GRNN神经网络在K公司销售木浆预测中应用.docVIP

GRNN神经网络在K公司销售木浆预测中应用 　　摘 要：针对进口木浆销售的复杂非线性.本文以K公司6年以来在内地销售木浆的数据和中国海关的统计数据。选出对销售量影响最大的8个因素，建立GRNN网络模型对木浆销售量进行预测。在训练样本有限的情况下将原始数据分组进行交叉验证，选取最优网络结构和光滑因子。利用GRNN网络的优势预测2015年下半年各个区域的销售量，并与实际的销售量进行比较，发现平均误差百分比不大。只有个别点出现较大误差，但是真个预测模型的精度很好，具有实际应用的意义。 　　【关键词】进口木浆 销售量预测 GRNN神经网络 交叉验证 　　当前我国造纸行业的原料木浆主要依靠进口。K公司作为原料供应商，通过提前进口木浆在仓库储存，之后已现货的形势销售给国内造纸企业。在日益激烈的市场竞争中.在客户需求呈现多样化、特殊化的情况下，公司要增强市场的竞争力，在提高产品质量和服务水平的同时，必须对于市场的变化做出及时响应，对生产、物料进行合理规划提高公式相应效率，销售预测在这一过程中起着关键的作用。因为较为准确的销量预测可以有效的降低公司仓库的库存量，这样可以降低公司的运营成本和经营风险，提升现金流动和服务质量。但是目前，K公司对于木浆的进口计划没有一套完善的销售预测体系作为支撑，而是仅仅依靠决策者的经验判断。这种方式极易造成库存积压或者脱销，因此每个月销售量预测成为改进经营管理的重要一环。 　　销售量预测是一种时间序列的预测。常用的短期预测方法有移动平均法、指数平滑法、趋势外推法、博克斯一詹仓斯法（The Box―Jenkins Model，ARIMA）、回归及相关分析等，这些数值预测技术都试图用建立数学模型的方法来求解实际问题。市场是时刻变化的，未来的销售量与很多因素有关，销售量的变化是非线性的，为此要找出合适的数学模型是相当困难的。近年来，国内外有很多研究工作，开始将神经网络技术应用于预测。神经网络具有超强的非线性映射能力和向数据学习的能力，因而在各项预测中得到了广泛的重视和应用.目前为止，在预测时用得最多的是BP网络模型，但这种网络在预测时，并非没有缺点：BP网络存在收敛速度慢，容易陷入局部极小等缺点。特别是在相关企业数据样本不足时，BP网络在处理小样本的效果很不理想，预测结果容易受人为因素的影响.而另一种GRNN神经网络在逼近能力、分类能力和学习速度上较BP网络有较强的优势。此外，GRNN神经网络中人为调节的参数少，只有一个阈值，网络的学习全部依赖数据样本，这样网络就可以最大限度地避免人为主观假定对预测结果的影响。因此，本研究尝试利用GRNN网络建立预测模型，并对预测性能进行分析和评价。 　　1 GRNN的基本原理 　　1.1 GRNN统计学理论基础 　　GRNN--广义回归神经网络是美国学者Donald F.Specht在1991年提出的，它是径向基神经网络的一个分支。具有很强的非线性映射能力和柔性网络结构以及高度的容错性和鲁棒性。网络最后收敛于样本量积聚较多的优化回归面。它比一般的BP网络有更强的逼近能力和学习速度，可以用来处理不稳定的数据，尤其是在样本数据缺乏时，它的预测效果较为更好。GRNN的理论基础来源于于非线性回归分析，原理来源于概率论的思想：当用作函数逼近时，网络输出可以当做网络输入的回归函数，当用作分类时，起可当做相应类别的后验概率。设随机变量x，y的联合概率密度函数为f（x，y），且x的观测值为X，所以y作为X的回归其条件均值为： 　　当δ取取值适中，预测时所有学习样本的应变量都被计算进去，与预测点距离近的样本点对应因变量被赋予了更大权值。 　　1.2 GRNN网络结构 　　GRNN网络由输入层、模式层、求和层、输出层四层组成。如图1所示。 　　1.2.1 输入层 　　输入层功能只是简单将输入向量x=[x1...xn]输入到模式层。 　　1.2.2 模式层 　　模式层神经元数目等于学习样本的数目，各个神经元和学习样本一一对应。将学习样本作为数据中心，计算输入样本与数据中心的欧氏距离。 　　式中δ为拓展速度变量，它决定了基函数围绕中心点的宽度，x为输入量，xi为第i个神经元对应数据中心。 　　1.2.3 求和层 　　神经元计算公式： 　　其中分母SD是对模式层输出进行算术求和，各个模式层神经元权值为1： 　　分子SNj是对模式层输出进行加权求和，yij为模式层第i个输出和求和层第j个神经元的权值。 　　1.2.4 输出层 　　输出层中神经元数目等于学习样本中输出向量维数k，第j个神经元对应输出估计： 　　2 预测模型建立和求解 　　2.1 模型建立 　　由于木浆进口需要一个相对较长的准备和安排的时间，我们将K公司国内的木浆销售分为华北，华中，华东，华南，东北