[摘要] 闡述了基于RBF神經(jīng)網(wǎng)絡的客戶需求預報方法。以某公司的產(chǎn)品銷售數(shù)據(jù)為例，進行了需求預報仿真實驗，平均預報誤差小于4％，證明了此方法的可行性和有效性。

[關鍵詞] 客戶需求 預報 RBF神經(jīng)網(wǎng)絡

一、引言

在經(jīng)濟全球化的激烈競爭中，客戶需求預報在企業(yè)決策中發(fā)揮著重要的作用，客戶需求預報主要是預報未來一段時間內(nèi)客戶對某產(chǎn)品的需求數(shù)量和發(fā)展趨勢。產(chǎn)品需求信息的提前準確獲取，可以縮短產(chǎn)品的上市時間并提高客戶滿意度。同時客戶需求預報也是解決不確定需求物流配送問題的一個重要方法，通過客戶需求預報可以將不確定需求問題轉化為確定需求問題。本文采用RBF神經(jīng)網(wǎng)絡對客戶需求進行預報，以期得到有效結果。該研究有利于了解RBF神經(jīng)網(wǎng)絡在客戶需求預報問題中的應用價值。

二、基于RBF神經(jīng)網(wǎng)絡的客戶需求預報

RBF神經(jīng)網(wǎng)絡是以徑向基函數(shù)作為隱含層神經(jīng)元激活函數(shù)的三層前向型神經(jīng)網(wǎng)絡，RBF網(wǎng)絡的優(yōu)越性主要在于具有最佳逼近和全局逼近的性質，因此可以用于預測、識別、函數(shù)逼近和過程建模等問題。RBF神經(jīng)網(wǎng)絡的拓撲結構如圖1所示。第一層為輸入層，由信號源節(jié)點組成，輸入層節(jié)點只傳遞信號到第二層；第二層為隱含層，隱含層采用徑向基函數(shù)作為網(wǎng)絡的傳遞函數(shù)，隱含層節(jié)點數(shù)視所描述問題而定，從輸入層空間到隱含層空間的變換是非線性的；第三層為輸出層，它對輸入模式的作用作出響應，輸出層節(jié)點計算由隱含層節(jié)點給出的基函數(shù)的線性組合。整個RBF網(wǎng)絡可以看作是非線性基函數(shù)的線性組合。

RBF神經(jīng)網(wǎng)絡輸出層第j個節(jié)點的輸出值計算公式如下所示:

;式中RBF網(wǎng)絡的傳遞函數(shù)采用高斯函數(shù)，表示輸出層第k個節(jié)點的輸出值，表示隱含層第i個節(jié)點到輸出層第j個節(jié)點的連接權值，x表示神經(jīng)網(wǎng)絡的輸入向量，表示隱含層第i個節(jié)點的中心，M表示隱含層節(jié)點總數(shù)，表示歐氏函數(shù)，表示偏置量，表示隱含層中心寬度。

基于RBF神經(jīng)網(wǎng)絡的客戶需求預報包括訓練樣本的選取、待測樣本的選取與RBF神經(jīng)網(wǎng)絡需求預報等三部分組成。根據(jù)客戶需求歷史信息，采用此預報方法可以得到相應的預報結果。此預報方法各組成部分的關系如圖2所示。

本文選取客戶需求數(shù)據(jù)作為訓練樣本數(shù)據(jù)：以某客戶需求發(fā)生時間t(1)、t(2)、…、t(n)對應的客戶需求量d(1)、d(2)、…、d(n)作為訓練樣本。當RBF神經(jīng)網(wǎng)絡完成訓練學習后，就可以對未來某時刻的客戶需求量進行超前預報。

三、計算示例

為了驗證此預報方法的有效性，以國內(nèi)某公司某產(chǎn)品的銷售數(shù)據(jù)為例，對此產(chǎn)品的需求量進行了預報。此產(chǎn)品的需求數(shù)據(jù)如下表所示：

本文選取2003年～2006年的歷史需求數(shù)據(jù)組成訓練樣本，采用提出的RBF客戶需求預報方法對2007年的產(chǎn)品需求量進行超前預報。2007年客戶需求量的超前預報值和誤差如表2所示：

由表2可知，采用基于RBF神經(jīng)網(wǎng)絡的預報方法對客戶需求量進行超前一個月至十二個月預報，其平均誤差為3.27%。

四、結束語

本文介紹了RBF神經(jīng)網(wǎng)絡的基本原理，描述了客戶需求信息訓練樣本和待測樣本選取等內(nèi)容，提出了基于RBF神經(jīng)網(wǎng)絡的客戶需求預報方法。最后以某公司的產(chǎn)品銷售數(shù)據(jù)為例，采用此預報方法對其產(chǎn)品需求進行了超前一個月至十二個月的預報，平均預報誤差小于4％，證明了此方法的可行性和有效性。

參考文獻：

[1]朱道立龔國華羅齊:物流和供應鏈管理[M].上海:復旦大學出版社， 2001

[2]宋華:現(xiàn)代物流與供應鏈管理案例[M].北京:經(jīng)濟管理出版， 2001

[3]魏海坤:神經(jīng)網(wǎng)絡結構設計的理論與方法[M].北京:國防工業(yè)出版社，2005

[4]田景文高美娟:人工神經(jīng)網(wǎng)絡算法研究及其應用[M].北京: 北京理工大學出版社，2006.7

[5] 高瑋. 新型進化神經(jīng)網(wǎng)絡模型[J].北京航空航天大學學報，2004， 30(11):79-83

[6]高雋:人工神經(jīng)網(wǎng)絡原理及仿真實例[M].北京:機械工業(yè)出版社，2007.2

[7]V.M.Rivas， J. J. Merelo. Evolving RBF neural networks for time-series forecasting with EvRBF[J].Information Sciences， Elsevier Inc. 2006， (165): 207-220