卷煙配送中心訂單預測及系統(tǒng)實現(xiàn).pdf

1、在卷煙行業(yè)應對市場開放，推行“訂單供貨”改革的背景下，卷煙企業(yè)準確預測卷煙訂單、把握市場需求變得極為重要。準確預測配送中心的訂單能夠為確定訂貨點和訂貨量提供數據支持，能夠進一步降低庫存成本，提高客戶訂單的滿足率。使煙草供應鏈能更有效地組織采購、生產和配送等環(huán)節(jié)，使其整體效益得到提高。 論文對卷煙配送中心的客戶訂單進行按時期、品牌、區(qū)域的多維預測。在預測年訂單量時，采用了回歸模型、灰色模型、自適應二次指數平滑及移動平均等七種模型。

2、其中，對數回歸模型預測結果的平均準確率最高，達到98.45﹪，灰色模型GM(1，1)、地區(qū)生產總值回歸模型、自適應二次指數平滑法、線性回歸模型、指數回歸模型及移動平均模型預測結果的平均準確率依次為98.25﹪，97.16﹪，96.85﹪，96.21﹪，95.6﹪，84.97﹪。 在進行卷煙月訂單量預測時，采用四層BP(Back Propagation)神經網絡(NN)進行預測。同時，利用遺傳算法(GA)優(yōu)化神經網絡的權值，克服神

3、經網絡權值搜索陷入局部最優(yōu)的弱點。該方法加快了收斂速度，提高了網絡的泛化能力。通過訓練、測試神經網絡達到了預期準確率(98﹪)。在預測月訂單量時，還采用了回歸模型、灰色模型及自適應二次指數平滑模型，其中，預測效果較優(yōu)的線性回歸模型平均準確率達到96.9﹪，自適應的二次指數平滑模型對全部煙、省內煙、省外煙普遍適用，預測平均準確率分別為96.81﹪，97.12﹪，85.6﹪。 考慮到卷煙配送中心的實際工作周期及季節(jié)的影響，進行日訂單

4、量預測時，論文引入了日期特征標識(PROPERTY_TAG)，對預測加以修正，提高了預測精度，并且便于程序實現(xiàn)。在此基礎上，論文采用基于農歷的比例模型、區(qū)域趨勢模型、ARMA模型及遺傳算法優(yōu)化的神經網絡模型進行預測。GA優(yōu)化的BP神經網絡模型通過訓練達到預定的98﹪的平均準確率，但是運算時間隨著訓練樣本和進化代數的增加而成倍增加。基于農歷的比例模型和區(qū)域趨勢模型能反映卷煙配送中心訂單的實際情況，平均準確率分別為90.87﹪，95.61﹪

5、。ARMA的預測平均準確率為96.61﹪。在預測卷煙的周訂單量預測時，采用了基于特征標識的日均銷量累加模型和區(qū)域趨勢累加模型。前者的平均準確率為94.15﹪，耗時為14s，優(yōu)于后者。 論文基于J2EE平臺實施卷煙配送中心訂單預測Web系統(tǒng)開發(fā)，采用基于Struts框架的結構，使得視圖和邏輯分離，便于模型的改進，增強了程序的可重用性。該系統(tǒng)具有良好的人機交互性，預測結果準確直觀，為決策者提供了數據支持。同時程序具有可擴展性，能夠進