本文選題：銷(xiāo)售預(yù)測(cè)　切入點(diǎn)：灰色關(guān)聯(lián)度分析　出處：《浙江理工大學(xué)》2017年碩士論文

【摘要】：銷(xiāo)售預(yù)測(cè)對(duì)企業(yè)至關(guān)重要,準(zhǔn)確的銷(xiāo)售預(yù)測(cè)可以幫助企業(yè)制定正確的營(yíng)銷(xiāo)策略以減小企業(yè)在經(jīng)營(yíng)過(guò)程的損失,提高企業(yè)盈利水平。但在銷(xiāo)售領(lǐng)域,由于產(chǎn)品生命周期通常較短且產(chǎn)品銷(xiāo)售情況受諸多因素影響,導(dǎo)致可用于預(yù)測(cè)的歷史數(shù)據(jù)量少且波動(dòng)大,極大了增加了準(zhǔn)確預(yù)測(cè)的難度。本文針對(duì)線上銷(xiāo)售的特點(diǎn),分析可能影響產(chǎn)品銷(xiāo)量的產(chǎn)品因素和外部環(huán)境因素,闡述比較了當(dāng)前應(yīng)用較廣泛的EELM、ARIMA、神經(jīng)網(wǎng)絡(luò)和灰色理論系統(tǒng)中GM(1,1)和GM(1,N)等銷(xiāo)售預(yù)測(cè)方法算法。針對(duì)GM(1,1)和GM(1,N)提出了改進(jìn)的多維灰色模型算法(IGM(1,N))。IGM(1,N)算法可以使得銷(xiāo)售序列不僅滿(mǎn)足GM(1,N)對(duì)要預(yù)測(cè)序列要求的平滑和指數(shù)平滑條件,還將影響銷(xiāo)量的相關(guān)因素納入到預(yù)測(cè)考慮范圍中,提高了預(yù)測(cè)的準(zhǔn)確性。此外,本文還進(jìn)一步將IGM(1,N)算法與神經(jīng)網(wǎng)絡(luò)算法相結(jié)合,提出混合智能算法。在利用混合算法對(duì)多組天貓銷(xiāo)售數(shù)據(jù)進(jìn)行預(yù)測(cè)時(shí),首先對(duì)銷(xiāo)售數(shù)據(jù)進(jìn)行預(yù)處理,利用灰色關(guān)聯(lián)度分析影響產(chǎn)品銷(xiāo)售的多個(gè)因素對(duì)銷(xiāo)量序列的關(guān)聯(lián)度找出與銷(xiāo)量關(guān)聯(lián)度較大的因素并將其納入預(yù)測(cè)過(guò)程。通過(guò)采用多種誤差評(píng)定和預(yù)測(cè)曲線與實(shí)際銷(xiāo)量曲線對(duì)比的方式,將混合智能算法預(yù)測(cè)結(jié)與EELM、ARIMA、GM(1,1)、IGM(1,N)等算法的預(yù)測(cè)結(jié)果進(jìn)行比較,可以總結(jié)出混合智能算法對(duì)銷(xiāo)售序列進(jìn)行預(yù)測(cè)是可行的,其對(duì)銷(xiāo)售序列銷(xiāo)量預(yù)測(cè)的平均絕對(duì)百分誤差MAPE誤差始終保持在24%左右,預(yù)測(cè)準(zhǔn)確性要優(yōu)于EELM、ARIMA、GM(1,1)、IGM(1,N)算法,預(yù)測(cè)性能也更穩(wěn)定。本文有如下的創(chuàng)新點(diǎn):1)提出了IGM(1,N)算法,對(duì)系統(tǒng)特征序列加入控制因子,提高了原GM(1,N)模型的預(yù)測(cè)精度。2)IGM(1,N)對(duì)序列與處理過(guò)程中,加入附加因子,使得序列滿(mǎn)足灰色預(yù)測(cè)方法對(duì)序列的要求條件。3)通過(guò)將IGM(1,N)算法和神經(jīng)網(wǎng)絡(luò)算法結(jié)合,從而提出了混合智能算法。該算法對(duì)銷(xiāo)售序列的預(yù)測(cè)精度和表現(xiàn)要優(yōu)于EELM、ARIMA、GM(1,1)、IGM(1,N)等算法。
[Abstract]:Sales forecast is very important to the enterprise. Accurate sales forecast can help the enterprise to formulate the correct marketing strategy to reduce the loss in the business process and improve the profit level of the enterprise. But in the sales field, Because the product life cycle is usually short and the sales situation is affected by many factors, the historical data quantity that can be used for prediction is small and fluctuating, which greatly increases the difficulty of accurate prediction. Analysis of product factors and external environmental factors that may affect product sales, This paper describes and compares the current widely used algorithms for sales prediction such as EELMN ARIMA, neural network and grey theory system, such as GM1) and GM1N). An improved Multidimensional Grey Model algorithm (IGM1N.IGM1NN) is proposed for GMM1) and GM1N). Only satisfying the smoothing and exponential smoothing conditions required by GM1N) for the prediction sequence, The related factors affecting the sales volume are also taken into account in the forecast, which improves the accuracy of the prediction. In addition, the IGM1N) algorithm is further combined with the neural network algorithm. A hybrid intelligent algorithm is proposed. When using the hybrid algorithm to predict the sales data of Tmall, the first step is to preprocess the sales data. By using grey correlation degree analysis, several factors affecting product sales are analyzed to find out the factors which have a large correlation with sales volume and to bring them into the forecasting process. The evaluation of multiple errors and the prediction curve and the actual situation are carried out through the use of various errors. The way the sales curve is contrasted, By comparing the prediction results of the hybrid intelligent algorithm with those of the EELMM-ARIMA GM1 / 1 GM1 / 1 IGM1N algorithm, it can be concluded that the hybrid intelligent algorithm is feasible to predict the sales sequence, and the results are as follows: (1) it is feasible to predict the sales sequence by using the hybrid intelligent algorithm (HIA). The average absolute percent error of the forecast of sales volume is always about 24%, and the accuracy of prediction is better than that of the EELMMAIMA / GM1 / 1 / 1IGM1N) algorithm, and the prediction performance is also more stable. This paper has the following innovations: 1) the IGM1N) algorithm is put forward in this paper. The control factor is added to the characteristic sequence of the system, which improves the prediction accuracy of the original GM1N) model. The additive factor is added to the sequence and processing process. By combining the IGM1N) algorithm with the neural network algorithm, a hybrid intelligent algorithm is proposed, which is superior to the EELMARIMAN (GM1N) and IGM (1N) algorithm in predicting the sales sequence.
【學(xué)位授予單位】：浙江理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類(lèi)號(hào)】：F274;N941.5;TP183

