一、基于改進BP算法的商品銷售量的預(yù)測（論文文獻綜述）
謝良才[1]（2021）在《基于BP神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)挖掘技術(shù)探究及其在煤熱轉(zhuǎn)化數(shù)據(jù)規(guī)律分析中的應(yīng)用》文中指出近十幾年來,隨著人們利用信息技術(shù)采集和分析數(shù)據(jù)能力的大幅提升以及人工智能技術(shù)的快速發(fā)展,極大的推動了數(shù)據(jù)挖掘技術(shù)在各類基礎(chǔ)科學(xué)研究中的快速興起,尤其是以人工神經(jīng)網(wǎng)絡(luò)智能算法為基礎(chǔ)的數(shù)據(jù)挖掘技術(shù)應(yīng)用更為廣泛。鑒于此,本文以非線性映射能力、并行處理能力以及容錯性能優(yōu)異且廣泛使用的BP神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)挖掘技術(shù)為基礎(chǔ),將數(shù)據(jù)挖掘的方法和思想引入到煤熱轉(zhuǎn)化領(lǐng)域的數(shù)據(jù)規(guī)律挖掘之中,以期在煤質(zhì)基礎(chǔ)數(shù)據(jù)與其熱轉(zhuǎn)化特性之間探尋出有價值的內(nèi)在規(guī)律或關(guān)系。本文的研究內(nèi)容主要包括高性能數(shù)據(jù)挖掘技術(shù)的設(shè)計和在煤熱轉(zhuǎn)化領(lǐng)域?qū)嶋H應(yīng)用兩個方面的研究工作。首先,本文全面闡述了數(shù)據(jù)挖掘的基本理論與方法。在了解并分析了多種數(shù)據(jù)挖掘技術(shù)的基礎(chǔ)上,重點對基于BP神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)挖掘技術(shù)進行了深入的分析與闡述。進一步的,本文針對BP神經(jīng)網(wǎng)絡(luò)算法中存在的收斂速度慢、網(wǎng)絡(luò)初值隨機性、易陷入局部極小等不足,提出了一種多算法優(yōu)勢集成、聯(lián)合優(yōu)化的改進型算法（HA-BP）,并在非線性函數(shù)仿真中得到了充分論證。此外,本文基于HA-BP算法分別設(shè)計了HA-BP-3δ異常數(shù)據(jù)檢測模型、HA-BP-MIV變量因素分析模型,它們的可靠性與實用性同樣在非線性函數(shù)仿真中得到了充分論證。而后,本文將該數(shù)據(jù)挖掘技術(shù)應(yīng)用于煤質(zhì)基礎(chǔ)數(shù)據(jù)（工業(yè)分析、元素分析、灰成分分析）對煤燃燒發(fā)熱量、煤熱解特性、煤氣化灰流動溫度的數(shù)據(jù)規(guī)律挖掘（預(yù)測目標(biāo)）研究中。（1）煤工業(yè)分析、元素分析與燃燒發(fā)熱量之間的數(shù)據(jù)規(guī)律挖掘本節(jié)以104組我國不同地域（涵蓋了華東、華中、華北、華南以及西北地區(qū)）的煤質(zhì)基礎(chǔ)分析數(shù)據(jù)（工業(yè)分析、元素分析）以及發(fā)熱量（Qnet,ad）數(shù)據(jù)樣本為研究基礎(chǔ)。首先,采用HA-BP-3δ模型剔除了6組原始訓(xùn)練數(shù)據(jù)樣本。清洗后的樣本（原始數(shù)據(jù)使用率達到93%）,經(jīng)HA-BP計算的總數(shù)據(jù)集的平均絕對誤差為0.22 MJ/Kg。在此基礎(chǔ)上,提取出挖掘到的內(nèi)在關(guān)系,使用HA-BP-MIV對變量因素進行了分析,分析結(jié)果顯示,FCad、Cad、Had、Nad以及Sad與煤的發(fā)熱量呈正相關(guān)性,Mad、Aad與煤的發(fā)熱量呈負(fù)相關(guān)性。此外,7個因素對煤發(fā)熱量的影響大小為:Cad>Aad>FCad>Mad>Nad>Sad>Had;其中,Aad、Cad、FCad對煤發(fā)熱量的累計影響值達到了總貢獻率的90.31%。進一步的,基于三個主要因素計算的平均絕對誤差為0.47 MJ/Kg。此外,鑒于部分企業(yè)缺乏煤質(zhì)元素分析的數(shù)據(jù),進而難以使用該算法挖掘到的內(nèi)在關(guān)系,為此,本文進一步的使用煤質(zhì)工業(yè)分析的Mad、Aad、FCad作為輸入變量,借助HA-BP模型對發(fā)熱量進行了研究。計算結(jié)果發(fā)現(xiàn),僅通過工業(yè)分析數(shù)據(jù)計算的發(fā)熱量總樣本集的平均絕對誤差為0.36MJ/Kg。（2）煤熱解失重特性與工業(yè)分析、元素分析數(shù)據(jù)之間的數(shù)據(jù)規(guī)律挖掘本節(jié)以10組不同產(chǎn)地的煤為研究樣本,借助HA-BP模型考察了煤（加氫）熱解失重特性曲線與其工業(yè)分析、元素分析之間的內(nèi)在關(guān)聯(lián)。為了實現(xiàn)對煤熱解失重特性曲線“線”預(yù)測的目標(biāo),本文首先基于煤熱解失重的典型特征,有針對性的提取了部分?jǐn)?shù)據(jù)點。經(jīng)HA-BP計算后,發(fā)現(xiàn)訓(xùn)練樣本、檢驗樣本的計算值與實驗值數(shù)據(jù)點的相關(guān)性R2分別為0.9966、0.9943。在此基礎(chǔ)上,提取出挖掘到的內(nèi)在關(guān)系,使用HA-BP-MIV對變量因素進行了分析,分析結(jié)果顯示,T、Ad、Vd、Hd、Sd對煤熱解失重呈現(xiàn)正相關(guān)性;Cd、Nd對煤熱解失重呈現(xiàn)負(fù)相關(guān)性。此外,7個因素對煤熱解失重結(jié)果的影響大小為T>Vd>Cd>Hd>Nd>Sd>Ad;其中,T、Vd、Cd、Hd這4個因素對煤熱解失重的累計影響達到了總貢獻率的98.26%。進一步的,我們發(fā)現(xiàn)基于4個主要因素預(yù)測的精度與7因素下的預(yù)測精度幾乎相當(dāng)。最后,基于簡化后的4個主要因素成功的預(yù)測出了未知煤樣的熱解失重特性曲線（精度為每隔1 ℃）,且整條失重曲線（200～1100 ℃）的絕對誤差不超過2.25%。同樣的方式,基于4個主要因素也成功的預(yù)測出了未知煤樣的加氫熱解失重特性曲線。（3）氣化環(huán)境下的煤灰流動溫度（FT）與其灰成分之間的數(shù)據(jù)規(guī)律挖掘本節(jié)以321組不同類型的煤灰組成以及FT數(shù)據(jù)樣本作為研究基礎(chǔ)。首先,采用HA-BP-3δ模型剔除了27組原始訓(xùn)練數(shù)據(jù)樣本。清洗后的樣本（原始數(shù)據(jù)使用率達到92%）,經(jīng)HA-BP計算的總數(shù)據(jù)集的平均絕對誤差為25 ℃。在此基礎(chǔ)上,借助HA-BP-MIV算法分析了各個化學(xué)組成對FT的影響。分析結(jié)果顯示,SiO2、Al2O3、TiO2與FT之間表現(xiàn)出正相關(guān)性;CaO、Fe2O3、MgO、K2O+Na2O與FT之間表現(xiàn)出負(fù)相關(guān)性。此外,7個因素對FT的影響大小為:Al2O3>SiO2>CaO>Fe2O3>K2O+Na2O>TiO2>MgO,進一步的,基于變量因素的分析結(jié)果選取了3類典型的煤灰樣本,在模擬高溫、氣化的環(huán)境下進行了結(jié)渣機理分析,并總結(jié)了不同煤灰的結(jié)晶特征?；诖?本文將煤灰分為酸性灰、中性灰、堿性灰三個類型,其中酸性灰的FT絕大多數(shù)都高于1400 ℃。而后,借助HA-BP-MIV分別對中性灰、堿性灰進行了關(guān)鍵特征參量的分析,并發(fā)現(xiàn)探尋到的關(guān)鍵特征參量與FT之間存在著顯著的線性相關(guān)性。最后,通過實際測試值對基于關(guān)鍵特征參量提出的關(guān)系式進行了驗證,并取得了良好的效果。這為調(diào)控FT助劑類型的選擇、添加量的確定以及不同煤種的配煤和配煤比例提供了更為直接、有效的指導(dǎo)。本節(jié)提出的單因素、易調(diào)控的FT計算模型如下:1:酸性灰,A/B≧6.72,FT>1400℃;2:中性灰,0.96≦A/B<6.72,FT=136x1+1143.9;3:堿性灰,A/B<0.96,FT=116.81x2+1122.3.經(jīng)本文的研究發(fā)現(xiàn),煤質(zhì)基礎(chǔ)數(shù)據(jù)與其發(fā)熱量、熱解特性、FT之間確實存在著緊密的內(nèi)在聯(lián)系,通過數(shù)據(jù)挖掘的思想和方法,不僅實現(xiàn)了對煤熱轉(zhuǎn)化數(shù)據(jù)的異常數(shù)據(jù)診斷以及高效預(yù)測,而且實現(xiàn)了基礎(chǔ)數(shù)據(jù)樣本的有效增值,更為煤熱轉(zhuǎn)化過程中的數(shù)理分析、影響因素分析甚至后續(xù)的研究主攻方向等提供了新的研究方法和思路。
