發(fā)布時間：2017-12-28 20:33

  本文關(guān)鍵詞：一種基于ARIMA-BPNN的物流需求預(yù)測模型　出處：《控制工程》2017年05期 　論文類型：期刊論文

  更多相關(guān)文章： 物流需求量 組合預(yù)測 神經(jīng)網(wǎng)絡(luò) 自回歸移動差分模型

【摘要】：提出一種基于自回歸移動差分模型修正神經(jīng)網(wǎng)絡(luò)誤差的物流需求預(yù)測模型(ARIMA-BPNN)。該模型采用自回歸移動差分模型對物流需求量進(jìn)行建模與預(yù)測,捕捉物流需求量的線性變化趨勢;采用BP神經(jīng)網(wǎng)絡(luò)對物流需求量非線性、隨機變化規(guī)律進(jìn)行預(yù)測,最后利用BP神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果對自回歸移動差分模型的預(yù)測誤差進(jìn)行修正,得到物流需求量的最終預(yù)測結(jié)果;采用仿真實驗對模型的性能進(jìn)行測試;結(jié)果表明,相對于其它預(yù)測模型,ARIMA-BPNN可以更加全面、準(zhǔn)確地描述物流需求量復(fù)雜的變化規(guī)律,提高了物流需求量的預(yù)測精度。
[Abstract]:A logistics demand forecasting model (ARIMA-BPNN) is proposed based on the autoregressive moving difference model to modify the neural network error. This model uses autoregressive moving differential model and forecast of logistics demand, linear trend to capture the logistics demand; BP neural network of logistics demand, the nonlinear variation was used to predict, finally using the BP neural network prediction results of autoregressive moving corrected differential prediction error model, get the final forecasting result of logistics demand; the performance simulation of the model tested; results show that compared with other prediction models, ARIMA-BPNN can be more fully and accurately describe the change rule of logistics demand complex, improve the prediction accuracy of logistics demand.
【作者單位】： 玉林師范學(xué)院教育技術(shù)中心;河南牧業(yè)經(jīng)濟學(xué)院信息與電子工程學(xué)院;
【分類號】：F224;F259.2;TP183
【正文快照】： 為了使貨物能夠盡快地進(jìn)行流通,進(jìn)行物流預(yù)測并提前做出相應(yīng)的應(yīng)對對策顯得尤為重要,因此物流需求預(yù)測已成為物流管理研究中的一個研究熱點[1]。物流需求量是按時間先后順序收集的,是一種典型的時間序列數(shù)據(jù),傳統(tǒng)方法主要有時間序列方法、回歸分析法等[2,3],其中,差分自回歸移

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 雷文平,鄭鵬;ARIMA模型在旋轉(zhuǎn)機械振動預(yù)測中的應(yīng)用[J];鄭州輕工業(yè)學(xué)院學(xué)報;2004年02期

2 程昌品;陳強;姜永生;;基于ARIMA-SVM組合模型的股票價格預(yù)測[J];計算機仿真;2012年06期

3 李小明;王穎;劉春明;;基于ARIMA的電網(wǎng)地磁感應(yīng)電流預(yù)測研究[J];計算機與數(shù)字工程;2012年09期

4 岑宇鈿;肖南峰;;基于ARIMA模型的陀螺隨機誤差分析[J];裝備制造技術(shù);2008年11期

5 張國良;后永春;舒文;朱士玉;聶紹發(fā);許奕華;;三種模型在肺結(jié)核發(fā)病預(yù)測中的應(yīng)用[J];中國衛(wèi)生統(tǒng)計;2013年04期

6 呂瑛潔,胡昌華,李國華,張偉;基于ARIMA和RBF網(wǎng)絡(luò)組合預(yù)測的慣性器件故障預(yù)報[J];電光與控制;2005年04期

7 王振雷;唐苦;王昕;;一種基于D-S和ARIMA的多模型軟測量方法[J];控制與決策;2014年07期

8 梅志雄;;應(yīng)用DRNN和ARIMA組合模型的時空集成預(yù)測方法[J];小型微型計算機系統(tǒng);2010年04期

9 王吉芳;費仁元;徐小力;劉鑫;;ARIMA與RBF復(fù)合模型在設(shè)備運行狀態(tài)趨勢預(yù)測中的應(yīng)用[J];機械傳動;2011年09期

10 ;[J];;年期

相關(guān)會議論文 前3條

1 ;A hybrid ARIMA-ANN model and its Learning Algorithm on Short-term Load Forecasting[A];第二十三屆中國控制會議論文集（下冊）[C];2004年

2 任家福;張f ;周宗放;;基于ARIMA和BP神經(jīng)網(wǎng)絡(luò)的組合預(yù)測模型及應(yīng)用研究[A];第三屆（2008）中國管理學(xué)年會——技術(shù)與創(chuàng)新管理分會場論文集[C];2008年

3 ;Traffic Flow Forecasting Based on Fuzzy-Neural[A];第二十六屆中國控制會議論文集[C];2007年

相關(guān)碩士學(xué)位論文 前8條

1 雍永強;基于ARIMA和BPNN的組合預(yù)測模型在血糖預(yù)測中的應(yīng)用[D];鄭州大學(xué);2015年

2 劉穎;基于ARIMA模型和神經(jīng)網(wǎng)絡(luò)對論文下載量進(jìn)行預(yù)測[D];大連理工大學(xué);2015年

3 鄭榮;基于ARIMA與SVM組合模型的煤炭價格預(yù)測[D];東華理工大學(xué);2015年

4 趙佳寶;ARIMA結(jié)合BP神經(jīng)網(wǎng)絡(luò)對核心交易量預(yù)測的研究[D];東華大學(xué);2016年

5 鄧智敏;基于ARIMA與神經(jīng)網(wǎng)絡(luò)的商品條碼注冊量預(yù)測研究[D];華南理工大學(xué);2016年

6 袁秀芳;SVR模型及其用于經(jīng)濟數(shù)據(jù)預(yù)測的研究[D];西華師范大學(xué);2016年

7 馮悅;基于集成學(xué)習(xí)的區(qū)域人流密度預(yù)測研究[D];華南理工大學(xué);2016年

8 單玉隆;ARIMA模型與遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)在GDP預(yù)測中的應(yīng)用[D];蘭州大學(xué);2014年

，

本文編號：1347329