當(dāng)今如此眾多的電視品牌,想要在激烈的市場環(huán)境中站穩(wěn)腳跟,就離不開銷量預(yù)測。目前,大部分企業(yè)對于產(chǎn)品的銷售預(yù)測是依靠決策人員對產(chǎn)品的認(rèn)識以及前期的經(jīng)驗,具有一定的盲目性和隨意性,無法合理的安排生產(chǎn)和采購物料。本文擬采用循環(huán)神經(jīng)網(wǎng)絡(luò)及注意力機制對某企業(yè)的電視品類銷量數(shù)據(jù)進行合理預(yù)測。循環(huán)神經(jīng)網(wǎng)絡(luò)作為時序數(shù)據(jù)預(yù)測中較為主要的手段,在很多數(shù)據(jù)預(yù)測領(lǐng)域已經(jīng)有了一定的應(yīng)用。本文選取某企業(yè)電視品類的銷量數(shù)據(jù)進行預(yù)處理,剔除離群點數(shù)據(jù)并進行歸一化處理,構(gòu)建循環(huán)神經(jīng)網(wǎng)絡(luò)中的RNN、LSTM、BLSTM三種模型,通過對神經(jīng)網(wǎng)絡(luò)中超參進行調(diào)整設(shè)計,使用同批次電視銷量數(shù)據(jù)進行預(yù)測對比。通過均方誤差和平均絕對百分比誤差作為參考指標(biāo)衡量各個模型的預(yù)測能力,得出BLSTM的預(yù)測結(jié)果更優(yōu),準(zhǔn)確率更高,穩(wěn)定性更強。在BLSTM模型的基礎(chǔ)上,使用注意力機制對特征提取過程可視化,并強化時間序列不同時間步之間的關(guān)聯(lián)性。對于自注意力機制以及多頭注意力機制分別設(shè)計了針對于本次實驗的算法流程圖,并進行多次試驗,多頭注意力機制下的BLSTM模型在電視銷量預(yù)測上有較好的準(zhǔn)確率,能夠為企業(yè)未來發(fā)展提供重要的參考依據(jù)。實驗結(jié)果證明針對于自...

【文章頁數(shù)】：57 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖1.2技術(shù)路線

華中科技大學(xué)碩士學(xué)位論文9圖1.2技術(shù)路線本文首先進行數(shù)據(jù)搜集及數(shù)據(jù)預(yù)處理，剔除離群點數(shù)據(jù)，并進行歸一化處理。針對部分外在影響因素，結(jié)合國內(nèi)外主流神經(jīng)網(wǎng)絡(luò)研究現(xiàn)狀，本文搭建了RNN模型，LSTM模型，BLSTM模型，使用同批次電視銷量數(shù)據(jù)進行預(yù)測對比，BLSTM結(jié)果較好。將注意力....

圖2.2感知器

華中科技大學(xué)碩士學(xué)位論文12并測試，將平均絕對百分比誤差以及均方誤差作為最終預(yù)測參考指標(biāo)進行比較分析。2.2前向神經(jīng)網(wǎng)絡(luò)人工神經(jīng)網(wǎng)絡(luò)是最早建立的通過模擬人類大腦的數(shù)據(jù)處理過程抽象出來的數(shù)學(xué)模型[38]。整個網(wǎng)絡(luò)的構(gòu)成由多層的節(jié)點和它們之間帶有權(quán)重的連接組成，其中多層節(jié)點可以類比為....

圖2.3多層感知器

型，因此產(chǎn)生了多層感知器，其結(jié)構(gòu)如圖2.3所示。圖2.2感知器

圖2.4Sigmoid函數(shù)圖像

華中科技大學(xué)碩士學(xué)位論文13出公式如式（2.2）所示。y=f(∑ni=0+b)（2.2）多層感知器結(jié)構(gòu)模型如圖2.3，每一個節(jié)點均為一個感知器，通過網(wǎng)絡(luò)的結(jié)構(gòu)將輸入信息進行處理，得到輸出結(jié)果。每一層的感知器作為一個線性分類器，將上一層的特征空間變換到一個新的特征空間。因此模型性能....

本文編號：3914890