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 劉彩紅;唐萬(wàn)梅;;基于組合神經(jīng)網(wǎng)絡(luò)的教師評(píng)價(jià)模型研究[J];重慶師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2008年04期

2 鐘義信;;神經(jīng)網(wǎng)絡(luò):成就、問(wèn)題與前景[J];科學(xué);1992年02期

3 莫恭佑;;神經(jīng)網(wǎng)絡(luò)及其在英國(guó)的應(yīng)用[J];國(guó)際科技交流;1992年03期

4 閔志;;神經(jīng)網(wǎng)絡(luò):使計(jì)算機(jī)具有快速學(xué)習(xí)功能[J];國(guó)際科技交流;1992年03期

5 馮建峰,錢(qián)敏平;神經(jīng)網(wǎng)絡(luò)中的退火——非時(shí)齊情形[J];北京大學(xué)學(xué)報(bào)(自然科學(xué)版);1993年03期

6 唐功友;離散Hopfield神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性[J];青島海洋大學(xué)學(xué)報(bào);1994年S2期

7 靳蕃;;中國(guó)神經(jīng)網(wǎng)絡(luò)學(xué)術(shù)大會(huì)在西南交通大學(xué)隆重召開(kāi)[J];學(xué)術(shù)動(dòng)態(tài)報(bào)道;1996年04期

8 彭宏,張素;帶有時(shí)滯的神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性[J];杭州大學(xué)學(xué)報(bào)(自然科學(xué)版);1997年04期

9 陳新,孫道恒,黃洪鐘;結(jié)構(gòu)分析有限元系統(tǒng)與神經(jīng)網(wǎng)絡(luò)[J];起重運(yùn)輸機(jī)械;1999年06期

