基于数据挖掘的销售预测研究

在研究数据挖掘预测算法时间序列AR模型的基础上,提出了将影响销售预测的因素与时间序列预测结合在一起的BP神经网络销售预测模型,该模型通过数据仓库获取销售历史数据.实例验证表明:BP神经网络销售预测模型比时闻序列AR销售预测模型精度高.     

混合销售预测模型

为提高产品销售预测的准确性,为企业生产决策提供有力的参考依据,建立BP＿Adaboost和计划评审技术PERT混合销售预测模型。将BP神经网络模型与Adaboost算法进行结合,克服单纯使用BP神经网络容易陷入局部极小值的问题;计划评审技术PERT有效利用销售管理人员的经验,在一定程度上实现对销售数据偶然性的预测;将BP＿ Adaboost和计划评审技术PERT组成混合模型进行销售预测。实验结果表明,该模型提高了销售预测的准确性和有效性。     

基于神经网络的短期销售预测

针对常用销售预测方法预测精度较低的问题,在分析、试验了常用BP神经网络及训练算法后,提出了用引入月份因子及运用贝叶斯 正则化的方法,并应用于具有淡、旺季特性产品短期销售量预测,使预测精度大幅提高。     

基于差分进化的BP神经网络预测混沌时间序列

针对BP神经网络预测模型收敛速度慢和容易陷入局部极小值的缺点,将差分进化算法和神经网络结合起来,提出了一种基于差分进化算法的BP神经网络预测混沌时间序列的方法,利用差分进化算法的全局寻优能力对BP神经网络的权值和阈值进行优化,然后训练BP神经网络预测模型求得最优解,将该预测方法用到3个典型的混沌时间序列进行算法的有效性验证,并与BP算法的预测精度进行了比较,仿真结果表明该方法对混沌时间序列预测具有更好的非线性拟合能力和更高的预测准确性。     

基于C/S的零售企业销售预测DSS的开发

基于数据仓库、联机分析和数据挖掘技术研究的基础上,采用模块化设计方法,开发了三层C/S模式的零售企业销售预测决策支持系统.系统能够实现数据仓库管理,多维数据集管理,OLAP多维综合分析和基于时间序列AR模型和BP网络算法的销售量、销售利润预测;建立的AR模型和BP网络预测模型,能实现模型的再学习和训练,具有较好的实用性和可扩展性.用FoodMart连锁企业的销售数据进行了验证,具有一定的实用价值.     

基于ABC—BP神经网络的用电量预测研究

针对区域用电量的时效性、复杂性和非线性等特点,提出基于人工蜂群算法(ABC)优化BP神经网络(ABC-BP)的区域用电量预测分析模型;以BP神经网络为基础,将往年区域用电量作为用电置的预测样本,采用基于ABC算法对BP神经网络的各个权值和阈值参数进行优化,最后建立模型应用于区域用电量预测系统,为分析区域内经济发展水平、经济走势、产业分布状况及政策实施效果等问题提供有力支持;介绍了人工蜂群算法(ABC)和BP神经网络算法,详细阐述ABC算法优化BP神经网络的权值和阈值;通过实验仿真对比,提出的算法预测结果比仅仅使用BP神经网络算法以及粒子群优化BP神经网络算法更高,是一种有效可靠的区域用电量预测方法。     

一种改进的BP算法在气象数据预测研究中的应用

提出一种改进的BP算法,通过对内蒙古气象环境状态指标体系的收集、预测与分析,从而为预测气象变化提供一种可操作性的方法,实践证明,该改进算法的预测能力优于传统的BP算法.     

一种基于组合人工智能技术的销售预测模型研究

本文研究出一种适合于销售预测的基于组合人工智能技术的算法模型,并通过煤炭销售的实用实例同BP网络预测模型作了对比。该组合模型很好地弥补了BP网络收敛于局部最优解的缺陷,其先进的求解机理和思想对人工智能应用于其他市场预测有所启发。     

一种并行BP交通流预测方法

BP广泛用于短时交通流预测.为了降低大规模交通流的预测时间,已提出一些并行的BP方法,但在很多情况下其并行计算的效率仍有待提高.提出一个贪婪动态负载均衡(简称GC-DLB)算法,能够提高并行计算效率和降低预测时间,并在工作站网络(NOW)系统中对该算法进行了实现.与蝶形并行BP交通流预测方法(简称DP-BP)相比较,理论和实验结果说明了DP-BP方法结合GC-DLB算法可降低预测时间.     

蚁群神经网络在短期负荷预测的应用

为了进一步提高BP神经网络的性能,实现准确、快速预测电力系统负荷的目的,将蚁群算法(ACA)作为BP神经网络的学习算法,建立了一种新的蚁群神经网络(AcAN)预测模型.对某电力系统短期负荷预测的计算实例表明,基于蚁群神经网络的负荷预测方法与传统的BP神经网络预测方法相比,具有较强的自适应能力和较好的效果.     

