蔣秋霖+張聰+李穎昉+王昕

摘要：

按需生產(chǎn)是企業(yè)在市場經(jīng)濟(jì)中保持競爭力關(guān)鍵所在，所以準(zhǔn)確預(yù)測下一階段訂單需求量尤為重要。運(yùn)用廣義回歸神經(jīng)網(wǎng)絡(luò)預(yù)測某企業(yè)下一階段訂單需求量，并與BP神經(jīng)網(wǎng)絡(luò)及灰色神經(jīng)網(wǎng)絡(luò)進(jìn)行對(duì)比實(shí)驗(yàn)。結(jié)果表明，GRNN神經(jīng)網(wǎng)絡(luò)模型訂單在需求預(yù)測方面更具優(yōu)越性，能準(zhǔn)確預(yù)測未來訂單需求量。

關(guān)鍵詞：

廣義回歸神經(jīng)網(wǎng)絡(luò)；訂單需求量；預(yù)測研究

DOIDOI：10.11907/rjdk.172147

中圖分類號(hào)：TP319

文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)文章編號(hào)：1672-7800（2018）001-0149-03

Abstract：Production on demand is the key to maintain the competitiveness of enterprises in the market economy， so it is important to accurately predict the next phase of order demand. By using the generalized regression neural network to predict demand next stage refrigerator orders an enterprise， and compared with that of BP neural network and grey neural network model. The results show that the order of GRNN in forecasting is superior， can accurately predict the future demand for orders.

Key Words：generalized regression neural network； order quantity； forecast research

0引言

市場經(jīng)濟(jì)環(huán)境下，按客戶需求生產(chǎn)成為各家電生產(chǎn)商主要生產(chǎn)方式[1-2]。準(zhǔn)確預(yù)測下一階段訂單數(shù)量可合理分配產(chǎn)能，避免倉庫積壓，提高利潤[3]。對(duì)冰箱訂單市場而言，影響需求量因素很多，如季節(jié)、成本、質(zhì)量、品牌、售后、價(jià)格波動(dòng)、銷售力度、競爭對(duì)手、市場特征、性價(jià)比等，因此準(zhǔn)確預(yù)測需求量成為企業(yè)生存與保持競爭力的關(guān)鍵[4-5]。本文利用廣義回歸神經(jīng)網(wǎng)絡(luò)預(yù)測某企業(yè)下一階段冰箱訂單需求量，為企業(yè)合理分配產(chǎn)能提供依據(jù)，使企業(yè)保持良好競爭力。

1GRNN模型

1.1概述

1991年，美國學(xué)者Donald F.Specht提出了廣義回歸神經(jīng)網(wǎng)絡(luò)（Generalized Regression Neural Network，GRNN）。廣義回歸神經(jīng)網(wǎng)絡(luò)屬于徑向基神經(jīng)網(wǎng)絡(luò)[6]，對(duì)解決非線性問題有很好魯棒性，學(xué)習(xí)速度快，預(yù)測小樣本較為準(zhǔn)確，在眾多領(lǐng)域得到廣泛應(yīng)用[7-10]。因冰箱訂單數(shù)據(jù)量有限，屬于小樣本空間，所以采用GRNN進(jìn)行預(yù)測。

2預(yù)測實(shí)驗(yàn)與分析

本文實(shí)驗(yàn)采用PC機(jī)配置為：英特爾酷睿i3處理器， 4G內(nèi)存， Windows7（32bit）操作系統(tǒng)，MATLAB R2015b實(shí)驗(yàn)平臺(tái)。實(shí)驗(yàn)數(shù)據(jù)采用某公司5年內(nèi)冰箱訂單量。

2.1訓(xùn)練與預(yù)測樣本

通過分析訂單需求量影響因素，本文分別選取市場份額、需求趨勢、價(jià)格波動(dòng)、訂單滿足率、分銷商聯(lián)合5種影響因素作為網(wǎng)絡(luò)輸入，以冰箱訂單需求量作為網(wǎng)絡(luò)輸出構(gòu)建廣義回歸神經(jīng)網(wǎng)絡(luò)。本文共有60組（5年，60個(gè)月）數(shù)據(jù)，因?yàn)橛?xùn)練樣本有限，所以采用交叉驗(yàn)證的廣義回歸神經(jīng)網(wǎng)絡(luò)，通過循環(huán)找出SPREAD最佳值。

2.2仿真實(shí)驗(yàn)