10 成宇;神經(jīng)網(wǎng)絡(luò)是怎么搭建的?[J];百科知識(shí);2005年16期

相關(guān)會(huì)議論文 前10條

1 徐春玉;;基于泛集的神經(jīng)網(wǎng)絡(luò)的混沌性[A];1996中國(guó)控制與決策學(xué)術(shù)年會(huì)論文集[C];1996年

2 周樹(shù)德;王巖;孫增圻;孫富春;;量子神經(jīng)網(wǎng)絡(luò)[A];2003年中國(guó)智能自動(dòng)化會(huì)議論文集（上冊(cè)）[C];2003年

3 羅山;張琳;范文新;;基于神經(jīng)網(wǎng)絡(luò)和簡(jiǎn)單規(guī)劃的識(shí)別融合算法[A];2009系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)會(huì)議論文集[C];2009年

4 郭愛(ài)克;馬盡文;丁康;;序言(二)[A];1999年中國(guó)神經(jīng)網(wǎng)絡(luò)與信號(hào)處理學(xué)術(shù)會(huì)議論文集[C];1999年

5 鐘義信;;知識(shí)論:神經(jīng)網(wǎng)絡(luò)的新機(jī)遇——紀(jì)念中國(guó)神經(jīng)網(wǎng)絡(luò)10周年[A];1999年中國(guó)神經(jīng)網(wǎng)絡(luò)與信號(hào)處理學(xué)術(shù)會(huì)議論文集[C];1999年

6 許進(jìn);保錚;;神經(jīng)網(wǎng)絡(luò)與圖論[A];1999年中國(guó)神經(jīng)網(wǎng)絡(luò)與信號(hào)處理學(xué)術(shù)會(huì)議論文集[C];1999年

7 金龍;朱詩(shī)武;趙成志;陳寧;;數(shù)值預(yù)報(bào)產(chǎn)品的神經(jīng)網(wǎng)絡(luò)釋用預(yù)報(bào)應(yīng)用[A];1999年中國(guó)神經(jīng)網(wǎng)絡(luò)與信號(hào)處理學(xué)術(shù)會(huì)議論文集[C];1999年

8 田金亭;;神經(jīng)網(wǎng)絡(luò)在中學(xué)生創(chuàng)造力評(píng)估中的應(yīng)用[A];第十二屆全國(guó)心理學(xué)學(xué)術(shù)大會(huì)論文摘要集[C];2009年

9 唐墨;王科俊;;自發(fā)展神經(jīng)網(wǎng)絡(luò)的混沌特性研究[A];2009年中國(guó)智能自動(dòng)化會(huì)議論文集（第七分冊(cè)）[南京理工大學(xué)學(xué)報(bào)（增刊）][C];2009年

10 張廣遠(yuǎn);萬(wàn)強(qiáng);曹海源;田方濤;;基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的故障診斷方法研究[A];第十二屆全國(guó)設(shè)備故障診斷學(xué)術(shù)會(huì)議論文集[C];2010年

相關(guān)重要報(bào)紙文章 前10條

1 美國(guó)明尼蘇達(dá)大學(xué)社會(huì)學(xué)博士 密西西比州立大學(xué)國(guó)家戰(zhàn)略規(guī)劃與分析研究中心資深助理研究員 陳心想;維護(hù)好創(chuàng)新的“神經(jīng)網(wǎng)絡(luò)硬件”[N];中國(guó)教師報(bào);2014年

2 盧業(yè)忠;腦控電腦 驚世駭俗[N];計(jì)算機(jī)世界;2001年

3 葛一鳴 路邊文;人工神經(jīng)網(wǎng)絡(luò)將大顯身手[N];中國(guó)紡織報(bào);2003年

4 中國(guó)科技大學(xué)計(jì)算機(jī)系　邢方亮;神經(jīng)網(wǎng)絡(luò)挑戰(zhàn)人類(lèi)大腦[N];計(jì)算機(jī)世界;2003年

5 記者 孫剛;“神經(jīng)網(wǎng)絡(luò)”：打開(kāi)復(fù)雜工藝“黑箱”[N];解放日?qǐng)?bào);2007年

6 本報(bào)記者 劉霞;美用DNA制造出首個(gè)人造神經(jīng)網(wǎng)絡(luò)[N];科技日?qǐng)?bào);2011年

7 健康時(shí)報(bào)特約記者　 張獻(xiàn)懷;干細(xì)胞移植：修復(fù)受損的神經(jīng)網(wǎng)絡(luò)[N];健康時(shí)報(bào);2006年

