基于季节性RBF神经网络月度市场需求预测研究.docVIP

基于季节性RBF神经网络月度市场需求预测研究 　　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、模型的实现与优化 　　 　　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与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的空间结构信息都与向量维数m的选择有关，因此，只要选择合适的m，使与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与泛化。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