林英霞[2]（2020）在《基于改進BP神經(jīng)網(wǎng)絡(luò)的外賣訂單預(yù)測研究》文中認(rèn)為隨著互聯(lián)網(wǎng)行業(yè)的蓬勃發(fā)展,外賣行業(yè)也越發(fā)成熟,隨之帶來外賣行業(yè)間的競爭愈發(fā)激烈。對于外賣商家,特別是品牌連鎖店鋪來說,要增強自身品牌競爭力,就要根據(jù)分店的具體需求對各個分店科學(xué)調(diào)控,來提升服務(wù)質(zhì)量,因此需要對各個分店的消費需求有準(zhǔn)確的預(yù)測。對外賣訂單數(shù)量的預(yù)測可以為品牌、為店鋪、為外賣平臺提供決策支持,使資源配置更加合理,達到提高消費者滿意度的同時,合理節(jié)約生產(chǎn)成本。而BP神經(jīng)網(wǎng)絡(luò)可以自行學(xué)習(xí)輸入和輸出之間的關(guān)系,特別是在解決非線性問題方面具有突出的優(yōu)勢。為此,本文針對連鎖商鋪的外賣訂單數(shù)量預(yù)測,建立了一種改進的BP神經(jīng)網(wǎng)絡(luò)模型,以此提升外賣訂單數(shù)量預(yù)測的準(zhǔn)確性,同時將BP神經(jīng)網(wǎng)絡(luò)和遺傳算法結(jié)合,解決BP神經(jīng)網(wǎng)絡(luò)在收斂速度慢、容易陷入局部收斂的缺陷,具體工作如下:（1）結(jié)合連鎖商鋪運營模式和外賣訂單影響因素相關(guān)的研究成果,對實際實驗數(shù)據(jù)進行相關(guān)性分析,選取了影響連鎖商鋪外賣訂單數(shù)量的主要影響因素。為了降低實驗誤差,加快訓(xùn)練速度,體現(xiàn)不同影響指標(biāo)對外賣訂單數(shù)量的影響程度,使用熵權(quán)法和灰色關(guān)聯(lián)分析法,依據(jù)數(shù)據(jù)中蘊含的信息量和相關(guān)影響程度對指標(biāo)數(shù)據(jù)進行組合加權(quán)。對各個店鋪的訂單數(shù)量使用ARIMA時間序列模型進行預(yù)測,將預(yù)測結(jié)果與其他影響因素共同作為BP神經(jīng)網(wǎng)絡(luò)的輸入,使建立的模型能夠結(jié)合店鋪本身的發(fā)展趨勢做出預(yù)測。（2）BP神經(jīng)網(wǎng)絡(luò)存在依賴初始權(quán)值和閥值,容易陷入局部極小值的問題,而遺傳算法具有較強的全局搜索能力,將BP神經(jīng)網(wǎng)絡(luò)作為遺傳算法的適應(yīng)度函數(shù),預(yù)測值和實際值之間的誤差矩陣范數(shù)作為個體適應(yīng)度,全面搜索最優(yōu)權(quán)值和閥值作為BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閥值。針對傳統(tǒng)遺傳算法中根據(jù)經(jīng)驗采用固定交叉算子和變異算子所引起的缺陷,將遺傳算子改進。使遺傳算法在進化過程中,能夠根據(jù)不同個體的適應(yīng)度采用不同的交叉和變異概率,避免產(chǎn)生優(yōu)勢不明顯的子代個體,減慢進化效率。通過對比實驗,建立的模型進化過程加快,達到的誤差更小,提高了連鎖商鋪外賣訂單數(shù)量的預(yù)測精度,更加貼合訂單變化的波動情況。
孫桐[3]（2020）在《基于BAYES-BP預(yù)測算法的電商平臺商品采購計劃研究》文中認(rèn)為隨著電子商務(wù)的不斷發(fā)展以及消費者需求向個性化、多元化方向發(fā)展,對電子商務(wù)平臺運營商以及商家來說,提高運營效率和獲取更高利潤,需要在提升產(chǎn)品多樣性、服務(wù)能力、降低成本等方面進行深入的探討。本文以一個企業(yè)自營型電商平臺為背景,鑒于該企業(yè)在自營平臺服務(wù)水平有待提高,商品庫存亟待降低以提升運營收益等實際情況,考慮某些商品采購周期長、庫存占用大等因素,開展基于BAYES-BP預(yù)測算法的采購預(yù)測和采購計劃制定方面的研究。精準(zhǔn)的采購預(yù)測可以為企業(yè)縮減庫存規(guī)模、增加企業(yè)的資金流轉(zhuǎn)和減少采購的次數(shù),降低庫存,提升客戶服務(wù)品質(zhì),進而可以提高企業(yè)的競爭力,具有非常重要的現(xiàn)實意義。本文在對國內(nèi)外相關(guān)研究中所采用的理論與方法進行研究的基礎(chǔ)上,首先對自營型電商平臺中影響銷量的因素進行分析,發(fā)現(xiàn)商品收藏數(shù)、商品評論數(shù)、商品好評分等自營電商平臺所特有的因素,這些因素對后期商品銷售和采購有重要的影響,根據(jù)Granger因果分析法,對影響因素進行篩選,最后選取包括商品單價、商品好評分等級、商品收藏數(shù)、商品評論數(shù)、商品庫存是否充足、商品類型、商品加入購物車次數(shù)、是否滿足一周無理由退貨、是否有優(yōu)惠券等9個影響因素。其次,構(gòu)建一個貝葉斯方法與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的預(yù)測模型,在預(yù)測模型中利用BP神經(jīng)網(wǎng)絡(luò)構(gòu)建初始模型,運用貝葉斯方法對BP神經(jīng)網(wǎng)絡(luò)進行優(yōu)化,在求得網(wǎng)絡(luò)超參數(shù),確定網(wǎng)絡(luò)的最優(yōu)權(quán)值閾值的同時進行了優(yōu)化學(xué)習(xí)率的方法。在模型構(gòu)建的基礎(chǔ)上,將9個影響因素作為模型的輸入?yún)?shù),將采購需求預(yù)測量作為輸出參數(shù),進行某種（類）商品的采購需求量預(yù)測,最后將采購需求預(yù)測量與安全庫存、在庫量參數(shù)相結(jié)合,制定商品采購計劃。運用本文所提出的采購預(yù)測模型和商品采購計劃的制定方法應(yīng)用于自營電商平臺進行實證分析,選擇2019年6月的350種商品數(shù)據(jù)進行分析與預(yù)測,并將預(yù)測結(jié)果與傳統(tǒng)方法預(yù)測結(jié)果進行對比得出優(yōu)化后的模型的平均誤差與方差都小于傳統(tǒng)的方法。依據(jù)該模型產(chǎn)生的采購預(yù)測值制定采購計劃發(fā)現(xiàn)精準(zhǔn)的采購預(yù)測可以有效地減少了庫存和多余資金的占用,對于企業(yè)有著較高實用價值。本文所提出的預(yù)測模型和采購計劃制定方法還可推廣到其它電子商務(wù)平臺的應(yīng)用中,并具有一定的借鑒作用。
楊光[4]（2020）在《基于神經(jīng)網(wǎng)絡(luò)的企業(yè)供應(yīng)鏈牛鞭效應(yīng)問題研究》文中進行了進一步梳理技術(shù)的發(fā)展和客戶需求的多樣化促使企業(yè)必須面對縮短產(chǎn)品生產(chǎn)周期、加快產(chǎn)品開發(fā)速度來快速響應(yīng)客戶需求的問題,由此產(chǎn)生了供應(yīng)鏈。由三個或更多上游、核心企業(yè)、下游所形成的供應(yīng)鏈可以更加快速地將產(chǎn)品和信息從供應(yīng)方傳送至最終的消費者,同時也使得供應(yīng)鏈每個節(jié)點上的企業(yè)專注于自身的核心業(yè)務(wù),提升競爭力。牛鞭效應(yīng)是供應(yīng)鏈中存在的客觀現(xiàn)象。供應(yīng)鏈中的各節(jié)點企業(yè)為了減少由實際需求和計劃數(shù)量的偏差造成的生產(chǎn)計劃的不穩(wěn)定,往往需要主動選擇提高安全庫存數(shù)量來保證正常的生產(chǎn)活動,這種情況會使需求被逐級放大而引發(fā)牛鞭效應(yīng)。解決供應(yīng)鏈中的牛鞭效應(yīng)問題成為提升整個供應(yīng)鏈效益的核心問題。在供應(yīng)鏈管理中,需求預(yù)測是推動業(yè)務(wù)流程的基礎(chǔ),企業(yè)對安全庫存的設(shè)置正是基于需求預(yù)測的偏差值,偏差值越小,安全庫存量就越小。而安全庫存的存在是導(dǎo)致牛鞭效應(yīng)產(chǎn)生的直接原因,節(jié)點企業(yè)通過主動增加安全庫存來規(guī)避缺貨風(fēng)險,導(dǎo)致牛鞭效應(yīng)在供應(yīng)鏈上逐級放大。因此,可以通過需求預(yù)測的精準(zhǔn)度降低安全庫存數(shù)量進而削弱牛鞭效應(yīng)的影響,以此提高各節(jié)點企業(yè)及時應(yīng)對市場需求波動的能力,對實現(xiàn)供應(yīng)鏈整體效益的最大化具有重要的現(xiàn)實意義。基于上述背景,本文首先基于以制造商為核心的供應(yīng)鏈中業(yè)務(wù)流程,分析了牛鞭效應(yīng)的產(chǎn)生原因和具體表現(xiàn),通過對安全庫存、需求預(yù)測和牛鞭效應(yīng)之間的量化分析,確定了提高需求預(yù)測精度可減弱企業(yè)受到牛鞭效應(yīng)的影響,并證明了此種方法對于供應(yīng)鏈上各節(jié)點企業(yè)都具有適用性?？紤]到以往企業(yè)常用的一些傳統(tǒng)時序預(yù)測方法存在局限性,對于非線性的數(shù)據(jù)特征無法捕獲,在實際應(yīng)用中精準(zhǔn)度有限,而近年來人工智能技術(shù)的應(yīng)用,尤其是神經(jīng)網(wǎng)絡(luò)算法被廣泛應(yīng)用在各個領(lǐng)域,所以本文采用基于神經(jīng)網(wǎng)絡(luò)的模型進行需求預(yù)測,為供應(yīng)鏈管理提供了新思路和方法。由于復(fù)雜市場環(huán)境下的供應(yīng)鏈中影響需求預(yù)測因素繁多,本文采用了灰色關(guān)聯(lián)度分析法選取價格、季節(jié)性、促銷力度等主要特征因素。其次,考慮到傳統(tǒng)預(yù)測模型的缺陷,本文在研究了神經(jīng)網(wǎng)絡(luò)核心思想與方法基礎(chǔ)上,提出LSTM-BP組合模型,運用該模型實現(xiàn)未來一段時間內(nèi)的需求預(yù)測。在模型應(yīng)用中,針對某制造企業(yè)當(dāng)前生產(chǎn)管理紊亂等現(xiàn)狀,以企業(yè)近兩年的產(chǎn)品訂單為研究對象進行實證分析。結(jié)果證明,在該模型下的產(chǎn)品預(yù)測偏差大幅度降低,并且節(jié)點企業(yè)受到牛鞭效應(yīng)的影響程度得到有效緩解。因此,本文提出的LSTM-BP組合模型對削弱供應(yīng)鏈中的牛鞭效應(yīng)具有良好的應(yīng)用價值。
