基于計算智能技術的需求預測方法研究.pdf

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