相对湿度等因子之间存在复杂的非线性关系,需水量变化呈现出时序性和周期性的规律,为提高青椒生长期日均需水量的预测精度,提出一种PSO-GRU青椒生长期日均需水预测模型。以2014—2018年实验所得的青椒需水和气象环境等数据为数据源,将日均气温、气压、风速等六维数据作为特征集,需水量作为标签,采用GRU神经网络作为需水预测的训练模型,并针对GRU超参数容易陷入局部最优的问题,利用粒子群算法(PSO）优化GRU模型的超参数,通过仿真实验对青椒生长期日均需水量进行预测,并与RNN,LSTM和GRU等模型进行对比,验证PSO-GRU模型的优越性。仿真实验结果表明：PSO-GRU模型的预测精度和拟合效果显著提高,RMSE为0.505,MAE为0.388,MAPE为7.73,R2为0.888。PSO-GRU模型可为制定灌溉计划提供依据,有利于节水灌溉,推动农业种植水利信息化。     

Pricing, rebate, advertising and ordering policies of a retailer facing price-dependent stochastic demand in newsvendor framework under different risk preferences

This paper evaluates the pricing and ordering policies of risk‐neutral, risk‐averse and risk‐seeking newsvendor‐type retailers facing price‐dependent stochastic demand and several sales‐promotion policies, namely pricing, rebates and advertising. Optimal pricing and ordering policies are obtained for the iso‐elastic demand function and for additive and multiplicative demand‐error structures. Performance is measured by the risk‐adjusted expected profit and evaluated across risk preferences. Pricing, rebate and advertising, in that order, are the most profitable sales‐promotion policies. The more risk averse the retailer, the lower its profit and the more it favors multiple promotion policies.     

一种基于时段特征的匹配算法在智能电表用电预测中的应用研究

用电需求预测问题对智能电网的稳定运行和用户体验的提升有着非常重要的影响。现有的工作大多是针对长、中期用电需求进行预测,而对短期内细粒度的用电需求的预测效果不佳。针对这一问题,基于特征匹配的思想,提出一种细粒度的用电需求预测算法。基于智能电表中记录的居民用电数据,提取每个用户的用电特征,并在智能电表中记录的实时用电数据上进行特征匹配,利用匹配到的特征进行用电量的预测。实验证明,该方法在细粒度的用电数据上取得了良好的性能。