● 摘要
在市场经济体制下，企业间的竞争日趋激烈，在客户需求出现多样化、特殊化的情况下，库存管理、销售预测越来越成为商业企业最为重要的经营活动之一。传统的销售预测采用单一预测方法建立的模型相对简单，往往只考虑了部分影响销售的因素，或是仅仅根据历史销售数据进行简单的统计分析，无法表达影响需求的各种因素如季节因素、周期因素、市场活动之间复杂的相互作用。本文提出的基于神经网络集成学习的销售预测模型，具有良好的非线性映射能力和学习能力，它可以通过样本学习和遗传算法优化把影响需求的各个因素以及它们之间复杂的相互作用以权值的形式固化在神经网络中，实证结果表明，该模型预测精度较高和较好的泛化能力，有一定的实际应用意义。本论文引入模糊神经网络的概念，并根据服装销售的实际情况对模糊神经网络进行了改进，但是在实际应用中模糊神经网络存在运算速度较慢且训练结果并没有达到预期效果的问题，因此将重点放在了对BP神经网络的研究与改进中，讨论了BP神经网络的模型与结构，BP学习规则，构建了基于BP神经网络的时间系列预测模型，研究了神经网络的规模、推广能力等问题。随后利用Boosting和Bagging算法对稳定性较差的神经网络模型进行集成学习，并利用遗传算法对集成学习权重进行优化以提高销售预测的总体表现。通过验证得出结论，集成学习后的神经网络模型确实在有效性和稳定性上优于单个神经网络模型。同时，利用遗传算法优化后的集成神经网络在总体学习效果上略有提高，虽然提高幅度较小。本论文对某服装公司销售情况进行了实例预测研究，证明本文所建立的模型和研究方法是实用而有效的，不仅简化了网络结构，而且提高了预测精度。结果比较理想，说明本文所建立的基于BP神经网络的销售预测模型具有较好的预测能力和较佳的推广能力。本论文在前人研究成果的基础上，针对现实复杂经济系统的客观需求，提出了作者自己的观点和想法，并把它们付诸实践，希望可以对人工神经网络及集成学习技术用于实际预测作出一点贡献。