当前位置:文档之家› BP神经网络的库存需求预测

BP神经网络的库存需求预测

·126·图 1 原纸用量趋势图2009年 1 月 总第 450 期 第 2 期经 济 论 坛E c ono m i cF o r umJan. 2009 G e n.450 N o .2基于 B P 神经网络的库存需求预测应用文 / 刘 洋 李 真【摘要】 本文应用 B P 神经网络模型,并加入影响因子,用于库存需求量的预测,同时采用了传统的预测方法,通过各种方法预测结果的对比,说明文中所建立的加入影响因素的 B P 网络模型预测效果较好。

【关 键 词 】神经网络;B P 算法;A R M A 模型;库存需求;预测【作者简介】刘洋,女,南京大学工程管理学院硕士研究生,研究方向:系统工程、数据分析与数据挖掘; 李真,女,南京大学工程管理学院硕士研究生,研究方向:复杂系统理论。

各行业领域的企业都很重视库存管理,即库存数量的有效控制,但如何确定和预测库存需求,是亟 待研究解决的问题。

本文采用 B P 网络模型对库存 的需求量进行预测,以期提高库存需求预测的精度。

一、库存需求预测文章采用某纸箱生产企业 1998~2003 年原纸 用量的月数据,并假设每个月的原纸用量均能被库 存所满足,那么该数据就可正确反映企业每月的库 存需求水平。

分别应用 A R M A 模型、B P 模型以及加 入影响因素的 B P 模型,以 1998~2002 年的数据预 测 2003 年的原纸用量,通过三种模型预测结果的比 较,选择一种预测精度较高的方法,更好地帮助企业 确定库存需求。

(一)传统库存需求预测方法 1. 数据预处理。

A R M A 模型是比较成熟且常 用的时间序列预测模型,适于处理复杂时间序列的 预测,短期预测时精度较高,故本文拟用 A R M A 模型来预测原纸使用量。

原始数据的趋势如图 1 所示。

该组数据存在一定的指数趋势,为非平稳序列, 而 A R M A 模型建模要求序列为平稳序列,因此先对 原始序列进行平稳化处理。

在 EV i e w s 软件中进行二 阶对数差分后,通过观察序列的自相关系数及偏自 相关系数分析图及差分后的序列趋势,并检查差分 后的均值约为零,可得出序列已基本平稳,因此可用 于预测。

2.模型定阶与预测。

通过对数据自相关系数和 偏自相关系数的观测,可以选择多个模型对数据进 行拟合。

经比较各个模型的 R 2 值、A IC 值以及 S C 值,选择了 A R M A (1,1)模型来预测 2003 年 12 个月 的原纸用量,并通过对残差进行白噪声检验,可证明 残差基本为随机序列。

(二)神经网络方法1.数据准备及归一化处理。

网络的训练样本由 输入、输出两部分组成,在两个模型中,均采用 1998~2002 年数据作为训练样本,预测 2003 年 12个月的原纸用量。

为增加网络权重对输入数值变化 的灵敏度,还需将各项指标数据进行归一化。

(1)B P 网络。

网络输入为 3 维,为前一年 3 个月的原纸用量,输出也为 3 维,为下一年相对应 3 个 月的原纸用量。

(2)加入影响因素的 B P 网络。

销售决定生产 规模,故在模型中加入市场因素,而该市场存在淡季 和旺季两种情况,因此加入季节因子。

网络输入为 4 维,在 B P 网络基础上加入一个季节因子,分为淡季(用 0 表示)与旺季(用 1 表示),输出为 3 维。

2.网络拓扑结构的确定。

K o l m ogo ro v 定理证明 了任意一个连续函数或映射关系可以精确地用一个表1各种方法预测结果月份实际值A R M A模A R M A模B P模型B P模型加影响因素的加影响因素的型预测值型误差预测值误差B P模型预测值B P模型误差12314.2562703.403-16.82%2675.4-15.61%2329.0-0.64%22448.8562769.432-13.09%2902.2-18.51%2823.7-15.31%33029.2732805.187.40%2944.4 2.80%2982.4 1.55%42643.3772851.08-7.86%2749.5-4.01%3145.7-19.00%53420.5682894.76115.37%2984.412.75%3057.710.61%63045.232940.019 3.45%3363.0-10.44%2835.2 6.90%72638.4092985.707-13.16%2693.7-2.10%2663.0-0.93%83431.3393032.1911.63%3489.6-1.70%3121.59.03%93908.6523079.37121.22%3953.9-1.16%3687.6 5.66%103288.1563127.294 4.89%2760.816.04%3310.1-0.67%113681.9893175.9613.74%3546.9 3.67%3673.60.23%123458.7223225.384 6.75%3207.57.26%3292.2 4.81%三层的B P网络实现。