王雪輝[5]（2020）在《基于數(shù)據(jù)挖掘技術(shù)的股票預(yù)測研究與應(yīng)用》文中研究表明近些年國家日新月異的發(fā)展,股票市場經(jīng)歷著巨大變化?，F(xiàn)在股票市場的數(shù)據(jù)規(guī)模已非常龐大、復(fù)雜,且容易受市場行情、國內(nèi)政策和投資者情緒等因素的影響,隨機性較強,給股票的預(yù)測研究帶來了難度。數(shù)據(jù)挖掘結(jié)合了統(tǒng)計學(xué)、計算機學(xué)和機器學(xué)習(xí)等多門學(xué)科,可以從龐大的數(shù)據(jù)中搜索挖掘出有效信息,用于支持投資者的決策,為股票數(shù)據(jù)分析提供了有效途徑,因此采用數(shù)據(jù)挖掘技術(shù)研究股票預(yù)測非常有意義。論文首先搜集了股票的27個技術(shù)指標(biāo)數(shù)據(jù)并進行了指標(biāo)挖掘,然后建立BP網(wǎng)絡(luò)、RBF網(wǎng)絡(luò)模型對個股羅牛山、海南高速和大盤深證成指進行了預(yù)測研究與分析,再針對所建立的網(wǎng)絡(luò)模型的不足采用了遺傳算法進行了優(yōu)化。數(shù)據(jù)挖掘技術(shù)研究股票預(yù)測非常有應(yīng)用價值,其創(chuàng)新性研究成果如下所述:（1）針對神經(jīng)網(wǎng)絡(luò)預(yù)測模型的輸入變量是否合理的問題,提出采用Apriori算法來分析股票技術(shù)指標(biāo)間的關(guān)聯(lián),確定了與股票次日收盤價相關(guān)聯(lián)的指標(biāo)。預(yù)測個股羅牛山和海南高速時神經(jīng)網(wǎng)絡(luò)模型的輸入變量為前一日的最高價、最低價、開盤價、收盤價、成交量、成交額、換手率、MA1、MA2、MA3和BOLL,共11個指標(biāo)。預(yù)測大盤深證成指時輸入變量為前一日的最高價、最低價、開盤價、收盤價、成交額、MA1、MA2、MA3、BOLL、OBV和RSI3,共11個指標(biāo)。并且與大部分文獻所選的輸入變量（前一日的最高價、最低價、開盤價、收盤價和成交量）進行了仿真試驗對比研究,仿真結(jié)果驗證了通過Apriori算法所選指標(biāo)的可行性與有效性。（2）針對采用試湊法確定BP、RBF網(wǎng)絡(luò)參數(shù)存在的隨機性和盲目性問題,提出采用正交試驗方法確定了預(yù)測羅牛山、海南高速和深證成指的BP網(wǎng)絡(luò)參數(shù)（訓(xùn)練樣本、隱含層神經(jīng)元數(shù)目、學(xué)習(xí)速率、學(xué)習(xí)次數(shù)和期望誤差）和RBF網(wǎng)絡(luò)參數(shù)（訓(xùn)練樣本、spread和期望誤差）的較優(yōu)組合,并分別與試湊法進行了仿真試驗對比研究,仿真結(jié)果驗證了通過正交試驗方法確定BP、RBF網(wǎng)絡(luò)參數(shù)的可行性與有效性。（3）針對正交-BP網(wǎng)絡(luò)易陷入局部最優(yōu)的問題,提出采用遺傳算法優(yōu)化正交-BP網(wǎng)絡(luò)。并與正交-BP網(wǎng)絡(luò)進行了仿真試驗對比研究,仿真結(jié)果驗證了GA-正交-BP網(wǎng)絡(luò)的可行性與有效性。本文提出的上述三種方法和試驗結(jié)果表明了提高個股、大盤走勢的預(yù)測精度是有效的,具有應(yīng)用價值,可以為投資者提供有意義的技術(shù)支持。
楊思銳[6]（2020）在《基于GA-MIV-BP算法的二手車估價模型研究》文中提出二手車交易量的不斷增大迫切需要建立公正有序的二手車評估市場,規(guī)范的評估平臺以及合理有效的評估方法有助于二手車評估行業(yè)的健康發(fā)展。我國在二手車評估方面的研究還處于探索階段,傳統(tǒng)評估方法評估步驟復(fù)雜、評估結(jié)果過程主觀性較強、評估結(jié)果準(zhǔn)確性不足,已經(jīng)不能滿足市場的需求。二手車評估的特點決定了在實際工作中只能“一人一車”,而不能進行批量評估,這大大降低了評估效率。因此,尋找一種高效、準(zhǔn)確的評估方法對于促進二手車評估行業(yè)發(fā)展具有重大意義。本文首先分析了國內(nèi)外二手車評估市場背景,研究了傳統(tǒng)評估方法及其優(yōu)勢和弊端,確定了全文的研究路線。其次研究了影響二手車價值的眾多因素,并選取了其中12個因素作為模型指標(biāo)。針對現(xiàn)有方法的不足,提出利用人工神經(jīng)網(wǎng)絡(luò)自學(xué)能力和非線性映射能力較強的特點建立模型,與二手車評估相結(jié)合。同時,利用遺傳算法和變量篩選對模型進行優(yōu)化改進,保證了評估結(jié)果的準(zhǔn)確性,由此確定了本文的研究方法。最后,根據(jù)所收集的重慶市巴南區(qū)九公里二手車交易市場數(shù)據(jù)作為模型樣本,利用MATLAB軟件對模型進行訓(xùn)練和測試,通過選取實際案例,將GA-MIV-BP神經(jīng)網(wǎng)絡(luò)模型與現(xiàn)行市價法和重置成本法進行對比分析,驗證了該模型在二手車價格評估中的有效性、可行性和便捷性。
劉楚輝[7]（2019）在《基于BP網(wǎng)絡(luò)的連鎖超市供應(yīng)鏈庫存預(yù)測與控制研究》文中研究指明當(dāng)今是一個經(jīng)濟和信息技術(shù)發(fā)展迅猛的時代,市場參與者之間的競爭日益激烈,特別是企業(yè)的相互競爭漸漸地朝著供應(yīng)鏈間的競爭轉(zhuǎn)變,促使供應(yīng)鏈管理思想廣泛傳播,其中最為重要的庫存預(yù)測與控制已成為了各行業(yè)在經(jīng)營管理中必須關(guān)注的焦點,故從供應(yīng)鏈末端進行庫存預(yù)測與控制的研究具有重要的意義。在人工智能技術(shù)受到各行各業(yè)追捧,人工神經(jīng)網(wǎng)絡(luò)被運用到供應(yīng)鏈庫存預(yù)測與控制領(lǐng)域的研究已成為一種必然趨勢。本文將運用企業(yè)運營中的供應(yīng)鏈庫存控制理論,并結(jié)合市場經(jīng)濟學(xué)、運籌學(xué)與控制論、計算機科學(xué)等學(xué)科領(lǐng)域內(nèi)容對連鎖超市供應(yīng)鏈末端的庫存需求預(yù)測與控制進行研究,旨在為零售超市企業(yè)庫存預(yù)測與控制提供理論支持,進一步豐富和發(fā)展供應(yīng)鏈環(huán)境下零售企業(yè)庫存控制理論與方法。本文研究從以下幾個方面展開:（1）國內(nèi)外文獻綜述及相關(guān)理論研究。從供應(yīng)鏈庫存管理、庫存需求預(yù)測方法、連鎖超市庫存模型等方面進行文獻研究,確定了本文連鎖超市供應(yīng)鏈末端的研究視角。同時,通過對連鎖超市庫存預(yù)測與控制的理論依據(jù)展開研究,需求預(yù)測方法及庫存控制模型的分析,最終選擇了可行性的BP網(wǎng)絡(luò)預(yù)測方法以構(gòu)建適應(yīng)性較強的庫存預(yù)測模型。（2）構(gòu)建模型。在分析連鎖超市庫存預(yù)測現(xiàn)狀、庫存控制流程和產(chǎn)品需求特性基礎(chǔ)上,通過對超市庫存預(yù)測與控制管理進行理論分析與實地訪談?wù){(diào)查,找尋出了影響超市庫存需求的因素,使得構(gòu)建出的超市供應(yīng)鏈庫存預(yù)測BP網(wǎng)絡(luò)模型的輸入層指標(biāo)可靠而全面、精簡且具有代表性。（3）企業(yè)應(yīng)用研究。本文選取A連鎖超市有限公司下的a大賣場超市門店作為案例分析對象,運用所構(gòu)建的連鎖超市供應(yīng)鏈庫存預(yù)測BP網(wǎng)絡(luò)模型,利用MATLAB軟件中神經(jīng)網(wǎng)絡(luò)工具對超市生鮮部類商品歷史需求數(shù)據(jù)進行處理和分析,預(yù)測超市門店生鮮商品庫存需求量并根據(jù)靈敏度分析結(jié)果能較好的制定庫存控制策略,以期減小供應(yīng)鏈末端發(fā)出的需求源誤差,使超市供應(yīng)鏈整體庫存得到有效的控制。
李冰珂[8]（2019）在《改進BP神經(jīng)網(wǎng)絡(luò)在機票銷售量預(yù)測中的研究》文中進行了進一步梳理隨著民航業(yè)的飛速發(fā)展,乘飛機出行已成為我國眾多居民遠(yuǎn)途旅行的首選,機票代售點的數(shù)量以及機票的銷售量都在不斷增多。機票銷售量的準(zhǔn)確預(yù)測更有利于機票銷售市場的規(guī)劃。如何提升機票銷售量的預(yù)測準(zhǔn)確率具有重要的社會意義。國內(nèi)外學(xué)者對銷售領(lǐng)域的銷售量預(yù)測研究已經(jīng)較為深入。在前人研究的基礎(chǔ)上,尋找更加穩(wěn)定且預(yù)測準(zhǔn)確率更高的算法成為近些年來許多專家關(guān)注的重點。BP神經(jīng)網(wǎng)絡(luò)是應(yīng)用十分廣泛的數(shù)據(jù)挖掘預(yù)測算法。傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值是隨機產(chǎn)生的,再利用梯度下降法對其進行反向調(diào)整,直至訓(xùn)練結(jié)束。若這兩個初始參數(shù)選擇不當(dāng),則容易造成網(wǎng)絡(luò)出現(xiàn)局部最優(yōu)、收斂速度慢等問題。為了有效地提升BP神經(jīng)網(wǎng)絡(luò)的預(yù)測性能,文章提出自適應(yīng)和聲算法（HS）與遺傳算法（GA）的混合優(yōu)化算法（GAHS）對BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值這兩個參數(shù)進行優(yōu)化。