基于神经网络的销售分析预测研究与应用

东华大学硕士学位论文基于神经网络的销售分析预测研究与应用姓名：李必辉申请学位级别：硕士专业：计算机应用技术指导教师：刘晓强20071201基于神经网络的销售分析预测研究与应用作者：李必辉学位授予单位：东华大学相似文献(10条)1.学位论文刘旭基于粗集和神经网络的销售预测研究2007商品销售是一个高度复杂的非线性动态系统，其变化规律即有一定的自身的趋势性，又受政治的、经济的、心理的诸多因素的影响。建立在数理统计基础上的传统定量预测方法在对销售市场的研究中面临着许多困难，而神经网络具有自组织、自适应等特点，能自动从历史数据中提取有关经济活动中的知识，因而非常适用于解决销售预测领域中的一些问题，已有大量的仿真结果表明，神经网络在销售预测应用中有一定的实用性。神经网络是利用非线性映射的思想和并行处理的方法，用本身结构表达输入与输出关系知识的隐函数编码，输入空间与输出空间的映射关系是通过网络结构不断学习、调整、最后得到网络的特定结构表达，实现有导师学习。但其一般不能处理具有语义形式的输入，并且不能简化信息空间维数，当输入信息空间维数规模较大时，网络结构复杂、训练时间过长。粗集理论基于属性依赖性、约简、核、规则提取和可辨识矩阵等概念，实现对信息系统的预处理，去除冗余属性和冗余样本，压缩信息空间维数，精简知识系统，论文在分析研究这两种方法的基础上，提出了一种基于粗集理论和神经网络的预测模型。粗集可以作为前置系统从商品销售数据中挖掘出影响销售的几种较重要的属性。在不降低数据一致性的前提下，最终得到尽可能精简的属性集。以此尽可能地减少神经网络的输入，而又不影响网络对事件的检测能力。从而减少神经网络的复杂度和训练时间，提高预测的速度和精度。论文将神经网络与粗集理论相结合，这种基于粗集理论的神经网络模型和学习算法具有学习速度快、容错能力较强、在提高神经网络预测精度的同时降低了学习负担。为了获得更优的预测精度，还采用组合神经网络结构。将该模型用于一酒业的销售预测应用中，并对更单一预测模型分别进行了实证分析和比较研究。最后，对全文所做的工作进行了总结，并对下一步研究工作进行了展望。2.期刊论文吴正佳.王文.周进.WuZheng-jia.WangWen.ZhouJinBP神经网络在备货型企业销售预测中的应用-工业工程2010,13(1)结合BP神经网络能学习和存贮大量的输入-输出模式映射关系,无需事前揭示描述这种映射关系的数学方程的特点,分析了BP神经网络在备货型企业销售预测中算法实现过程,根据某备货型企业的销售记录情况,建立了基于BP神经网络的销售预测模型.实例结果表明,此方法计算结果误差较小,结果明显优于移动平滑法等方法,可用于指导实际生产决策.3.学位论文马丽华基于BP神经网络的卷烟配送中心销售预测2008随着市场经济的发展，企业日益需要高质量的销售预测为其管理决策提供支持，近年来人工神经网络(ArtificialNeuralNetwork，ANN)技术已较多的应用于销售预测并显示出一定的优势，怎样优化ANN来取得更好的预测效果成为研究的热点。卷烟配送中心的销售是一个非线性复杂系统，通过对ANN参数的反复训练能够获得数据间的依存关系，实现对任意复杂函数的映射。BP神经网络(Back-propagationNeuralNetwork，BPNN)因其结构简单易于实现，在销售预测中得到广泛应用。然而迄今为止，对于BPNN结构的设计没有构造性结论。论文运用计算能力和计算特性均较好的C语言编写了BPNN预测程序，使用某卷烟配送中心的实际销售数据，对年、月、周销售预测中影响BPNN预测精度和收敛速度的主要因素：输入数据确定、样本数据选择及处理方法、隐层节点数以及学习速率和动量因子的确定进行了详细讨论。利用BPNN预测年销量时，对收敛速度及误差进行综合考虑来确定最佳隐层节点数，获得训练样本及测试样本的预测平均准确率分别为99.98％和94.21％：而预测效果最好的传统预测模型(对数回归模型)的预测平均准确率为98.52％。