论文基于季节性ＲＢＦ神经网络月度市场需求预测是适合不知如何写神经网络方面的相关专业大学硕士和本科毕业论文以及关于深度神经网络算法论文开题报告范文和相关职称论文写作参考文献资料下载。
摘 要：本文提出一种季节性神经网络预测模型,对具有季节性变化的产品月度市场需求进行预测.在Matlab语言环境下,用傅立叶周期分析法得到时间序列的周期长度；借鉴嵌入理论,提出了确定季节性神经网络输入维数的策略；利用计算机程序搜索,确定最优参数；通过合理插值,重构样本集.仿真实验表明,该模型的预测精度明显高于其他几个常用的季节预测模型.
关键词：市场需求预测；神经网络；预测模型；季节性
中图分类号：F014.32文章标识码：A文章编号：1007-3221(2007)03-0146-05
引言
在以需求为导向的拉式管理模式下,企业的营销计划、物流计划以及财务计划都直接受产品市场需求预测的影响和制约.市场需求预测包括年度预测和月度预测,准确的产品月度需求预测,有利于企业经营决策者作出可靠的决策,有助于企业主管部门制定合理的生产计划和库存方案,既能最大限度地满足经济发展的需要,又能提高企业的经济效益.
目前运用较多的经济预测方法有正交回归分析、神经网络,灰色预测等,这些方法都适用于年度预测,若用于月度预测时,误差较大.常用的一些季节性经济预测方法如季节指数法、季节模型等,着眼于将影响经济现象的各个主要因素加以分解,进行单独测算,然后再进行迭加.但是在实际应用中,由于时间序列具有不规则、混沌等非线性特征,因而很难建立理想的模型.由于人工神经网络具有自学习和非线性逼近能力,将它用于非线性、复杂时间序列预测更为有效.因此,本文提出了一种季节性神经网络预测模型,对月度市场需求进行预测.利用Matlab神经网络工具箱实现该预测模型时,深入探讨了季节性神经网络输入维数的确定、参数优化以及样本集重构等问题,保证了模型预测的精度和可靠性.
1.季节性RBF神经网络预测模型
神经网络预测方法发展非常迅速,目前用的最多的是反向传播(BP)网络和径向基(RBF)网络.BP网络是一种局部逼近网络,存在网络拓扑结构不易确定、网络的学习速度慢,以及容易陷入局部极小值等缺点.RBF网络是以函数逼近理论为基础构造的典型的全局逼近网络,在函数逼近能力、分类能力和学习速度等方面均优于BP网络,因而将它应用于复杂的时间序列预测会取得更好的效果.
2.模型的实现和优化
利用Matlab提供的神经网络工具箱可以方便地实现本文提出的季节RBF性神经网络预测模型,它具有自适应确定网络结构和无需人为确定初始权值的优点,从而减少了网络训练的随机性,提高了训练精度.但是,样本数据的预处理、网络输入维数的确定以及网络参数的选取等尚无理论指导,本文对这些问题作了探讨.
(1)样本集的重构和预处理
训练样本足够多,网络才能从中提取反映总体规律的特征,这是人工神经网络对样本集的一个基本要求.但在实践中由于历史统计数据的限制,实测的样本往往偏少,这样神经网络提取的特征信息少,网络不够强壮.实践证明,在样本数据较少的情况下,利用合理插值方式重构样本的训练集可以使网络提取更多特征信息,RBF网络的泛化能力会得到改善.插值函数以线性为好,并且不能过于光滑,否则会导致网络性能减弱.
(2)输入维数的确定
众所周知,神经网络输入维数的确定是比较困难的.从预测的角度看,最理想的预测应该是用当前的时刻值预测下一时刻的值.但在实际应用中,由于RBF神经网络是一种非线性映射系统,本身缺乏关联记忆功能,为了保留时间序列内在动态信息,获得较高的预测精度,往往需要尽可能多地引入前m个时刻的值来预测下一时刻的值.
1983年,Grasberger和Procaccia利用嵌入理论,提出了从时间序列直接计算关联维数的G-P算法,在此基础上,本文给出季节性神经网络嵌入维数的一种预估策略.
在季节性神经网络中,通过映射把m×s维输入向量P变换成s维输出向量T时,总是希望P和T的空间散布方式能尽量一致,使降维映射丢失的信息最少.输入向量P和输出向量T的空间结构信息都和向量维数m的选择有关,因此,只要选择合适的m,使和的空间结构信息尽可能接近,即可获得较高精度
(3)参数的优化
MATLAB在的神经网络工具箱中,RBF网络设计函数是“newrb”,它有两个重要的待定参数：径向基函数的分布密度(spread)以及均方误差(errgoal),它们的取值直接影响网络的拟合和泛化.一般的做法是通过多次试算,调整两个参数的组合而选取相对较优的两个值,但这样做存在着较大的盲目性.本文基于追溯预测误差均方差最小的准则,由计算机程序实现在二维区间内对最优参数的搜索,使网络的预测性能最好.
