基于神经网络的需求预测模型

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (22): 240-243.

基于神经网络的需求预测模型

高月芳1，梁永生2，唐飞3，欧志伟4

1.深圳信息职业技术学院软件工程系，广东深圳 518029
2.深圳信息职业技术学院，广东深圳 518029
3.深圳信息职业技术学院科研设备处，广东深圳 518029
4.思佰创供应管理有限公司，广东深圳 518026

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-08-01 发布日期:2011-08-01

Forecasting model based on neural network

GAO Yuefang1，LIANG Yongsheng2，TANG Fei3，OU Zhiwei4

1.Department of Software Engineering，Shenzhen Institute of Information Technology，Shenzhen，Guangdong 518029，China
2.Shenzhen Institute of Information Technology，Shenzhen，Guangdong 518029，China
3.Department of Science Research & Equipment，Shenzhen Institute of Information Technology，Shenzhen，Guangdong 518029，China
4.Sourcing Spectrum （HK） Limited，Shenzhen，Guangdong 518026，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-08-01 Published:2011-08-01

摘要/Abstract

摘要： 零售业的销售过程中积累了大量数据，如何从这些海量数据中提取知识、建立有效的需求预测模型，为零售商提供市场和趋势分析、降低库存成本是零售行业亟待解决的问题。在传统的零售业需求预测模型——Holt-Winter模型中应用神经网络方法，使得需求预测不依赖于数学模型的精度，预测模型中的季节性影响因子等参数能够根据预测误差作相应调整，避免了传统算法中误差的累积，大大提高了预测精度。利用Excel内嵌的VBA实现了该算法，使需求预测能够根据用户需要实现，并提供可视化的结果。

关键词: Holt-Winter模型, 神经网络, 零售业, 需求预测

Abstract: To obtain the inherent laws from large amounts of data records in retail industry and to provide valuable information for retailers，this paper presents a neural-network-based forecasting algorithm，which adopts Holt-Winters’ model and a neural network.Different from traditional forecasting algorithms，this algorithm rearranges Holt-Winters model，and builds a neural network on it.Furthermore，it puts forward a training algorithm to optimize the adjustable neural network weights by minimizing a defined cost function，which has greatly improved the forecasting accuracy.In addition，by applying the Excel VBA embedded，this paper achieves the realization of demand forecasting in accordance with user needs，and provides visualization of the results.

Key words: Holt-Winters’ model, neural network, retail industry, forecasting algorithm

高月芳1，梁永生2，唐飞3，欧志伟4. 基于神经网络的需求预测模型[J]. 计算机工程与应用, 2011, 47(22): 240-243.

GAO Yuefang1，LIANG Yongsheng2，TANG Fei3，OU Zhiwei4. Forecasting model based on neural network[J]. Computer Engineering and Applications, 2011, 47(22): 240-243.

[1]	许昊，张凯，田英杰，种法广，王子超. 深度神经网络图像描述综述[J]. 计算机工程与应用, 2021, 57(9): 9-22.
[2]	冉蓉，徐兴华，邱少华，崔小鹏，欧阳斌. 基于深度卷积神经网络的裂纹检测方法综述[J]. 计算机工程与应用, 2021, 57(9): 23-35.
[3]	牟清萍，张莹，张东波，王新杰，杨知桥. 目标丢失判别机制的视觉跟踪算法及应用研究[J]. 计算机工程与应用, 2021, 57(9): 140-147.
[4]	包志强，邢瑜，吕少卿，黄琼丹. 改进YOLO V2的6D目标姿态估计算法[J]. 计算机工程与应用, 2021, 57(9): 148-153.
[5]	王林，柴江云. 深度神经网络在多场景车辆属性识别中的研究[J]. 计算机工程与应用, 2021, 57(9): 162-167.
[6]	赵志焱，杨华，胡志伟，宇海萍. 基于TACNN的玉露香梨叶虫害识别[J]. 计算机工程与应用, 2021, 57(9): 176-181.
[7]	周伦钢，孙怡峰，王坤，吴疆，黄维贵，李炳龙. 目标多种多值属性的端端快速识别网络[J]. 计算机工程与应用, 2021, 57(9): 182-190.
[8]	张成，戴俊峰，熊闻心. 融合LeNet-5改进的扫描文档手写日期识别[J]. 计算机工程与应用, 2021, 57(9): 207-211.
[9]	麻哲旭，杨峰，乔旭. 铁路路基病害智能检测方法[J]. 计算机工程与应用, 2021, 57(9): 272-278.
[10]	蒋斌，钟瑞，张秋闻，张焕龙. 采用深度学习方法的非正面表情识别综述[J]. 计算机工程与应用, 2021, 57(8): 48-61.
[11]	李震霄，孙伟，刘明明，郑丽丽，陈劭颖. 交通监控场景中的车辆检测与跟踪算法研究[J]. 计算机工程与应用, 2021, 57(8): 103-111.
[12]	张越，黄友锐，刘鹏坤. 引入注意力机制的多分辨率人体姿态估计研究[J]. 计算机工程与应用, 2021, 57(8): 126-132.
[13]	李现国，冯欣欣，李建雄. 多尺度残差网络的单幅图像超分辨率重建[J]. 计算机工程与应用, 2021, 57(7): 215-221.
[14]	翟正利，李鹏辉，冯舒. 图对抗攻击研究综述[J]. 计算机工程与应用, 2021, 57(7): 14-21.
[15]	祝钧桃，姚光乐，张葛祥，李军，杨强，王胜，叶绍泽. 深度神经网络的小样本学习综述[J]. 计算机工程与应用, 2021, 57(7): 22-33.