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和BP_AdaBoost的组合销售预测模型研究

为了提高销售预测的准确性,建立了组合销售预测模型。历史销售数据是非线性、时变的时间序列,可看成由线性和非线性2部分组成。用ARMA模型预测线性部分,用BP_Ada Boost模型预测非线性部分,然后将2部分预测结果叠加得到销售预测结果。该组合模型克服了单纯采用ARMA模型预测结果精度低的问题,也克服了单纯使用BP神经网络模型容易陷入局部极小值的问题。经实验对比表明,采用组合预测模型能够更加准确、全面地反应销售规律,提高了销售预测的准确性。     

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。     

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。     

节日需求型卷烟预测模型研究

卷烟销量预测工作对我国的国民经济和烟草行业的发展有着重要的意义。为了加强对烟草行业的有效管理,了解卷烟销售市场动态,对卷烟销量进行科学的预测是很有必要的。节日需求型卷烟销售是卷烟销售中的重要组成部分,鉴于此,采用灰色预测法分析建立预测模型对节日需求型卷烟进行销量预测,并以实际数据为例验证预测模型的有效性和适用性。     

混合销售预测模型

为提高产品销售预测的准确性,为企业生产决策提供有力的参考依据,建立BP＿Adaboost和计划评审技术PERT混合销售预测模型。将BP神经网络模型与Adaboost算法进行结合,克服单纯使用BP神经网络容易陷入局部极小值的问题;计划评审技术PERT有效利用销售管理人员的经验,在一定程度上实现对销售数据偶然性的预测;将BP＿ Adaboost和计划评审技术PERT组成混合模型进行销售预测。实验结果表明,该模型提高了销售预测的准确性和有效性。     

服务器负载的小波-神经网络-ARMA预测

为提高服务器负载预测的精度,提出一种新的基于小波的预测方法。该方法首先对具有非平稳特征的服务器负载序列进行小波分解与重构,得到一个低频信号和多个不同尺度的高频信号;对具有近似平稳特征的低频信号建立ARMA预测模型;对变化较多的各高频信号分别建立神经网络预测模型;然后分别对各信号进行一步预测并组合预测结果,获得原始负载的最终预测。实验表明:该方法能够有效预测非平稳的服务器负载序列,预测精度明显高于传统预测方法。     

基于流量预测的WSN入侵检测技术

在无线传感器网络(WSN),针对内部攻击严重威胁网络的安全和正常运行,如造成网络拥塞、能量的大量消耗等问题,提出基于流量预测的入侵检测技术。该技术首先利用自回归滑动平均模型ARMA(Autoregressive Moving Average)为节点建立ARMA(2,1)流量预测模型,然后利用预测的流量值来得到通过节点的流量接收率范围,最后通过比较实际流量接收率是否超出预测范围来达到检测的效果。实验结果表明,和单独使用ARMA模型相比,在相同报文重放率条件下,采用该技术有更高的检测率和更低的误报警率,同时减少了网络节点的能量消耗。     

基于磷虾群算法优化的SVR-ARMA组合模型的ORP预测

为了实现生物氧化提金预处理过程中关键参数的准确预测,提出一种基于磷虾算法优化的SVR-ARMA组合预测模型。该改进的组合预测模型把具有较好连续空间非线性寻优性能的磷虾群算法用于SVR模型的参数优化过程,对原始数据进行预测,然后用ARMA模型对SVR模型产生的线性残差进行预测,将两部分的预测值几何相加得到最终预测值。仿真结果表明,与基本SVR模型、KH-SVR模型和SVR-ARMA组合预测模型相比,该改进模型具有更高的预测精度,能够满足对氧化还原电位(ORP)的精准预测。     

ARMA时间序列模型在销售预测中的应用

时间序列分析是经济领域应用研究最广泛的工具之一,它用恰当的模型描述历史数据随时间变化的规律,并分析预测变量值。ARMA模型是一种最常见的重要时间序列模型,它被广泛应用到经济领域预测中。本文给出ARMA模型的三种模式和实现方法,然后结合超市销售数据揭示超市销售的规律性,并运用ARMA模型对超市销售量进行预测。     