本文中data.mat中共有A、B兩組數(shù)據(jù)，A組數(shù)據(jù)為輸入數(shù)據(jù)，A共有60組（60*5）數(shù)據(jù)；B組數(shù)據(jù)為輸出數(shù)據(jù)，B共有60組（60*1）數(shù)據(jù)。首先將A、B前48組數(shù)據(jù)進(jìn)行訓(xùn)練，預(yù)測出第5年1月數(shù)據(jù)；再將A、B前49組數(shù)據(jù)進(jìn)行訓(xùn)練，預(yù)測出第5年2月數(shù)據(jù)；再將A、B前50組數(shù)據(jù)進(jìn)行訓(xùn)練，預(yù)測出第5年3月數(shù)據(jù)……以此類推，最后預(yù)測12月數(shù)據(jù)，得出每月預(yù)測數(shù)據(jù)并與當(dāng)月實(shí)際數(shù)據(jù)進(jìn)行對(duì)比，如表1與圖2所示。

第5年實(shí)際冰箱訂單總需求量為205 680，預(yù)測冰箱訂單總需求量為207 084，絕對(duì)誤差為1 404，每月平均相對(duì)誤差為2.12%。

為驗(yàn)證GRNN神經(jīng)網(wǎng)絡(luò)在訂單需求量預(yù)測方面的優(yōu)越性，本文用BP神經(jīng)網(wǎng)絡(luò)與灰色神經(jīng)網(wǎng)絡(luò)進(jìn)行了對(duì)比實(shí)驗(yàn)。先用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行對(duì)比實(shí)驗(yàn)， BP神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果平均相對(duì)誤差為2.63%，如表2與圖3所示。

灰色神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果平均相對(duì)誤差為3.64%，如表3與圖4所示。

2.3結(jié)果分析

實(shí)驗(yàn)結(jié)果顯示，第5年訂單需求量實(shí)際數(shù)據(jù)與GRNN預(yù)測數(shù)據(jù)基本一致，每月平均相對(duì)誤差較??；BP神經(jīng)網(wǎng)絡(luò)及灰色神經(jīng)網(wǎng)絡(luò)預(yù)測誤差相對(duì)較大，且每月誤差較GRNN大。因此，GRNN神經(jīng)網(wǎng)絡(luò)模型對(duì)訂單需求量具有較好的預(yù)測能力。

3結(jié)語

由于GRNN神經(jīng)網(wǎng)絡(luò)有較好容錯(cuò)性及魯棒性，并具有逼近能力強(qiáng)、學(xué)習(xí)速度快等特點(diǎn)，常用于小樣本數(shù)據(jù)預(yù)測。GRNN神經(jīng)網(wǎng)絡(luò)模型很好地解決了多種因素影響復(fù)雜情況下訂單需求量預(yù)測問題，準(zhǔn)確預(yù)測了未來訂單數(shù)量，能幫助企業(yè)合理分配產(chǎn)能，避免倉庫積壓，提高利潤。

參考文獻(xiàn)：

[1]申澤，李娟.中國農(nóng)村家用冰箱消費(fèi)需求研究[J].中國經(jīng)貿(mào)導(dǎo)刊，2010（22）：89-90.

[2]吳慧媛，劉景洋，董麗偉，等.我國各省市冰箱報(bào)廢量預(yù)測[J].再生資源與循環(huán)經(jīng)濟(jì)，2011（1）：20-25.

[3]鄧暉飛，蘇平，徐晟義.神經(jīng)網(wǎng)絡(luò)結(jié)合定性預(yù)測的訂單預(yù)測方法研究[J].機(jī)電工程技術(shù)，2014，43（9）：23-25.

[4]FENG ZH P，SONG X G， XUE D X，et al.General regression neural network based prediction of time series[J].Measurement and Diagnosis，2003，23 （2）：105-109.

[5]洪波，劉龍，王濤.修正型果蠅算法優(yōu)化GRNN的大量自動(dòng)焊障礙預(yù)測[J].焊接學(xué)報(bào)，2017，38（1）：74-75.

[6]胡虎，楊侃，朱大偉，等.基于EEMD-GRNN的降水量預(yù)測分析[J].水電能源科學(xué)，2017，35（4）：10-11.

[7]李孟杰.基于GRNN神經(jīng)網(wǎng)絡(luò)的船舶柴油機(jī)排放預(yù)測的研究[D].廈門：集美大學(xué)，2017.

[8]楊振華，蘇維詞，趙衛(wèi)權(quán)，等.基于GRNN模型的熔巖地區(qū)城市水生態(tài)足跡分析與預(yù)測[J].中國巖溶，2016，1（35）：37-40.

[9]高陽，鐘宏宇，葛延峰，等.基于GRNN全信息神經(jīng)網(wǎng)絡(luò)的超短期風(fēng)速預(yù)測研究[J].測控技術(shù)，2016，35（4）：150-152.

[10]陳丹，徐健銳.基于GRNN并融合卡爾曼濾波實(shí)現(xiàn)短時(shí)交通流預(yù)測[J].軟件導(dǎo)刊，2012，11（8）：23-25.

（責(zé)任編輯：何麗）endprint