本文采用三层的B P网络对数据进行预测,包括输入层、隐层和输出层。

隐层单元数在实际操作中主要靠经验和试验来确定,直到网络的训练和预测精度达到要求为止。

(1)B P网络。

选择4个数值作为隐层单元数,分别为9,12,15和17,并依次检查网络性能。

为了有更好的对比性,四个模型采用相同的训练样本,且训练次数均为500次。

经比较发现,隐单元数为17时的网络训练效果较好,能达到目标,因此,网络结图3加入影响因素的BP 网络拟合曲线图构为3-17-3型。

(2)加入影响因素的B P网络。

选择3个数值作为隐层单元数,分别为9,12和15,同样采用相同的训练样本与训练次数,依次检查网络性能。

经对比图2BP 网络拟合曲线图图4各模型预测值与实际值对比图·127·表2预测结果对比预测方法平均绝对百分误差(M A P E)A R M A模型11.28%B P模型8.00%加入影响因素的B P模型 6.28%及多次试验发现,隐单元数为12时的网络训练效果较好,因此,网络结构为4-12-3型。

3.应用两种B P网络预测。

运用M a tl a b软件中的神经网络工具箱进行仿真预测,之后,将预测得到的数值进行反归一化,以便与实际值进行比较。

两种B P模型的预测结果如下。

(1)B P网络。

经多次试验,在训练2922次后网络误差达到要求,拟合曲线如图2所示。

(2)加入影响因素的B P网络。

网络在训练727次之后误差达到要求,拟合曲线如图3所示。

(三)预测结果比较各种方法的预测结果及其与实际值的比较见表1、表2和图4所示。

本文使用了平均绝对百分误差M A P E(M ea n A bs o l ut e P e rc e nt a g e Erro r)来衡量预测精度。

平均绝对百分误差是使用百分数表示的预测误差指标,它等于实际值与预测值的离差除以实际值的比值的绝对数的平均数。

由上面的图和表可以看出,加入影响因素的B P 网络具有较高的预测精度(M A P E 值为6.28%),可以用来对该企业原纸库存需求量进行预测,其预测效果优于其他两种方法(M A P E 值分别为11.28%和8.00%)。

这说明,本文所建立的神经网络模型可以更好地拟合数据、逼近函数,而且它可以将定性的影响因素(季节因素)转化为定量,从而使得预测结果更为准确,可以更好地为企业服务,降低库存及缺货成本,提高效益。

三、结论本文将神经网络模型应用于库存需求预测领域,通过建立加入影响因素的B P模型,获得了较为理想的预测结果。

研究结果表明,采用人工神经网络方法能够更加准确地拟合原始数据,得到较高的预测精度,在非线性预测方面具有明显优势,较好解决了库存需求量的预测问题。

这对于实际的企业生产来说,可以为其库存管理提供更加准确的预测数据,为企业节省巨大的库存成本。

参考文献[1]刘云峰.纸箱生产企业库存管理优化模型[D].重庆:重庆大学,2005.29—30.[2]M oh a mm e d E.H a qu e,K.V.S udh a ka r.ANN ·128·ba c k-pr o pa g a ti on pr e di c ti on m o de l f o r fr ac t u r e t oughn e ss i n m i c r o a ll oy s t ee l[J].I n t e r n a ti on a l J ou r n a l o f F a ti gu e,2002,24:1003-1010.[3]王熙.基于遗传算法改进的B P神经网络在矿产品预测领域的应用[D].北京:中国地质大学,2006.[4]J a n-T a i K uo,M i ng-H a n H s i e h,W u-S e ng L ung,N i a n S h e.U s i ng a r ti f i c i a l n e u r a l n e t w o r k f o r r e s e r vo i r e u t r oph i ca ti on pr e di c ti on[J].E c o l og i ca l M o de lli ng,2007,200(1-2).[5]N.K a s a bov,E vo l v i ng f u zz y n e u r a l n e t w o r ks:a l go r it h m s,a ppl i ca ti on s a nd bi o l og i ca l m o ti v a ti on,i n:T.Y a m a ka w a,G. M a t s u m o t o(E ds.),M e t hodo l og i e s f o r t h e C on ce pt i on,D e s i gn and A ppl i ca ti on o f S o f t C o m pu ti ng[J]W o r l d S c i e n ti f i c,S i ng a po r e,1998.[6]J i a n t a o L i u,H ong bi ng C h a ng, T.Y.H s u(X u Z uy a o), X u e yu R u a n.P r e di c ti on o f t h e f l o w s t r e ss o f h i gh-speed s t ee l du r i ng ho t de f o r m a ti on u s i ng a BP a r ti f i c i a l n e u r a l n e t w o r k[J]. J ou r n a l o f M a t e r i a l s P r o ce ss i ng T ec hno l ogy,2000,103(2):200—205.[7]H.B r i a n Hw a r ng.I n s i gh t s i n t o n e u r a l-n e t w o r kf o r eca s ti ng o f ti m e s e r i e s c o rr e s pon di ng t o A R M A(p,q)s t r u c t u r e s [J].O m e g a,2001,29(3):273—289.[8]黄湘俊,刘永跃.基于A R M A模型的城乡居民收入差距预测和分析[J].市场周刊理论研究,2007,(4):100—102.[9]易丹辉.数据分析与E V i e w s应用[M].北京:中国统计出版社,2002.125—131.[10]飞思科技产品研发中心.神经网络理论与M A TL A B7实现[M].北京:电子工业出版社,2005.257—261.(责任编辑:路辉)。

相关主题