建立預(yù)測模型對比改進前和改進后的BP神經(jīng)網(wǎng)絡(luò)的預(yù)測準(zhǔn)確率,以此證明改進算法的可行性。實驗結(jié)果表明,GAHS算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)建立的GAHSBP模型的預(yù)測準(zhǔn)確率更高,但GAHS算法的適應(yīng)度函數(shù)值在90次時才迅速減小,其收斂速度慢。為了進一步提高改進算法的收斂速度從而更好地優(yōu)化BP神經(jīng)網(wǎng)絡(luò),進而提出細(xì)菌覓食算法（BFA）與自適應(yīng)花授粉算法（FPA）的混合算法（BFAFPA）同樣對BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值進行優(yōu)化,建立BFAFPABP模型,完成預(yù)測對比實驗。最終實驗結(jié)果表明,BFAFPA算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)在預(yù)測準(zhǔn)確率和搜索速度上都有了更進一步的提升,證明了該改進算法的有效性。最后利用預(yù)測性能相對較好的BFA FPA BP模型完成機票銷售量的預(yù)測。
喻楊[9]（2019）在《S公司產(chǎn)品需求預(yù)測模型研究》文中提出隨著時代發(fā)展,人們對于食品的消費已經(jīng)由過去為了滿足生存向基本保障營養(yǎng)健康、享受多樣化選擇轉(zhuǎn)變。而且,隨著消費需求的轉(zhuǎn)變,個性化、定制化的產(chǎn)品也大量涌現(xiàn)。為滿足人們的個性化需求,面向訂單的多品種、小批量生產(chǎn)方式已逐步取代大規(guī)模生產(chǎn)成為市場主流。但是,對于傳統(tǒng)的中小型食品制造商來說,由于企業(yè)場地硬件設(shè)備受限、管理人才相對缺失、管理相對不完善且對市場終端把控不夠,給企業(yè)需求管理帶來了巨大挑戰(zhàn)。牛鞭效應(yīng)增加了需求的波動性和不確定性,增大了需求計劃、生產(chǎn)計劃、采購計劃的不穩(wěn)定性,從而導(dǎo)致為了提高客戶訂單滿足率,增強客戶服務(wù)水平,企業(yè)會提前生產(chǎn)大量成品作為備貨或者通過加人加班的方式增加產(chǎn)量。一方面,成品放置在倉庫里產(chǎn)生了庫存持有成本,周轉(zhuǎn)率降低,占用流動資金;另一方面,成品放置時間過長可能會引發(fā)安全問題,造成庫存積壓和銷售損失。公司的利潤空間被不斷壓縮。因此,產(chǎn)品需求預(yù)測的精準(zhǔn)性變得越來越重要。鑒于此,本文基于SARIMA（季節(jié)性差分自回歸滑動平均模型）、SVR（支持向量機回歸模型）、BPNN（BP神經(jīng)網(wǎng)絡(luò)模型）以及Stacking集成算法,以S企業(yè)某品項需求為例,構(gòu)建產(chǎn)品短期需求預(yù)測模型。通過實驗對比分析,選取出預(yù)測誤差較小的預(yù)測模型。首先,構(gòu)建產(chǎn)品需求的影響因素。根據(jù)企業(yè)現(xiàn)有數(shù)據(jù),通過初步探索和可視化分析,介紹企業(yè)的銷售現(xiàn)狀,最終選取前期銷售量、購買客戶數(shù)、促銷量為主要影響因素;其次,選擇預(yù)測方法。根據(jù)歷史文獻的查閱,同時選取了傳統(tǒng)的時間序列模型和機器學(xué)習(xí)的算法,并從機器學(xué)習(xí)算法中選擇了較為常用的SVR和BP神經(jīng)網(wǎng)絡(luò)兩種預(yù)測模型;然后,構(gòu)建預(yù)測模型。本文先運用三個單項模型進行銷量預(yù)測,之后考慮到SVR和BP神經(jīng)網(wǎng)絡(luò)各自的優(yōu)缺點和適用情況,如SVM在小樣本預(yù)測上有很大優(yōu)勢,可以避免局部極小化問題,提高泛化性能,而BP神經(jīng)網(wǎng)絡(luò)具有良好的學(xué)習(xí)記憶能力但容易陷入局部最小值,引入Stacking集成算法融合SVR和BPNN,進一步增加模型的魯棒性。對于實驗結(jié)果,本文采用RMSE、MAE、MAPE三個誤差指標(biāo)進行評價。本文基于S企業(yè)2014年4月至2018年12月的月銷售量數(shù)據(jù),對銷售情況進行預(yù)測,選取前54個月的數(shù)據(jù)作為訓(xùn)練集,后3個月的數(shù)據(jù)為測試集,結(jié)果表明:在單項模型預(yù)測效果上,采用SARIMA時間序列回歸模型得到的誤差評價指標(biāo)最大,因為它沒有考慮其他因素影響,在需求波動較大,需求明顯受多因素影響時,預(yù)測效果很差,SVR（支持向量機回歸模型）預(yù)測誤差較好,BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測結(jié)果比SVR略好;進一步,在集成學(xué)習(xí)上,Stacking的方法的預(yù)測效果優(yōu)于單一預(yù)測模型,是因為stacking融合模型增強了模型的魯棒性。它對該企業(yè)銷量預(yù)測具有指導(dǎo)意義,可以為經(jīng)營決策提供支持。
唐敬文[10]（2019）在《基于馬爾科夫與BP神經(jīng)網(wǎng)絡(luò)的電商店鋪信用預(yù)測方法及其應(yīng)用》文中進行了進一步梳理全球經(jīng)濟發(fā)展進入信息經(jīng)濟時代,近幾年崛起的電子商務(wù)已成為推動社會經(jīng)濟發(fā)展的重要力量。由于網(wǎng)絡(luò)的開放性和虛擬性等特點,電子商務(wù)信用缺失問題越來越嚴(yán)重,導(dǎo)致了消費者對店鋪信用的錯誤認(rèn)知,制約了電子商務(wù)的發(fā)展。同時,掌握電子商務(wù)網(wǎng)站中店鋪信用水平及店鋪信用發(fā)展趨勢對于監(jiān)管部門有著重要意義。因此,本文研究了電商店鋪的信用預(yù)測方法。本文主要研究內(nèi)容包括三方面:（1）店鋪信用評價模型的建立。分析了我國C2C電子商務(wù)網(wǎng)站-淘寶網(wǎng)的信用評價模型,找出了其模型存在的問題和不足。采集淘寶網(wǎng)店鋪的交易信息,運用基于LM算法的BP神經(jīng)網(wǎng)絡(luò)構(gòu)建了信用評價指標(biāo)體系,考慮了買家信用、售后率、執(zhí)照信息等因素,并加入了評論真實度這一評價指標(biāo),建立了改進的店鋪信用評價模型。（2）基于馬爾科夫與BP神經(jīng)網(wǎng)絡(luò)建立店鋪信用預(yù)測模型。提出馬爾科夫與BP神經(jīng)網(wǎng)絡(luò)結(jié)合的店鋪信用預(yù)測模型方法。首先將店鋪信用評價模型得到的結(jié)果用于店鋪信用預(yù)測模型中BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí),得到店鋪信用預(yù)測值;然后用黃金分割法對店鋪信用預(yù)測值的相對殘差進行狀態(tài)劃分,求得狀態(tài)轉(zhuǎn)移概率;最后運用馬爾科夫過程修正店鋪信用預(yù)測值。（3）信用預(yù)測模型的應(yīng)用。將店鋪信用預(yù)測模型應(yīng)用到電商店鋪的信用預(yù)測中,可以證明本模型預(yù)測精度較高,能有效預(yù)測出店鋪未來信用等級,從而了解店鋪未來月份的信譽高低,可以為電子商務(wù)的監(jiān)管部門提供監(jiān)管依據(jù)。本文構(gòu)建了基于馬爾科夫與BP神經(jīng)網(wǎng)絡(luò)的店鋪信用預(yù)測模型,能夠反映出店鋪未來信用等級,對店鋪非誠信行為進行約束,為有關(guān)部門提供監(jiān)管依據(jù),有助于電商信用體系的建設(shè)。
二、基于改進BP算法的商品銷售量的預(yù)測（論文開題報告）
（1）論文研究背景及目的
此處內(nèi)容要求：
首先簡單簡介論文所研究問題的基本概念和背景，再而簡單明了地指出論文所要研究解決的具體問題，并提出你的論文準(zhǔn)備的觀點或解決方法。
寫法范例：
本文主要提出一款精簡64位RISC處理器存儲管理單元結(jié)構(gòu)并詳細(xì)分析其設(shè)計過程。在該MMU結(jié)構(gòu)中,TLB采用叁個分離的TLB,TLB采用基于內(nèi)容查找的相聯(lián)存儲器并行查找,支持粗粒度為64KB和細(xì)粒度為4KB兩種頁面大小,采用多級分層頁表結(jié)構(gòu)映射地址空間,并詳細(xì)論述了四級頁表轉(zhuǎn)換過程,TLB結(jié)構(gòu)組織等。該MMU結(jié)構(gòu)將作為該處理器存儲系統(tǒng)實現(xiàn)的一個重要組成部分。
（2）本文研究方法
調(diào)查法：該方法是有目的、有系統(tǒng)的搜集有關(guān)研究對象的具體信息。
觀察法：用自己的感官和輔助工具直接觀察研究對象從而得到有關(guān)信息。
實驗法：通過主支變革、控制研究對象來發(fā)現(xiàn)與確認(rèn)事物間的因果關(guān)系。
文獻研究法：通過調(diào)查文獻來獲得資料，從而全面的、正確的了解掌握研究方法。
實證研究法：依據(jù)現(xiàn)有的科學(xué)理論和實踐的需要提出設(shè)計。
定性分析法：對研究對象進行“質(zhì)”的方面的研究，這個方法需要計算的數(shù)據(jù)較少。
定量分析法：通過具體的數(shù)字，使人們對研究對象的認(rèn)識進一步精確化。
