【摘要】：在企業(yè)的物流管理活動中,庫存管理占據(jù)著極為重要的地位,由于庫存管理中存在“降低成本”和“避免缺貨”兩個效益背反的目標(biāo),因此如何準(zhǔn)確地預(yù)測庫存需求成為了企業(yè)庫存管理的基礎(chǔ)與前提,并且直接影響企業(yè)的利潤和客戶服務(wù)水平。在全球大數(shù)據(jù)都呈現(xiàn)井噴式爆發(fā)性增長的背景下,企業(yè)擁有越來越多的信息數(shù)據(jù),對于庫存需求的預(yù)測要求不再是單一的根據(jù)歷史銷售數(shù)據(jù)進(jìn)行時間序列的擬合,而是要求建立能夠基于包括歷史銷售數(shù)據(jù)在內(nèi)的多種復(fù)雜數(shù)據(jù)進(jìn)行預(yù)測的更為科學(xué)全面的預(yù)測模型,實現(xiàn)更加高效準(zhǔn)確的預(yù)測目標(biāo)。由于機器學(xué)習(xí)模型比傳統(tǒng)的預(yù)測模型有著更為出色的處理復(fù)雜龐大數(shù)據(jù)的能力,因此將更為先進(jìn)的機器學(xué)習(xí)理論引入到庫存需求的預(yù)測中可以實現(xiàn)更優(yōu)秀的預(yù)測結(jié)果。本文首先基于R公司200家店鋪過去31個月共149,740個歷史數(shù)據(jù)樣本,基于隨機森林、廣義回歸神經(jīng)網(wǎng)絡(luò)分別建立了三種庫存需求預(yù)測模型。結(jié)果表明,隨機森林模型具有很好的“噪聲”數(shù)據(jù)識別能力,預(yù)測精度較高,泛化能力強,參數(shù)調(diào)整復(fù)雜程度較低且訓(xùn)練速度較快;廣義回歸神經(jīng)網(wǎng)絡(luò)模型的預(yù)測效果僅次于隨機森林,雖然對“噪聲”數(shù)據(jù)的識別能力較差,但模型的泛化能力很強,在隨機選擇的測試樣本中表現(xiàn)很好,模型的訓(xùn)練速度快,參數(shù)調(diào)整難度小,但處理大樣本是對計算機的硬件水平有很高的要求;支持向量回歸模型的預(yù)測精度波動較大,預(yù)測結(jié)果曲線過于平緩,泛化能力較差,且訓(xùn)練所需要的時間過長,相比于其他模型效率很低。同時,基于隨機森林的預(yù)測結(jié)果可以得出對R公司各店鋪需求影響最大的特征是店鋪編號和促銷,競爭對手和星期也對需求數(shù)據(jù)有較大的影響。隨后,基于Frank和Wolfe算法確定組合預(yù)測的權(quán)重,并將組合預(yù)測的結(jié)果與單一模型的預(yù)測結(jié)果進(jìn)行比較。結(jié)果表明,組合預(yù)測的可以達(dá)到比單一模型更好的預(yù)測精度。本文的研究表明機器學(xué)習(xí)算法能夠在樣本集的預(yù)測中取得很好的效果,在一定程度上證明了機器學(xué)習(xí)算法在處理基于大樣本數(shù)據(jù)的庫存需求預(yù)測問題上有著很好的應(yīng)用前景。
【學(xué)位授予單位】：華北電力大學(xué)(北京)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：F274;F717
【圖文】：

息論為基礎(chǔ)，以信息熵的最小化為丨丨標(biāo)，ｒ［接梭擬丫人類對概念進(jìn)行判定的樹流逡逑程。逡逑決策樹足？個山結(jié)點和Q囅蟣咦槌傻淖憒謂峁�，壤_跡玻彼荊梢員瘓磣麇義鮮且桓鍪髯吹腦げ餑Ｐ�。决策树学１M溝幕玖鞒套裱種畏ǎǎ模椋觶椋洌邋澹幔睿溴澹茫錚睿瘢酰澹潁╁義顯潁ㄈ繽跡玻菜荊�，其｀P�！的是为了产生？棵泛化能力强，紕�(chuàng)砦粗灸苠義狹η康木霾呤鰲Ｓ篩螅玻部梢鑰闖觶霾呤餮暗墓丶堋叭綰窩≡褡鈑嘔旨鑠義希瑰義

本文編號：2713584