3.仿真实验
为某产品14年的月度市场需求量统计数据.为了和实际值以及其他预测模型比较,检验模型预测结果,本文用前13年的数据预测第14年每月的市场需求量.
(1)李节性识别
绘制时间序列变化,可以看出数据序列大致有周期性规律,利用傅立叶周期分析法判断季节影响是否存在.先用最小二乘法估参,得到趋势方程
xt＝1.0936＋0.003it
然后从原始序列中剔除趋势值,再作傅立叶分析.计算出傅立叶系数ak,bt后,画出其变化曲线,由此可见,当k＝13、k＝26以及k＝39等时,ak,bk都较大.这里n＝156,因此,该序列存在长度为L＝n/13＝12的季节成分.
(2)样本预处理
该实例中,样本数量明显偏少,所以采用样本重构技术.本文利用Matlab提供的一元插值函数in-terpl进行线性插值,取插值系数θ＝0.5,样本数量从13个变为25个.
(3)输入维数确定
对重构得到的新样本集,用Minitab软件计算得到BOX-COX变换的最佳λ＝0.对于BOX-COX变换后的数据序列,利用前文提出的方法计算,从中可见本文建立的季节性RBF神经网络预测模型的输入维数取2.
(4)参数优化
编制程序,让spread以0.1的步长在区间[0.5,10]内递增,err goal以0.01的步长在区间[0.01,0.1]内递增,观察追溯预测误差的均方误差变化,当spread＝1.6,errgoal＝0.02时,均方差最小.在此参数下,预测得到第14年的数据.
(5)对比研究
为了和季节性RBF神经网络预测模型进行比较,建立了三个常用的季节预测模型：分组回归模型、季节指数模型以及季节周期回归模型,各模型的预测结果及预测误差均方差(MSE).
由此可见,本文建立的季节性RBF神经网络预则模型预测精度和ARIMA模型相当,和其他常见的季节预测方法相比,本文建立的季节性神经网络预测模型预测误差均方差最小,说明该模型用于季节性预测是可行的,且预测精度较高.
4.结束语
本文建立的季节性RBF神经网络预测模型,不需要计算原始数据序列的复杂函数关系,具有操作简单、短期预测精度高等优点,是拟合和预测复杂季节性时间序列问题的一种有效方法,具有一定的应用价值.
但是,该模型是完全数据驱动的,没有考虑其它的外界因素,具有一定局限性,例如某些产品市场需求量受到春节、元旦等节假日的影响,因此如何在该方法的基础上附加一定的定性分析,在季节神经网络模型中增加一些外界因素干扰神经元,以弥补完全数据驱动的不足,是需要继续研究的课题.
总结:这篇神经网络论文范文为免费优秀学术论文范文,可用于相关写作参考。
参考文献：
1、 基干过程神经网络对原油产量预测技术 摘要：预测油田原油产量对分析油藏，制定油田合理的发展规划至关重要。该文基于神经网络，对原油产量预测技术进行了探讨，提出了一种基于过程神经网络的原。
2、 基于BP神经网络北京市物流需求预测 摘 要：随着物流在国民经济中重要性的提高，对于物流需求的准确预测成了物流发展规划中重要的一部分。选取了对物流需求影响较大的七个指标构建了一个三层。
3、 优化BP神经网络在玉米产量预测中应用 摘 要：玉米产量预测一直是农业发展过程中的重要组成部分。神经网络算法以其较好的非线性优化拟合能力应用于玉米产量的预测中。但是传统的神经网络算法具。
4、 基于网络时代市场营销方法 【摘要】文章对比传统市场营销的内涵和方式，分析在网络时代的大背景下市场营销方法的现状，提出了改进与变革方式。【关键词】市场营销；网络时代；电子。
5、 职业教育人才培养如何和市场需求接轨 大学生就业难但是社会上会存在很多用人单位招到不到人的现象，从而职业教育开始成为大家就业的另外一个渠道。它会根据社会的需求来学习某些特定的职业技能。
6、 房地产市场需求决定因素 摘 要：房地产业是国民经济的基础和支柱产业，房地产市场的稳定持续发展对我国经济的发展至关重要。本文以陕西省为研究对象，从实证的角度出发，选择若干。