跨學(xué)科研究法：運用多學(xué)科的理論、方法和成果從整體上對某一課題進行研究。
功能分析法：這是社會科學(xué)用來分析社會現(xiàn)象的一種方法，從某一功能出發(fā)研究多個方面的影響。
模擬法：通過創(chuàng)設(shè)一個與原型相似的模型來間接研究原型某種特性的一種形容方法。
三、基于改進BP算法的商品銷售量的預(yù)測（論文提綱范文）
（1）基于BP神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)挖掘技術(shù)探究及其在煤熱轉(zhuǎn)化數(shù)據(jù)規(guī)律分析中的應(yīng)用（論文提綱范文）
| 摘要 |
| ABSTRACT |
| 第一章 緒論 |
| 1.1 研究背景及意義 |
| 1.2 常見的煤熱轉(zhuǎn)化方式 |
| 1.3 國內(nèi)、外數(shù)據(jù)挖掘的研究及應(yīng)用現(xiàn)狀 |
| 1.4 數(shù)據(jù)挖掘的由來 |
| 1.5 數(shù)據(jù)挖掘的任務(wù)及基本過程 |
| 1.5.1 數(shù)據(jù)挖掘的任務(wù) |
| 1.5.2 數(shù)據(jù)挖掘的基本過程 |
| 1.6 常用的數(shù)據(jù)挖掘的方法 |
| 1.7 人工神經(jīng)網(wǎng)絡(luò) |
| 1.7.1 主要的人工神經(jīng)網(wǎng)絡(luò)模型 |
| 1.8 本文的組織框架及研究內(nèi)容 |
| 第二章 BP神經(jīng)網(wǎng)絡(luò)的算法理論及其算法優(yōu)化探究 |
| 2.1 BP神經(jīng)網(wǎng)絡(luò)概述 |
| 2.2 BP神經(jīng)網(wǎng)絡(luò)的運行機制 |
| 2.2.1 BP神經(jīng)網(wǎng)絡(luò)的理論推理過程 |
| 2.3 BP神經(jīng)網(wǎng)絡(luò)的優(yōu)缺點 |
| 2.3.1 BP神經(jīng)網(wǎng)絡(luò)的優(yōu)點 |
| 2.3.2 BP神經(jīng)網(wǎng)絡(luò)的缺點 |
| 2.4 BP神經(jīng)網(wǎng)絡(luò)算法的優(yōu)化分析 |
| 2.4.1 自身算法的直接改進 |
| 2.4.2 與其它智能算法的聯(lián)用 |
| 2.4.3 多算法優(yōu)勢集成的設(shè)計與實現(xiàn)(HA-BP) |
| 2.5 BP神經(jīng)網(wǎng)絡(luò)算法優(yōu)化的檢驗 |
| 2.5.1 建模與分析 |
| 2.5.2 BP神經(jīng)網(wǎng)絡(luò)的計算效果分析 |
| 2.5.3 A-BP神經(jīng)網(wǎng)絡(luò)的計算效果分析 |
| 2.5.4 GA-BP神經(jīng)網(wǎng)絡(luò)的計算效果分析 |
| 2.5.5 PSO-BP神經(jīng)網(wǎng)絡(luò)的計算效果分析 |
| 2.5.6 HA-BP神經(jīng)網(wǎng)絡(luò)的計算效果分析 |
| 2.5.7 各模型計算效果對比 |
| 2.6 本章小結(jié) |
| 第三章 異常數(shù)據(jù)檢測(剔除)及變量因素分析(選擇) |
| 3.1 異常數(shù)據(jù)檢測(剔除) |
| 3.1.1 異常數(shù)據(jù)檢測方法 |
| 3.1.2 非線性函數(shù)仿真驗證 |
| 3.1.3 檢測效果分析 |
| 3.2 變量因素的分析與選擇 |
| 3.2.1 特征參量的選取方法 |
| 3.2.2 HA-BP-MIV算法的實現(xiàn)過程 |
| 3.2.3 HA-BP-MIV算法的仿真驗證 |
| 3.3 本章小結(jié) |
| 第四章 煤燃燒發(fā)熱量的預(yù)測探究 |
| 4.1 引言 |
| 4.2 樣本情況 |
| 4.3 基于工業(yè)分析、元素分析數(shù)據(jù)預(yù)測發(fā)熱量的建模與探究 |
| 4.3.1 發(fā)熱量計算的建模與分析 |
| 4.3.2 發(fā)熱量的預(yù)測以及異常數(shù)據(jù)檢測 |
| 4.3.3 影響發(fā)熱量的變量因素分析 |
| 4.3.4 主要因素提取與計算效果分析 |
| 4.4 基于工業(yè)分析數(shù)據(jù)計算發(fā)熱量的探究 |
| 4.5 本章小結(jié) |
| 第五章 煤(加氫)熱解失重特性曲線的預(yù)測探究 |
| 5.1 引言 |
| 5.2 煤樣情況 |
| 5.3 基于工業(yè)分析、元素分析的煤熱解失重特性預(yù)測模型 |
| 5.3.1 熱解失重實驗 |
| 5.3.2 特征數(shù)據(jù)點的選擇與模型建立 |
| 5.3.3 變量分析與篩選 |
| 5.3.4 主要因素的計算效果分析 |
| 5.3.5 熱解失重曲線的預(yù)測 |
| 5.4 基于工業(yè)分析、元素分析的煤加氫熱解失重特性預(yù)測模型 |
| 5.4.1 加氫熱解失重實驗 |
| 5.4.2 特征數(shù)據(jù)點的選擇與模型建立 |
| 5.4.3 變量分析與篩選 |
| 5.4.4 主要因素的計算效果分析 |
| 5.4.5 加氫熱解失重曲線的預(yù)測 |
| 5.5 本章小結(jié) |
| 第六章 煤灰流動溫度(FT)的預(yù)測探究 |
| 6.1 引言 |
| 6.2 樣本情況 |
| 6.3 基于煤灰組成數(shù)據(jù)預(yù)測FT的建模與探究 |
| 6.3.1 預(yù)測FT的建模與分析 |
| 6.3.2 FT的預(yù)測以及異常數(shù)據(jù)檢測 |
| 6.3.3 影響FT的變量因素分析 |
| 6.3.4 主要因素提取與計算效果分析 |
| 6.4 典型灰樣的結(jié)渣機理探究及結(jié)渣晶相的特征總結(jié) |
| 6.4.1 典型灰樣的基礎(chǔ)數(shù)據(jù)測試 |
| 6.4.2 AFTs的測試與分析 |
| 6.4.3 典型灰樣的XRD分析 |
| 6.4.4 混合樣的灰渣XRD分析 |
| 6.4.5 反應(yīng)機理的熱力學(xué)分析 |
| 6.4.6 灰渣樣的SEM-EDS分析 |
| 6.4.7 灰樣的相圖分析 |
| 6.4.8 新生成的礦物對共混灰FT的影響 |
| 6.5 煤灰的分類預(yù)測研究 |
| 6.5.1 結(jié)渣晶相的特征總結(jié)與煤灰的分類 |
| 6.5.2 影響FT的關(guān)鍵因素探究 |
| 6.5.3 “關(guān)鍵特征參量”對FT的影響與關(guān)系式的提出 |
| 6.5.4 關(guān)系式的驗證 |
| 6.6 本章小結(jié) |
| 第七章 結(jié)論與展望 |
| 7.1 總結(jié) |
| 7.2 特色與創(chuàng)新 |
| 7.3 展望 |
| 參考文獻 |
| 攻讀博士學(xué)位期間取得的成果 |
| 致謝 |
（2）基于改進BP神經(jīng)網(wǎng)絡(luò)的外賣訂單預(yù)測研究（論文提綱范文）
| 摘要 |
| Abstract |
| 1 緒論 |
| 1.1 研究背景和意義 |
| 1.1.1 研究背景 |
| 1.1.2 研究意義 |
| 1.2 研究現(xiàn)狀 |
| 1.2.1 外賣行業(yè)近年相關(guān)研究 |
| 1.2.2 BP神經(jīng)網(wǎng)絡(luò)優(yōu)化相關(guān)研究 |
| 1.3 主要研究內(nèi)容與章節(jié)安排 |
| 2 相關(guān)理論與方法 |
| 2.1 訂單預(yù)測方法分析 |
| 2.2 人工神經(jīng)網(wǎng)絡(luò) |
| 2.2.1 人工神經(jīng)網(wǎng)絡(luò)模型 |
| 2.2.2 神經(jīng)網(wǎng)絡(luò)的激勵函數(shù) |
| 2.2.3 分類和學(xué)習(xí)規(guī)則 |
| 2.3 BP神經(jīng)網(wǎng)絡(luò) |
| 2.3.1 BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)與原理 |
| 2.3.2 BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練 |
| 2.3.3 BP神經(jīng)網(wǎng)絡(luò)的缺陷 |
| 2.4 遺傳算法 |
| 2.4.1 遺傳算法步驟 |
| 2.4.2 適應(yīng)度函數(shù) |
| 2.5 本章小結(jié) |
| 3 連鎖商鋪外賣訂單影響因素分析 |
| 3.1 O2O外賣模式綜述 |
| 3.1.1 O2O外賣商務(wù)模式 |
| 3.1.2 連鎖商鋪的運營模式 |
| 3.2 訂單量影響因素分析 |
| 3.2.1 訂單影響因素相關(guān)研究 |
| 3.2.2 關(guān)鍵影響因素分析 |
| 3.3 影響因素的選取 |
| 3.3.1 相關(guān)分析法 |
| 3.3.2 影響因素的相關(guān)性分析 |
| 3.3.3 指標(biāo)賦權(quán) |
| 3.4 ARIMA模型線性預(yù)測 |
| 3.4.1 ARIMA模型 |
| 3.4.2 ARIMA模型實證預(yù)測 |
| 3.5 本章小結(jié) |
| 4 BP神經(jīng)網(wǎng)絡(luò)模型的改進 |
| 4.1 總體設(shè)計思想 |
| 4.2 BP神經(jīng)網(wǎng)絡(luò)的設(shè)計 |
| 4.3 遺傳算法的優(yōu)化 |
| 4.4 遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò) |