改进的WANN预测在库存控制中的应用

研究优化物流管理准确预测需求供应问题,连锁零售企业库存控制预测是供应链管理的难题之一。由于连锁超市单商品需求量波动与库存水平波动较大,影响准确预测。为了需求趋势的准确预测,提出了一种应用改进的小波神经网络算法进行预测单商品需求量的方法,解决以往统计学预测方法和简单神经网络预测方法不能解决的对销售畸点影响需求量准确预测的难点。同时改进的WANN算法与BP算法做了对比,证明了改进后网络对需求量预测的有效性和精确性,并在连锁零售企业中的应用将节约企业大量人力与财力,对企业控制成本有着重要意义。     

改进粒子群—BP神经网络模型的短期电力负荷预测

为了准确、快速、高效地预测电网短期负荷,提出了改进的粒子群算法(MPSO),并与BP算法相结合,形成改进的粒子群—BP(MPSO-BP)神经网络算法,用此算法训练神经网络,实现了神经网络参数优化,得到了基于MPSO-BP算法的神经网络模型。综合考虑气象、天气、日期类型等影响负荷的因素,进行电网短期负荷预测。算例分析表明,与传统BP神经网络法和PSO-BP神经网络方法相比,该方法改善了BP神经网络的泛化能力,预测精度高,收敛速度快,对电力系统短期负荷具有良好的预测能力。     

前馈多层神经网络BP算法与可靠性增长模型

本文叙述了可靠性增长和BP算法的基本概念,着重研究神经网络BP算法用于可靠性增长的预测方法。Gompertz模型是可靠性增长的一个很好的预测模型。本文引用文献中的多个实例,将BP算法预测结果与Gompertz模型预测结果相比较,结论基本上一致。这说明该方法不但可行,而且有简便、适应性强等独特优点。     

基于布谷鸟搜索优化神经网络的锂电池荷电状态预测

锂电池荷电状态(SOC)的预测是电动汽车锂电池管理系统中最为关键的技术之一;为实现对SOC的高精度的预测,提岀了一种基于布谷鸟搜索算法(CS)优化的误差反向传播(BP)神经网络的锂电池SOC预测方法,该方法的核心难点之一,在于优化BP神经网络的初始权值和阈值,从而可以改善易陷入局部最优的情况,减小算法对初始值的依赖;Matlab仿真结果表明,CS—BP神经网络算法的均方根误差值比BP算法的均方根误差值平均降低了0.010 6,CS—BP算法具有更高的预测精度和极强的泛化性能.     

基于PSO-BP神经网络的网络流量预测与研究

传统网络流量预测采用线性方法进行处理,不能很好地满足要求.根据互联网通信量的自相似性,提出一种基于BP网络的粒子群优化PSO-BP算法进行网络流量预测,用PSO算法对BP网络节点的初始权值进行优化,并利用历史记录训练BP网络,采用Matlab进行仿真.试验结果表明,PSO-BP算法加快了BP网络收敛速度,训练结果的均方误差函数mse在5%以内,提高了网络流量预测精度.     

一种短期电力负荷预测方法

针对短期电力负荷预测中影响因素多、变化随机、非线性等特点,提出一种相似日的优化BP神经网络短期电力负荷预测方法。考虑到短期负荷波动的影响因素较多,相似日的选取综合了气象因素、日期因素和时间距离因素。同时,在负荷预测中常用的BP神经网络预测方法的基础上,引入遗传算法对BP神经网络算法的初始权值和阈值寻优进行改进。仿真表明优化BP神经网络算法与相似日结合的方法预测时在稳定性和精确度方面得到较大的提高。     

改进PSO优化BP神经网络的混沌时间序列预测

为提高BP神经网络预测模型的预测准确性,提出了一种基于改进粒子群算法优化BP神经网络的混沌时间序列预测方法。引入自适应变异算子对陷入局部最优的粒子进行变异,改进了粒子群算法的寻优性能; 利用改进粒子群算法优化BP神经网络的权值和阈值,训练BP神经网络预测模型求得最优解。将该预测方法应用到几个典型的非线性系统的混沌时间序列进行有效性验证,结果表明了该方法对典型混沌时间序列具有更好的非线性拟合能力和更高的预测准确性。     

基于IIGA-BP神经网络的钢材销售预测模型

为克服传统BP神经网络(BP Neural Network,BPNN)在销售预测中,预测精度低、收敛速度慢的缺点.提出了一种基于改进免疫遗传算法(Improved Immune Genetic Algorithm,IIGA)优化BP神经网络的销售预测模型.改进的免疫遗传算法提出了新的种群初始化方式、抗体浓度的调节机制及自适应交叉算子、变异算子的设计方法,有效的提高了IIGA的收敛能力和寻优能力.并用IIGA优化BPNN的初始权值和阈值,改善网络参数的随机性导致BPNN输出不稳定和易陷入局部极值的缺点.以某钢铁企业的历史销售数据为例进行实证研究,利用Matlab分别构建BP、IGA-BP和IIGA-BP神经网络预测模型进行仿真对比分析.实验证明,IIGA-BP神经网络预测模型较BP神经网络预测模型预测精度提高了23.82％,较IGA-BP神经网络预测模型预测精度提高了22.02％.IIGA-BP神经网络模型对钢材销售预测的泛化性能更好,预测效果更稳定误差基本保持在[0.25,0.25]之间,预测精度大幅度提高,为企业销售预测提供了一种较为有效的方法.     

改进的BP神经网络在地方GDP预测中的应用

BP算法是应用最广泛的人工神经网络算法,但标准的BP算法存在收敛速度慢及易陷入局部极小值的缺陷.针对这些缺陷,综合利用附加动量和变学习率的方法对BP算法加以改进.通过改进的BP算法用MATLAB对2001-2010年广西GDP数据进行了仿真,结果表明,改进的BP算法的收敛速度和预测精度均优于标准BP算法.     

基于遗传优化神经网络的电子舌在黄酒检测中的应用

采用遗传学习算法和误差反向传播(BP)算法相结合的混合算法来训练前馈人工神经网络,从而提高神经网络的收敛质量和收敛速度,并将此算法运用到电子舌对黄酒的检测上。与经典BP网络及附加动量项BP网络的训练与预测进行了比较。结果显示:遗传优化BP算法具有预测精度高、收敛速度快及运行时间短的优点,是一种快速、可靠的方法。