基于計算智能技術的需求預測方法研究.pdf_第1頁
已閱讀1頁,還剩78頁未讀 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

1、本文主要工作與創(chuàng)新點如下: (1)考慮到零售業(yè)需求預測問題的高維和小樣本特性,提出了一種基于遺傳算法特征選擇的支持向量機需求預測方法WFSSVM(Wrapper FeatureSelection optimized SVM)。該方法采用封裝式特征選擇法,將支持向量機作為特征選擇的評估算法,提高了預測精度。同時建立了一種參考查找表的結構,記錄遺傳算法染色體的評估結果,避免了進化過程中的重復計算,改善了因采用封裝式特征選擇而造成的算

2、法效率問題。 (2)為有效地將專家經(jīng)驗引入智能預測模型、更好刻畫影響需求的離散語義因素、提高預測精度和增強預測模型的可理解性,提出了一種基于遺傳算法的模糊神經(jīng)網(wǎng)絡需求預測方法GABPFNN(Genetic Algorithm and BackPropagation Algorithm based Fuzzy Neural Network)。該方法使用自適應遺傳算法對非對稱高斯隸屬度函數(shù)的相關參數(shù)進行尋優(yōu),并根據(jù)可調節(jié)精度閾值,自

3、動從訓練樣本中學習盡可能多的模糊規(guī)則,該樣本規(guī)則庫和專家規(guī)則庫合并形成用于最終推理的模糊規(guī)則庫。同時,在模糊推理時采用次優(yōu)模糊規(guī)則匹配策略,保證了規(guī)則精確匹配失敗情況下仍能產(chǎn)生近似最優(yōu)的推理結果。此外,采用遺傳算法和反向傳播算法結合的混合算法來學習和訓練網(wǎng)絡結構,可以進一步提高模型的泛化能力。 (3)針對智能模型建模過程中訓練強學習器難度較大的問題,為了避免復雜而繁瑣的學習器參數(shù)調整過程,同時也為進一步提高預測模型的泛化能力,本

4、文將集成學習方法引入到需求預測領域,提出了一種基于遺傳算法的選擇性支持向量機集成需求預測方法GAEnSVM(Genetic Algorithm based EnsembleSupport Vector Machine)。該方法首先通過Bootstrap算法生成多個訓練樣本,并基于該訓練樣本采用網(wǎng)格參數(shù)搜索法建模不同的個體支持向量機,然后利用遺傳算法對個體支持向量機進行選擇,最后以簡單平均法合成集成的結果。這樣,一方面降低了強學習預測模型

5、的構建難度,提高了模型的易用性;另一方面通過對集成個體的選擇,極大提高了預測模型的泛化能力。 (4)通過對零售業(yè)行業(yè)特性的調研和分析,本文建立了一種零售企業(yè)需求關系模型。然后,基于對某啤酒零售商的調研結果,設置需求模型的相關參數(shù),實現(xiàn)對該啤酒零售商不同品類規(guī)劃方案下供需關系的模擬,并利用本文提出的方法對該啤酒零售商數(shù)據(jù)進行需求預測。一方面驗證了本文方法在提高預測精度、降低安全庫存和提升企業(yè)利潤上的優(yōu)越性,另一方面也證明了該需求關

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論