| 4.5 本章小結(jié) |
| 5 實驗驗證與結(jié)果分析 |
| 5.1 數(shù)據(jù)處理 |
| 5.1.1 數(shù)據(jù)處理 |
| 5.1.2 樣本數(shù)據(jù)的選取和加權(quán) |
| 5.2 實驗參數(shù)的確定 |
| 5.3 實驗結(jié)果分析 |
| 5.3.1 品牌預(yù)測結(jié)果分析 |
| 5.3.2 店鋪預(yù)測結(jié)果分析 |
| 5.4 對外賣平臺和連鎖外賣商家的建議 |
| 5.5 本章小結(jié) |
| 6 總結(jié)與展望 |
| 6.1 總結(jié)論文的研究結(jié)果 |
| 6.2 展望下一步的研究內(nèi)容 |
| 參考文獻 |
| 致謝 |
| 作者簡歷及攻讀碩士學(xué)位期間的科研成果 |
（3）基于BAYES-BP預(yù)測算法的電商平臺商品采購計劃研究（論文提綱范文）
| 摘要 |
| Abstract |
| 1 緒論 |
| 1.1 選題背景 |
| 1.2 研究目的與意義 |
| 1.3 國內(nèi)外研究現(xiàn)狀 |
| 1.3.1 國外研究現(xiàn)狀 |
| 1.3.2 國內(nèi)研究現(xiàn)狀 |
| 1.4 論文的研究內(nèi)容和組織結(jié)構(gòu) |
| 1.4.1 研究內(nèi)容 |
| 1.4.2 論文結(jié)構(gòu) |
| 1.4.3 技術(shù)路線 |
| 2 理論基礎(chǔ)與相關(guān)技術(shù) |
| 2.1 電子商務(wù)及平臺 |
| 2.1.1 電子商務(wù) |
| 2.1.2 電子商務(wù)平臺分類 |
| 2.2 采購理論 |
| 2.2.1 采購的定義 |
| 2.2.2 采購需求預(yù)測 |
| 2.2.3 采購計劃 |
| 2.3 Granger因果檢驗 |
| 2.3.1 時間序列的定義 |
| 2.3.2 Granger因果關(guān)系檢驗 |
| 2.3.3 ADF檢驗 |
| 2.4 常見需求預(yù)測方法 |
| 2.4.1 傳統(tǒng)預(yù)測方法 |
| 2.4.2 智能預(yù)測方法 |
| 2.5 本章小結(jié) |
| 3 需求影響因素分析與總體框架構(gòu)建 |
| 3.1 電商平臺背景概述 |
| 3.2 需求影響因素分析 |
| 3.2.1 數(shù)據(jù)來源 |
| 3.2.2 影響因素選取 |
| 3.2.3 影響因素篩選 |
| 3.3 總體框架構(gòu)建 |
| 3.3.1 設(shè)計原理 |
| 3.3.2 總體思路 |
| 3.4 本章小結(jié) |
| 4 采購需求預(yù)測模型 |
| 4.1 BP網(wǎng)絡(luò)模型 |
| 4.1.1 BP網(wǎng)絡(luò)層數(shù)設(shè)定 |
| 4.1.2 BP網(wǎng)絡(luò)參數(shù)設(shè)定 |
| 4.2 貝葉斯優(yōu)化BP網(wǎng)絡(luò)模型 |
| 4.2.1 貝葉斯優(yōu)化BP模型方案設(shè)計 |
| 4.2.2 神經(jīng)網(wǎng)絡(luò)模型概率分布 |
| 4.2.3 權(quán)值閾值最優(yōu)解及調(diào)整 |
| 4.3 L-M優(yōu)化BAYES-BP網(wǎng)絡(luò)模型 |
| 4.4 本章小結(jié) |
| 5 需求預(yù)測模型在采購計劃的應(yīng)用分析 |
| 5.1 案例分析 |
| 5.1.1 數(shù)據(jù)預(yù)處理 |
| 5.1.2 電商平臺商品信息表 |
| 5.1.3 實驗對比分析 |
| 5.2 采購計劃 |
| 5.2.1 采購業(yè)務(wù)流程分析 |
| 5.2.2 采購計劃影響因素 |
| 5.2.3 采購計劃制定 |
| 5.3 預(yù)測模型在采購計劃的應(yīng)用 |
| 5.3.1 傳統(tǒng)方法與預(yù)測模型預(yù)測采購需求量 |
| 5.3.2 采購需求預(yù)測量在采購計劃的應(yīng)用 |
| 5.3.3 采購計劃制定 |
| 5.4 本章小結(jié) |
| 6 總結(jié)與展望 |
| 6.1 總結(jié) |
| 6.2 展望 |
| 參考文獻 |
| 致謝 |
| 作者簡歷及攻讀碩士學(xué)位期間的科研成果 |
（4）基于神經(jīng)網(wǎng)絡(luò)的企業(yè)供應(yīng)鏈牛鞭效應(yīng)問題研究（論文提綱范文）
| 摘要 |
| Abstract |
| 1 緒論 |
| 1.1 研究背景 |
| 1.2 國內(nèi)外研究現(xiàn)狀 |
| 1.2.1 國外對于牛鞭效應(yīng)的研究現(xiàn)狀 |
| 1.2.2 國內(nèi)對于牛鞭效應(yīng)的研究現(xiàn)狀 |
| 1.3 本文研究的目的和意義 |
| 1.3.1 本文的研究目的 |
| 1.3.2 本文的研究意義 |
| 1.4 本文的研究內(nèi)容 |
| 2 相關(guān)理論研究 |
| 2.1 牛鞭效應(yīng)基本概念 |
| 2.1.1 牛鞭效應(yīng)的成因分析 |
| 2.1.2 經(jīng)濟學(xué)角度的牛鞭效應(yīng) |
| 2.1.3 牛鞭效應(yīng)的危害 |
| 2.2 供應(yīng)鏈需求預(yù)測 |
| 2.2.1 需求預(yù)測方法分類 |
| 2.2.2 定量預(yù)測方法 |
| 2.3 庫存原理 |
| 2.4 本章小結(jié) |
| 3 基于組合預(yù)測的牛鞭效應(yīng)研究 |
| 3.1 行業(yè)背景介紹 |
| 3.2 牛鞭效應(yīng)分析 |
| 3.2.1 需求信息處理 |
| 3.2.2 安全庫存水平 |
| 3.3 需求預(yù)測對牛鞭效應(yīng)的影響 |
| 3.4 影響因素的選取 |
| 3.5 預(yù)測模型的構(gòu)建 |
| 3.5.1 組合模型的搭建 |
| 3.5.2 LSTM BP模型 |
| 3.5.3 預(yù)測精度檢驗 |
| 3.6 制定采購計劃 |
| 3.7 本章小結(jié) |
| 4 實證研究 |
| 4.1 T企業(yè)生產(chǎn)現(xiàn)狀分析 |
| 4.1.1 牛鞭效應(yīng)具體表現(xiàn) |
| 4.1.2 歷史數(shù)據(jù)分析 |
| 4.2 構(gòu)建需求預(yù)測優(yōu)化模型 |
| 4.2.1 傳統(tǒng)時序模型下的預(yù)測 |
| 4.2.2 LSTM-BP組合模型 |
| 4.2.3 結(jié)果比較 |
| 4.3 抑制牛鞭效應(yīng)的具體措施 |
| 4.4 本章小結(jié) |
| 5 總結(jié)與展望 |
| 5.1 總結(jié) |
| 5.2 展望 |
| 參考文獻 |
| 致謝 |
| 作者簡歷及攻讀碩士學(xué)位期間的科研成果 |
（5）基于數(shù)據(jù)挖掘技術(shù)的股票預(yù)測研究與應(yīng)用（論文提綱范文）
| 摘要 |
| abstract |
| 主要符號表 |
| 1 緒論 |
| 1.1 研究背景與意義 |
| 1.2 國內(nèi)外研究現(xiàn)狀 |
| 1.2.1 關(guān)聯(lián)規(guī)則 |
| 1.2.2 BP神經(jīng)網(wǎng)絡(luò) |
| 1.2.3 RBF神經(jīng)網(wǎng)絡(luò) |
| 1.2.4 遺傳算法 |
| 1.2.5 正交試驗 |
| 1.3 主要創(chuàng)新點 |
| 1.4 研究內(nèi)容與章節(jié) |
| 2 數(shù)據(jù)挖掘與股票分析 |
| 2.1 數(shù)據(jù)挖掘 |
| 2.1.1 基本知識 |
| 2.1.2 常用方法 |
| 2.1.3 挖掘過程 |
| 2.2 股票分析 |
| 2.2.1 基本知識 |
| 2.2.2 常用指標(biāo) |
| 2.2.3 常用方法 |
| 2.3 本章小結(jié) |
| 3 基于關(guān)聯(lián)規(guī)則的股票指標(biāo)選取 |
| 3.1 關(guān)聯(lián)規(guī)則 |
| 3.1.1 基本知識 |
| 3.1.2 規(guī)則分類 |
| 3.2 基于Apriori算法的股票指標(biāo)選取 |
| 3.2.1 Apriori算法 |
| 3.2.2 數(shù)據(jù)準(zhǔn)備 |
| 3.2.3 數(shù)據(jù)預(yù)處理 |
| 3.2.4 關(guān)聯(lián)分析 |
| 3.2.5 仿真結(jié)果與分析 |
| 3.3 本章小結(jié) |
| 4 基于人工神經(jīng)網(wǎng)絡(luò)的股票預(yù)測研究與分析 |
| 4.1 正交試驗 |
| 4.2 人工神經(jīng)網(wǎng)絡(luò) |
| 4.2.1 網(wǎng)絡(luò)模型 |
| 4.2.2 激活函數(shù) |
| 4.3 基于正交-BP網(wǎng)絡(luò)的股票預(yù)測研究與分析 |
| 4.3.1 BP網(wǎng)絡(luò)結(jié)構(gòu) |
| 4.3.2 BP算法 |
| 4.3.3 BP網(wǎng)絡(luò)優(yōu)缺點分析 |
| 4.3.4 正交-BP網(wǎng)絡(luò)模型設(shè)計 |
| 4.3.5 仿真結(jié)果與分析 |
| 4.4 基于正交-RBF網(wǎng)絡(luò)的股票預(yù)測研究與分析 |
| 4.4.1 RBF網(wǎng)絡(luò)結(jié)構(gòu) |
| 4.4.2 RBF算法 |
| 4.4.3 RBF網(wǎng)絡(luò)優(yōu)缺點分析 |