8 劉力;我半導(dǎo)體神經(jīng)網(wǎng)絡(luò)技術(shù)及應(yīng)用研究達(dá)國(guó)際先進(jìn)水平[N];中國(guó)電子報(bào);2001年

9 ;神經(jīng)網(wǎng)絡(luò)和模糊邏輯[N];世界金屬導(dǎo)報(bào);2002年

10 鄒麗梅 陳耀群;江蘇科大神經(jīng)網(wǎng)絡(luò)應(yīng)用研究通過(guò)鑒定[N];中國(guó)船舶報(bào);2006年

相關(guān)博士學(xué)位論文 前10條

1 楊旭華;神經(jīng)網(wǎng)絡(luò)及其在控制中的應(yīng)用研究[D];浙江大學(xué);2004年

2 李素芳;基于神經(jīng)網(wǎng)絡(luò)的無(wú)線通信算法研究[D];山東大學(xué);2015年

3 石艷超;憶阻神經(jīng)網(wǎng)絡(luò)的混沌性及幾類(lèi)時(shí)滯神經(jīng)網(wǎng)絡(luò)的同步研究[D];電子科技大學(xué);2014年

4 王新迎;基于隨機(jī)映射神經(jīng)網(wǎng)絡(luò)的多元時(shí)間序列預(yù)測(cè)方法研究[D];大連理工大學(xué);2015年

5 付愛(ài)民;極速學(xué)習(xí)機(jī)的訓(xùn)練殘差、穩(wěn)定性及泛化能力研究[D];中國(guó)農(nóng)業(yè)大學(xué);2015年

6 李輝;基于粒計(jì)算的神經(jīng)網(wǎng)絡(luò)及集成方法研究[D];中國(guó)礦業(yè)大學(xué);2015年

7 王衛(wèi)蘋(píng);復(fù)雜網(wǎng)絡(luò)幾類(lèi)同步控制策略研究及穩(wěn)定性分析[D];北京郵電大學(xué);2015年

8 張海軍;基于云計(jì)算的神經(jīng)網(wǎng)絡(luò)并行實(shí)現(xiàn)及其學(xué)習(xí)方法研究[D];華南理工大學(xué);2015年

9 李艷晴;風(fēng)速時(shí)間序列預(yù)測(cè)算法研究[D];北京科技大學(xué);2016年

10 陳輝;多維超精密定位系統(tǒng)建模與控制關(guān)鍵技術(shù)研究[D];東南大學(xué);2015年

相關(guān)碩士學(xué)位論文 前10條

1 劉衛(wèi)校;基于多維灰色模型與神經(jīng)網(wǎng)絡(luò)的銷(xiāo)售預(yù)測(cè)模型研究[D];浙江理工大學(xué);2017年

2 章穎;混合不確定性模塊化神經(jīng)網(wǎng)絡(luò)與高校效益預(yù)測(cè)的研究[D];華南理工大學(xué);2015年

3 賈文靜;基于改進(jìn)型神經(jīng)網(wǎng)絡(luò)的風(fēng)力發(fā)電系統(tǒng)預(yù)測(cè)及控制研究[D];燕山大學(xué);2015年

4 李慧芳;基于憶阻器的渦卷混沌系統(tǒng)及其電路仿真[D];西南大學(xué);2015年

5 陳彥至;神經(jīng)網(wǎng)絡(luò)降維算法研究與應(yīng)用[D];華南理工大學(xué);2015年

6 董哲康;基于憶阻器的組合電路及神經(jīng)網(wǎng)絡(luò)研究[D];西南大學(xué);2015年

7 武創(chuàng)舉;基于神經(jīng)網(wǎng)絡(luò)的遙感圖像分類(lèi)研究[D];昆明理工大學(xué);2015年

8 李志杰;基于神經(jīng)網(wǎng)絡(luò)的上證指數(shù)預(yù)測(cè)研究[D];華南理工大學(xué);2015年

9 陳少吉;基于神經(jīng)網(wǎng)絡(luò)血壓預(yù)測(cè)研究與系統(tǒng)實(shí)現(xiàn)[D];華南理工大學(xué);2015年

10 張韜;幾類(lèi)時(shí)滯神經(jīng)網(wǎng)絡(luò)穩(wěn)定性分析[D];渤海大學(xué);2015年

，

本文編號(hào)：1691282