Data clustering and fuzzy neural network for sales forecasting: A case study in printed circuit board industry

In order to obtain a better control of market trend and profit for the company, timely identification of sales is very important for businesses. Upward and downward trends in sales signify new market trends and understanding of sales trends is important for marketing as well as for customer retention. This research develops a hybrid model by integrating K-mean cluster and fuzzy neural network (KFNN) to forecast the future sales of a printed circuit board factory. Based on the K-mean clustering technique, the historical data can be classified into different clusters. The accuracy of the forecasted model can be further improved by referring the new data to be forecasted from a more focused region, i.e., a smaller region after clustering. Numerical data of various affecting factors and actual demand of the past 5 years of the printed circuit board (PCB) factory are collected and input into the hybrid model for future monthly sales forecasted. The experimental results derived from the proposed model show the effectiveness of the hybrid model when compared with other approaches.     

特殊事件对月售电量及其预测的影响分析

特殊事件会使月售电量发生很大变化,导致实际售电量曲线明显偏离典型售电量曲线。然而由不考虑特殊事件的传统预测模型得到的月售电量预测曲线却更接近于典型售电量曲线,这将不可避免地导致月售电量预测精度降低。为解决该问题,本文以异常高温,政治事件和超强台风为例,分析研究了特殊事件对月售电量及其预测的影响。首先,介绍了“互联网+”背景下基于大数据的月售电量预测模型,并对其预测精度进行了评估;其次,针对异常高温、政治事件及超强台风三种特殊事件,描述了各事件的特殊情况,以实际月售电量数据说明了特殊事件对月售电量的影响,然后利用月售电量预测模型研究了特殊事件对月售电量预测的影响,并详细分析了产生这种影响的原因,在此基础上,针对不同的特殊事件提出了相应的初步改善对策。     

基于ARIMA的入境旅游月度过夜人次预测

入境旅游人次预测对旅游管理部门合理配置旅游资源、创新旅游服务模式有很重要的意义。受气候变化、经济发展趋势、文化差异的影响,旅游人次呈现出明显的季节性与非线性特征,管理部门依据经验推断入境旅游过夜人次的难度越来越大。文章采用ARIMA模型,对入境旅游过夜人次进行月度预测更加科学、准确。选取上海市2004-2016年入境旅游月度过夜人次数据为样本,依据AIC、BIC、HQIC最小准则进行参数估计和模型定阶,拟合出入境旅游月度过夜人次预测的最优模型为ARIMA(6,3,0)。运用该模型,对上海市2017年1-12月的入境旅游月度过夜人次进行预测,并将预测值与2017年真实数据比对,其平均绝对误差为3.22%。可见,应用ARIMA对入境旅游月度过夜人次预测有较高信度。     

基于ARIMA和Holt-Winters的消费行为预测

以学校一卡通交易流水数据为研究对象,挖掘出令管理层感兴趣的信息,为学校决策管理提供科学依据.把食堂2014年1月至2019年2月的消费数据作为研究对象,通过平滑消除数据噪音,分别建立ARIMA模型和Holt-Winters乘法模型,将月数据组成的离散型时间序列进行拟合分析,并对2019年3月至5月份的消费趋势进行了预测,最后用实际值来检测预测结果.实验证明,Holt-Winters模型对消费数据的拟合效果较好,预测精度更高.应用合适的数学模型对一卡通中饭堂消费的数据进行分析、拟合、预测,有助于全面掌握师生的食堂消费行为规律,可为后勤部门优化资源配置和科学决策提供依据.     

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.     

GARCH非线性时间序列模型的网络流量预测

网络流量预测在拥塞控制、网络管理与诊断、路由器设计等领域都具有重要意义。根据当今网络流量的特点,传统的ARMA模型在描述网络流量数据特性时有一定的局限性,从而影响网络流量预测的精度。针对这个问题,研究了使用广义自回归条件异方差模型(GARCH)对网络流量数据进行建模的方法,通过仿真实验表明,该模型可以较好地描述网络流量数据的异方差性,同时其预测精度较之传统的ARMA模型的预测精度也得到了大幅提升。