| 4.4.4 正交-RBF網(wǎng)絡(luò)模型設(shè)計 |
| 4.4.5 仿真結(jié)果與分析 |
| 4.5 本章小結(jié) |
| 5 基于遺傳算法優(yōu)化的正交-BP網(wǎng)絡(luò)的股票預(yù)測研究與分析 |
| 5.1 遺傳算法 |
| 5.1.1 基本原理 |
| 5.1.2 算法特征 |
| 5.2 基于GA-正交-BP網(wǎng)絡(luò)的股票預(yù)測研究與分析 |
| 5.2.1 GA-正交-BP網(wǎng)絡(luò)模型設(shè)計 |
| 5.2.2 仿真結(jié)果與分析 |
| 5.3 本章小結(jié) |
| 6 總結(jié)與展望 |
| 6.1 總結(jié) |
| 6.2 展望 |
| 參考文獻 |
（6）基于GA-MIV-BP算法的二手車估價模型研究（論文提綱范文）
| 摘要 |
| Abstract |
| 1 緒論 |
| 1.1 研究背景及意義 |
| 1.1.1 研究背景 |
| 1.1.2 研究意義 |
| 1.2 研究內(nèi)容及技術(shù)路線 |
| 1.2.1 研究內(nèi)容 |
| 1.2.2 技術(shù)路線 |
| 1.3 研究方法 |
| 1.4 可能的創(chuàng)新點 |
| 2 文獻綜述 |
| 2.1 關(guān)于BP、GA、MIV的相關(guān)研究 |
| 2.2 國內(nèi)二手車評估研究現(xiàn)狀 |
| 2.3 國外二手車評估研究現(xiàn)狀 |
| 2.4 簡要述評 |
| 3 國內(nèi)二手車評估現(xiàn)狀 |
| 3.1 二手車評估前提條件 |
| 3.2 二手車評估方法 |
| 3.2.1 現(xiàn)行市價法 |
| 3.2.2 重置成本法 |
| 3.3 小結(jié) |
| 4 二手車價格影響因素 |
| 4.1 車型參數(shù) |
| 4.2 車況因素 |
| 4.3 交易因素 |
| 5 二手車評估模型GA-MIV-BP理論基礎(chǔ) |
| 5.1 BP神經(jīng)網(wǎng)絡(luò) |
| 5.1.1 模型基本概念 |
| 5.1.2 模型結(jié)構(gòu)及算法 |
| 5.1.3 模型缺陷 |
| 5.2 遺傳算法(GA) |
| 5.2.1 遺傳算法介紹 |
| 5.2.2 遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)原理 |
| 5.3 平均影響值(MIV) |
| 5.3.1 平均影響值算法介紹 |
| 5.3.2 平均影響值操作方法 |
| 5.4 小結(jié) |
| 6 GA-MIV-BP模型在二手車評估中的應(yīng)用 |
| 6.1 GA-MIV-BP模型用于二手車價值評估的可行性分析 |
| 6.2 二手車價格評估指標(biāo)選取 |
| 6.3 模型設(shè)計 |
| 6.3.1 樣本數(shù)據(jù)收集與處理 |
| 6.3.2 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)及各參數(shù)的確定 |
| 6.4 實證分析 |
| 6.4.1 BP神經(jīng)網(wǎng)絡(luò)的初步建立 |
| 6.4.2 遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò) |
| 6.4.3 基于MIV變量篩選的BP神經(jīng)網(wǎng)絡(luò)的改進 |
| 6.5 比較分析 |
| 6.5.1 GA-MIV-BP模型與改進前模型的對比 |
| 6.5.2 案例分析 |
| 6.6 小結(jié) |
| 7 結(jié)論與不足 |
| 7.1 結(jié)論 |
| 7.2 不足 |
| 致謝 |
| 參考文獻 |
| 附錄 Ⅰ 樣本量化值 |
| 附錄 Ⅱ 車輛圖片及基本信息 |
| 個人簡歷、在學(xué)期間發(fā)表的學(xué)術(shù)論文及取得的研究成果 |
（7）基于BP網(wǎng)絡(luò)的連鎖超市供應(yīng)鏈庫存預(yù)測與控制研究（論文提綱范文）
| 摘要 |
| ABSTRACT |
| 第一章 緒論 |
| 第一節(jié) 選題背景及意義 |
| 一、選題背景 |
| 二、選題意義 |
| 第二節(jié) 研究內(nèi)容與研究方法 |
| 一、研究內(nèi)容 |
| 二、研究方法 |
| 第三節(jié) 國內(nèi)外研究綜述 |
| 一、國外研究綜述 |
| 二、國內(nèi)研究綜述 |
| 三、研究述評 |
| 第四節(jié) 研究創(chuàng)新點 |
| 第二章 相關(guān)理論概述 |
| 第一節(jié) 庫存控制理論 |
| 一、庫存與庫存控制概念 |
| 二、庫存控制模型概述 |
| 第二節(jié) 供應(yīng)鏈庫存控制 |
| 一、供應(yīng)鏈與供應(yīng)鏈管理 |
| 二、超市供應(yīng)鏈庫存控制方法 |
| 第三節(jié) 需求預(yù)測理論 |
| 一、預(yù)測的概念與意義 |
| 二、需求預(yù)測的分類 |
| 第四節(jié) BP神經(jīng)網(wǎng)絡(luò)方法 |
| 一、BP神經(jīng)網(wǎng)絡(luò)基本原理 |
| 二、BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法 |
| 三、BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練步驟 |
| 本章小結(jié) |
| 第三章 連鎖超市供應(yīng)鏈庫存預(yù)測BP網(wǎng)絡(luò)模型過程分析與構(gòu)建 |
| 第一節(jié) 連鎖超市供應(yīng)鏈庫存預(yù)測現(xiàn)狀及控制流程分析 |
| 一、連鎖超市供應(yīng)鏈庫存預(yù)測現(xiàn)狀 |
| 二、連鎖超市供應(yīng)鏈庫存控制流程分析 |
| 第二節(jié) BP網(wǎng)絡(luò)運用于超市庫存預(yù)測可行性分析 |
| 一、超市商品需求特性 |
| 二、BP網(wǎng)絡(luò)運用于連鎖超市庫存預(yù)測的可行性 |
| 第三節(jié) 連鎖超市供應(yīng)鏈庫存預(yù)測BP網(wǎng)絡(luò)模型的建立 |
| 一、選取影響連鎖超市庫存需求的因素及樣本 |
| 二、確定網(wǎng)絡(luò)各層參數(shù) |
| 三、設(shè)計網(wǎng)絡(luò)結(jié)構(gòu) |
| 本章小結(jié) |
| 第四章 實例仿真優(yōu)化及應(yīng)用研究 |
| 第一節(jié) A連鎖大賣場超市概況 |
| 一、公司基本情況 |
| 二、A連鎖大賣場超市門店庫存管理現(xiàn)狀 |
| 第二節(jié) 庫存預(yù)測BP網(wǎng)絡(luò)模型仿真與優(yōu)化 |
| 一、庫存預(yù)測BP網(wǎng)絡(luò)模型的MATLAB仿真 |
| 二、庫存需求預(yù)測BP網(wǎng)絡(luò)模型的優(yōu)化 |
| 三、基于庫存需求預(yù)測BP網(wǎng)絡(luò)模型靈敏度分析 |
| 本章小結(jié) |
| 第五章 結(jié)論與展望 |
| 參考文獻 |
| 附錄 |
| 致謝 |
| 在學(xué)期間公開發(fā)表論文及著作情況 |
（8）改進BP神經(jīng)網(wǎng)絡(luò)在機票銷售量預(yù)測中的研究（論文提綱范文）
| 摘要 |
| Abstract |
| 1 緒論 |
| 1.1 選題研究的背景和意義 |
| 1.2 國內(nèi)外研究現(xiàn)狀 |
| 1.3 本文的主要內(nèi)容和組織架構(gòu) |
| 1.3.1 本文解決的問題 |
| 1.3.2 本文的主要工作 |
| 1.3.3 章節(jié)安排 |
| 2 預(yù)測算法概述 |
| 2.1 預(yù)測的概念及流程 |
| 2.2 常用預(yù)測算法概述 |
| 2.2.1 決策樹 |
| 2.2.2 支持向量機 |
| 2.2.3 貝葉斯網(wǎng)絡(luò) |
| 2.2.4 ARIMA模型 |
| 2.2.5 BP神經(jīng)網(wǎng)絡(luò) |
| 2.2.6 選出合適的預(yù)測算法BP神經(jīng)網(wǎng)絡(luò) |
| 2.3 傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)算法 |
| 2.3.1 傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)算法內(nèi)容及流程 |
| 2.3.2 傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)局限性 |
| 2.4 本章小結(jié) |
| 3 基于BP神經(jīng)網(wǎng)絡(luò)的改進算法 |
| 3.1 改進的和聲算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò) |
| 3.1.1 傳統(tǒng)的和聲算法流程 |
| 3.1.2 傳統(tǒng)的遺傳算法 |
| 3.1.3 自適應(yīng)和聲算法和遺傳算法的混合算法 |
| 3.1.4 GA_HS算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò) |
| 3.2 改進的花授粉算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò) |