利用BPNN预测月销量时，对影响因素、隐层节点数的设计、样本数据的处理以及学习速率和动量因子的选择等深入研究进行确定，并通过调整输入数据中的月份因子对网络进一步改进，预测精度总体比调整前提高了2个百分点达到了95.62％，特殊月份提高了18个百分点(即2月份从75.56％提高到93.56％)；训练样本及测试样本预测的平均准确率分别为98.46％和95.62％，BPNN较传统模型(预测效果最好的指数回归模型90.33％)表现出明显的优越性。周销量预测时，对工作周进行了重新定义并引入节假日因子，选择合适的样本，训练样本及测试样本预测的平均准确率分别为98.09％和95.32％，结果表明神经网络适用于卷烟配送中心的周销量预测。上述研究结果表明网络结构参数的优化能够明显改进神经网络的性能，并证明BPNN在非线性卷烟预测中的适用性和优越性。4.学位论文凤德伟基于神经网络的短期销售预测2005本文在分析和研究预测技术、销售预测特点、神经网络原理及BP网络及训练算法的基础上，提出了用引入月份因子及运用贝叶斯正则化的方法来提高BP神经网络泛化能力，并应用于苏州某快速消费品公司具有淡、旺季特性的产品短期销售量预测。实际应用结果表明：采用月份因子及贝叶斯正则化方法后，预测精度有大幅提高。销售预测的关键问题是如何提高预测的精度。主要难点在于两个方面：如何选用合适的算法和运用的技术、算法本身的局限性，及如何给予预测系统合适的、能代表真实的销售变化趋势的输入参数。本文通过采用贝叶斯正则化方法来克服BP神经网络泛化能力较弱的问题，通过引入月份因子，将平时积累的宝贵经验经量化后，作为网络的输入参数，使得输入更能代表销售量的实际变化趋势。5.期刊论文邱俊.张瑞林.QIUJun.ZHANGRui-lin基于遗传算法的循环神经网络在销售预测中的应用-浙江理工大学学报2007,24(3)企业产品销售额的分布具有动态的特性,循环神经网络能够直接地反映系统动态、非线性的特性,因此,考虑用循环神经网络来预测企业产品的销售额,同时为了避免训练陷入区域极小值,用遗传算法来改进网络的权值算法.实验表明基于遗传算法的循环神经网络可以预测出销售额的变化趋势,能取得不错的预测效果.6.学位论文宋英超基于数据挖掘的销售预测决策支持系统研究2005销售预测是企业供应链管理的关键环节，通过销售预测，企业可以制定科学合理的原材料采购计划、生产计划、人员配备计划、库存计划以及营销计划。因此，销售预测决策支持系统对企业的经营决策具有重要的研究意义。本文对基于数据挖掘的销售预测决策支持系统进行了以下研究和探索。(1)在对销售预测，决策支持系统，数据仓库，数据挖掘等做了深入研究后，将数据仓库、数据挖掘引入销售预测决策支持系统中，提出了系统的设计思路。(2)在需求分析和系统功能设定的基础上进行系统的总体结构设计和功能模块设计，并确定了数据仓库和数据挖掘技术在系统中要解决的问题。(3)根据需求分析，提出销售预测的主题，并对数据仓库进行设计，包括概念设计、逻辑设计、物理设计、数据迁移，最后对产品销售数据进行切片和切块分析。(4)根据数据挖掘的目标选择合适的数据挖掘算法，根据实际需要重点对决策树、神经网络、关联规则的算法以及不同的方法在销售预测中所能解决的问题进行了研究和探讨；(5)通过实例分析，构建数据仓库，应用神经网络的挖掘方法，对销售历史数据进行分析，然后用训练好的神经网络预测在特定条件下的销售额和销售利润。验证系统的有效性。本文设计的系统是一个问题导向的销售预测决策支持系统，具有友好的人机交互能力和智能化。能够帮助管理者和分析人员从海量数据中，发现销售过程中的潜在规则和问题，预测未来的销售形势。具体来说，能够对产品的销售量、销售额、价格等进行预测，分析客户的偏好，分析产品销售的淡旺季，进行客户细分等，以促进产品销售，增加企业利润，并为企业的生产计划、采购计划、库存计划、促销计划等提供决策支持。