计算机仿真
計算機倣真
계산궤방진
COMPUTER SIMULATION
2013年
6期
234-238
,共5页
预测%新品上市%案例推理%聚类%径向基函数神经网络
預測%新品上市%案例推理%聚類%徑嚮基函數神經網絡
예측%신품상시%안례추리%취류%경향기함수신경망락
Forecasting%New listing%Case-based reasoning (CBR)%Clustering%Radial basis function neural network (RBFNN)
针对新品上市数据匮乏、不确定性高所带来的预测难点,提出了关于案例推理和改进粒子群神经网络的动态预测方法.首先考虑产品属性及销售序列特征,提出两阶段综合聚类算法划分案例集合；其次采用核心案例的相似性搜索机制确定RBF神经网络模型的训练集,并通过动态聚类和改进的粒子群算法进行网络训练及参数优化；最后采用相异距离的聚类方法保留预测结果,实现模型的动态扩展.企业实例及公共数据集的仿真结果表明,CBR-IPRBF动态预测方法能够适用于任何类型新品上市的销量预测,且对于数据量不足等非理想状况具有较优的性能.模型预测精度高,算法扩展性强,具有广泛适用性,能够为企业提供实际、有效的决策支持.
針對新品上市數據匱乏、不確定性高所帶來的預測難點,提齣瞭關于案例推理和改進粒子群神經網絡的動態預測方法.首先攷慮產品屬性及銷售序列特徵,提齣兩階段綜閤聚類算法劃分案例集閤；其次採用覈心案例的相似性搜索機製確定RBF神經網絡模型的訓練集,併通過動態聚類和改進的粒子群算法進行網絡訓練及參數優化；最後採用相異距離的聚類方法保留預測結果,實現模型的動態擴展.企業實例及公共數據集的倣真結果錶明,CBR-IPRBF動態預測方法能夠適用于任何類型新品上市的銷量預測,且對于數據量不足等非理想狀況具有較優的性能.模型預測精度高,算法擴展性彊,具有廣汎適用性,能夠為企業提供實際、有效的決策支持.
침대신품상시수거궤핍、불학정성고소대래적예측난점,제출료관우안례추리화개진입자군신경망락적동태예측방법.수선고필산품속성급소수서렬특정,제출량계단종합취류산법화분안례집합；기차채용핵심안례적상사성수색궤제학정RBF신경망락모형적훈련집,병통과동태취류화개진적입자군산법진행망락훈련급삼수우화；최후채용상이거리적취류방법보류예측결과,실현모형적동태확전.기업실례급공공수거집적방진결과표명,CBR-IPRBF동태예측방법능구괄용우임하류형신품상시적소량예측,차대우수거량불족등비이상상황구유교우적성능.모형예측정도고,산법확전성강,구유엄범괄용성,능구위기업제공실제、유효적결책지지.