| 3.2.1 傳統(tǒng)的花授粉算法流程 |
| 3.2.2 傳統(tǒng)的細(xì)菌覓食算法 |
| 3.2.3 自適應(yīng)花授粉算法與細(xì)菌覓食算法的混合算法 |
| 3.2.4 BFA_FPA優(yōu)化BP神經(jīng)網(wǎng)絡(luò) |
| 3.3 本章小結(jié) |
| 4 基于改進BP神經(jīng)網(wǎng)絡(luò)的機票銷售量預(yù)測模型建立 |
| 4.1 數(shù)據(jù)預(yù)處理 |
| 4.2 BP神經(jīng)網(wǎng)絡(luò)建立及初始化 |
| 4.3 模型參數(shù)和適應(yīng)度函數(shù)設(shè)置 |
| 4.3.1 算法模型參數(shù)設(shè)置 |
| 4.3.2 適應(yīng)度函數(shù)選取 |
| 4.4 改進的BP神經(jīng)網(wǎng)絡(luò)的對比模型建立 |
| 4.4.1 GA_HS優(yōu)化BP神經(jīng)網(wǎng)絡(luò)對比模型建立 |
| 4.4.2 BFA_FPA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)對比模型建立 |
| 4.5 模型評價標(biāo)準(zhǔn) |
| 4.6 本章小結(jié) |
| 5 預(yù)測實驗結(jié)果分析 |
| 5.1 改進和聲算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)對機票銷售量的預(yù)測 |
| 5.2 改進花授粉算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)對機票銷售量的預(yù)測 |
| 5.3 實驗結(jié)果對比分析 |
| 5.4 本章小結(jié) |
| 結(jié)論 |
| 參考文獻 |
| 攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文 |
| 致謝 |
（9）S公司產(chǎn)品需求預(yù)測模型研究（論文提綱范文）
| 摘要 |
| Abstract |
| 1 緒論 |
| 1.1 研究背景 |
| 1.2 研究目的與意義 |
| 1.3 國內(nèi)外研究現(xiàn)狀 |
| 1.3.1 需求預(yù)測方法理論概述 |
| 1.3.2 快速消費品預(yù)測現(xiàn)狀概述 |
| 1.4 主要研究內(nèi)容與框架 |
| 2 相關(guān)理論綜述 |
| 2.1 SARIMA時間序列模型 |
| 2.1.1 平穩(wěn)性 |
| 2.1.2 純隨機性 |
| 2.1.3 SARIMA模型的理論表述 |
| 2.1.4 SARIMA建模步驟 |
| 2.2 SVR模型 |
| 2.3 BP神經(jīng)網(wǎng)絡(luò) |
| 2.3.1 神經(jīng)元模型 |
| 2.3.2 感知機與多層網(wǎng)絡(luò) |
| 2.3.3 BP神經(jīng)網(wǎng)絡(luò) |
| 2.3.4 BP算法工作流程 |
| 2.3.5 BP算法的優(yōu)點與不足 |
| 2.4 Stacking集成 |
| 2.4.1 算法集成學(xué)習(xí) |
| 2.4.2 Stacking算法的基本思想 |
| 2.5 模型評估標(biāo)準(zhǔn) |
| 3 數(shù)據(jù)預(yù)處理 |
| 3.1 數(shù)據(jù)源分析 |
| 3.2 數(shù)據(jù)清洗 |
| 3.2.1 空值處理 |
| 3.2.2 異常值處理 |
| 3.3 影響因素構(gòu)建 |
| 4 需求預(yù)測例證分析 |
| 4.1 SARIMA模型 |
| 4.1.1 數(shù)據(jù)預(yù)處理 |
| 4.1.2 SARIMA模型與評估 |
| 4.1.3 模型的預(yù)測 |
| 4.2 SVR模型 |
| 4.3 BP神經(jīng)網(wǎng)絡(luò) |
| 4.4 Stacking集成算法 |
| 4.5 模型預(yù)測結(jié)果對比 |
| 5 結(jié)論與展望 |
| 5.1 研究結(jié)論 |
| 5.2 展望 |
| 參考文獻 |
| 后記 |
（10）基于馬爾科夫與BP神經(jīng)網(wǎng)絡(luò)的電商店鋪信用預(yù)測方法及其應(yīng)用（論文提綱范文）
| 致謝 |
| 摘要 |
| abstract |
| 1 緒論 |
| 1.1 研究背景及意義 |
| 1.2 國內(nèi)外研究現(xiàn)狀 |
| 1.2.1 電商信用研究現(xiàn)狀 |
| 1.2.2 預(yù)測問題研究現(xiàn)狀 |
| 1.3 論文的研究內(nèi)容、研究方法及技術(shù)路線 |
| 1.3.1 研究內(nèi)容 |
| 1.3.2 研究方法及技術(shù)路線 |
| 1.4 論文的創(chuàng)新點 |
| 1.5 論文組織結(jié)構(gòu) |
| 2 店鋪信用相關(guān)理論及技術(shù) |
| 2.1 數(shù)據(jù)挖掘 |
| 2.1.1 數(shù)據(jù)挖掘概述 |
| 2.1.2 網(wǎng)絡(luò)爬蟲技術(shù) |
| 2.2 電商店鋪信用評價 |
| 2.2.1 店鋪信用概念 |
| 2.2.2 信用評價方法 |
| 2.3 電商店鋪信用預(yù)測 |
| 2.3.1 店鋪預(yù)測概念 |
| 2.3.2 信用預(yù)測方法 |
| 2.4 本章小結(jié) |
| 3 馬爾科夫和BP神經(jīng)網(wǎng)絡(luò)模型的研究 |
| 3.1 馬爾科夫模型 |
| 3.2 BP神經(jīng)網(wǎng)絡(luò)模型 |
| 3.2.1 神經(jīng)網(wǎng)絡(luò)概念 |
| 3.2.2 BP神經(jīng)網(wǎng)絡(luò)算法 |
| 3.2.3 基于LM算法的BP神經(jīng)網(wǎng)絡(luò) |
| 3.3 馬爾科夫修正BP神經(jīng)網(wǎng)絡(luò)模型 |
| 3.4 本章小結(jié) |
| 4 電商店鋪信用評價模型 |
| 4.1 現(xiàn)有的店鋪信用評價模型 |
| 4.1.1 目前淘寶網(wǎng)的信用評價模型 |
| 4.1.2 現(xiàn)有信用評價模型存在的問題 |
| 4.2 改進后店鋪信用評價模型 |
| 4.2.1 建立信用評價指標(biāo)體系 |
| 4.2.2 信用評價模型的參數(shù)設(shè)計 |
| 4.2.3 數(shù)據(jù)的采集與預(yù)處理 |
| 4.2.4 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計 |
| 4.2.5 基于Matlab的信用評價模型的構(gòu)建 |
| 4.3 信用評價模型的實驗驗證 |
| 4.4 本章小結(jié) |
| 5 電商店鋪信用預(yù)測模型 |
| 5.1 基于馬爾科夫的店鋪信用預(yù)測模型 |
| 5.2 基于BP神經(jīng)網(wǎng)絡(luò)的店鋪信用預(yù)測模型 |
| 5.3 基于馬爾科夫修正的BP神經(jīng)網(wǎng)絡(luò)的店鋪信用預(yù)測 |
| 5.4 模型預(yù)測性能評價與分析 |
| 5.5 本章小結(jié) |
| 6 總結(jié)與展望 |
| 6.1 總結(jié) |
| 6.2 展望 |
| 參考文獻 |
| 作者簡介 |
四、基于改進BP算法的商品銷售量的預(yù)測（論文參考文獻）
- [1]基于BP神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)挖掘技術(shù)探究及其在煤熱轉(zhuǎn)化數(shù)據(jù)規(guī)律分析中的應(yīng)用[D]. 謝良才. 西北大學(xué), 2021(12)
- [2]基于改進BP神經(jīng)網(wǎng)絡(luò)的外賣訂單預(yù)測研究[D]. 林英霞. 大連海事大學(xué), 2020(01)
- [3]基于BAYES-BP預(yù)測算法的電商平臺商品采購計劃研究[D]. 孫桐. 大連海事大學(xué), 2020(01)
- [4]基于神經(jīng)網(wǎng)絡(luò)的企業(yè)供應(yīng)鏈牛鞭效應(yīng)問題研究[D]. 楊光. 大連海事大學(xué), 2020(01)
- [5]基于數(shù)據(jù)挖掘技術(shù)的股票預(yù)測研究與應(yīng)用[D]. 王雪輝. 海南大學(xué), 2020(07)
- [6]基于GA-MIV-BP算法的二手車估價模型研究[D]. 楊思銳. 重慶理工大學(xué), 2020(08)
- [7]基于BP網(wǎng)絡(luò)的連鎖超市供應(yīng)鏈庫存預(yù)測與控制研究[D]. 劉楚輝. 甘肅政法學(xué)院, 2019(01)
- [8]改進BP神經(jīng)網(wǎng)絡(luò)在機票銷售量預(yù)測中的研究[D]. 李冰珂. 東北林業(yè)大學(xué), 2019(02)
- [9]S公司產(chǎn)品需求預(yù)測模型研究[D]. 喻楊. 東北財經(jīng)大學(xué), 2019(07)
- [10]基于馬爾科夫與BP神經(jīng)網(wǎng)絡(luò)的電商店鋪信用預(yù)測方法及其應(yīng)用[D]. 唐敬文. 中國計量大學(xué), 2019(02)
標(biāo)簽：神經(jīng)網(wǎng)絡(luò)模型論文; 牛鞭效應(yīng)論文; 預(yù)測模型論文; 網(wǎng)絡(luò)模型論文; 企業(yè)店鋪論文;