本文的创新点在于将数据仓库、数据挖掘技术应用到销售预测决策支持系统中。首先，提出了系统的总体结构和功能模块，以及数据仓库和数据挖掘在销售预测中要解决的问题。其次，使用实际数据进行了实例分析，验证了系统的有效性，体现了本研究的价值和意义。7.会议论文郭燕敏.裴海龙.谢斌神经网络在雅芳销售预测中的应用2002中国雅芳的市场行为是一种复杂的非线性行为,其独特的销售模式使传统的预测方法(如线性回归法、时间序列法)在其销售预测中难以奏效.本文采用基于神经网络的预测模型,利用BP算法,通过对以往营销行为的有监督学习,使神经网络模拟复杂的非线性的市场行为,从而得到较为精确的预测结果.8.学位论文李雅莉基于数据仓库和数据挖掘的企业决策支持系统研究2007传统的决策支持系统是基于数据库和模型库的，由于数据库只能对原始数据进行一般的加工和汇总，致使决策所需信息不足，而模型库很难适应决策本身的动态性和复杂性，两库被独立的设计，缺乏内在的统一性。随着计算机技术的不断发展，以数据仓库为基础、以联机分析处理和数据挖掘为手段的新决策支持系统，现已成为发展趋势。针对新决策支持系统架构，本文以零售企业销售预测为切入点，重点研究数据仓库的构建、多维数据集和联机分析处理以及用于销售预测的数据挖掘算法，并对提出的算法进行测试，开发了三层C/S模式的零售企业销售预测决策支持系统。主要研究内容和结论如下：(1)针对企业信息化建设和市场竞争的需要，在分析传统决策支持系统不足的基础上，提出了基于数据仓库和数据挖掘的新决策支持系统体系架构，并对新决策支持系统进行了分析。(2)为了将分布在企业网络中不同站点的商业数据集成到一起，使企业的业务操作环境和信息分析环境分离，根据需求分析，构建了以销售预测为决策主题的数据仓库，确定逻辑模型并建立了相应的事实表和维表，在SQLServer2000中创建数据仓库的物理模型，设计了实现数据提取、转换、加载和自动更新的DTS包。从而有效地为决策者提供了各种类型的、充分可靠的数据基础。(3)为了对数据仓库中的数据进行有效分析，帮助企业掌握运营情况，了解市场需求，建立了面向分析的多维数据集，并用联机分析处理对多维数据集中的数据用切片、切块、钻取和旋转等方式进行分析，用MDX多维查询语言对多维数据集中的数据进行复杂查询，从中发现有用信息。并提出了对OLAP分析数据展现的三种解决方案。(4)为了利用数据挖掘技术对销售量、销售利润进行分析来预测将来的发展趋势，针对销售预测的特点，提出了用线性回归分析方法进行预测，在研究多元线性回归分析方法及其建模的基础上，提出了建立影响商品销售量的因素(销售时间、商品种类、商品价格、顾客购买力)与销售量之间的四元线性回归模型，并用FoodMart连锁企业的销售数据进行验证，得出平均绝对百分比误差为66.77％，预测效果较差。(5)针对回归分析方法只是用静止的观点描述各经济变量之间的因果关系，没有考虑现实经济活动的动态发展的不足，提出了用时间序列中的AR模型进行预测。分析了AR模型的建模步骤，研究并建立了AR销售预测模型，验证结果表明：AR模型平均绝对百分比误差为18.3％，为良好预测模型，可以用来进行销售预测。(6)针对线性回归和AR模型都是采用线性统计分析的缺陷，提出了采用BP神经网络来进行数据挖掘的销售预测。在研究BP网络的基础上，提出了用于销售预测的网络模型结构，网络的输入为影响某类商品销售的销售时间、商品价格、顾客购买力、AR模型中的时间序列，输出为不同地点某类商品的销售量，建立三层网络结构，利用自适应学习速率和附加动量法对网络进行训练，通过实验确定了预测精度较高的历史数据长度。运行分析后得出平均绝对百分比误差为15.13％，预测精度较AR模型高。(7)基于数据仓库、数据挖掘、联机分析处理技术研究的基础上，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