基于計(jì)算智能技術(shù)的需求預(yù)測(cè)方法研究.pdf

1、本文主要工作與創(chuàng)新點(diǎn)如下： (1)考慮到零售業(yè)需求預(yù)測(cè)問(wèn)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(jī)需求預(yù)測(cè)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(jī)作為特征選擇的評(píng)估算法，提高了預(yù)測(cè)精度。同時(shí)建立了一種參考查找表的結(jié)構(gòu)，記錄遺傳算法染色體的評(píng)估結(jié)果，避免了進(jìn)化過(guò)程中的重復(fù)計(jì)算，改善了因采用封裝式特征選擇而造成的算

2、法效率問(wèn)題。 (2)為有效地將專家經(jīng)驗(yàn)引入智能預(yù)測(cè)模型、更好刻畫(huà)影響需求的離散語(yǔ)義因素、提高預(yù)測(cè)精度和增強(qiáng)預(yù)測(cè)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(luò)需求預(yù)測(cè)方法GABPFNN(Genetic Algorithm and BackPropagation Algorithm based Fuzzy Neural Network)。該方法使用自適應(yīng)遺傳算法對(duì)非對(duì)稱高斯隸屬度函數(shù)的相關(guān)參數(shù)進(jìn)行尋優(yōu)，并根據(jù)可調(diào)節(jié)精度閾值，自

3、動(dòng)從訓(xùn)練樣本中學(xué)習(xí)盡可能多的模糊規(guī)則，該樣本規(guī)則庫(kù)和專家規(guī)則庫(kù)合并形成用于最終推理的模糊規(guī)則庫(kù)。同時(shí)，在模糊推理時(shí)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(jié)果。此外，采用遺傳算法和反向傳播算法結(jié)合的混合算法來(lái)學(xué)習(xí)和訓(xùn)練網(wǎng)絡(luò)結(jié)構(gòu)，可以進(jìn)一步提高模型的泛化能力。 (3)針對(duì)智能模型建模過(guò)程中訓(xùn)練強(qiáng)學(xué)習(xí)器難度較大的問(wèn)題，為了避免復(fù)雜而繁瑣的學(xué)習(xí)器參數(shù)調(diào)整過(guò)程，同時(shí)也為進(jìn)一步提高預(yù)測(cè)模型的泛化能力，本

4、文將集成學(xué)習(xí)方法引入到需求預(yù)測(cè)領(lǐng)域，提出了一種基于遺傳算法的選擇性支持向量機(jī)集成需求預(yù)測(cè)方法GAEnSVM(Genetic Algorithm based EnsembleSupport Vector Machine)。該方法首先通過(guò)Bootstrap算法生成多個(gè)訓(xùn)練樣本，并基于該訓(xùn)練樣本采用網(wǎng)格參數(shù)搜索法建模不同的個(gè)體支持向量機(jī)，然后利用遺傳算法對(duì)個(gè)體支持向量機(jī)進(jìn)行選擇，最后以簡(jiǎn)單平均法合成集成的結(jié)果。這樣，一方面降低了強(qiáng)學(xué)習(xí)預(yù)測(cè)模型

5、的構(gòu)建難度，提高了模型的易用性；另一方面通過(guò)對(duì)集成個(gè)體的選擇，極大提高了預(yù)測(cè)模型的泛化能力。 (4)通過(guò)對(duì)零售業(yè)行業(yè)特性的調(diào)研和分析，本文建立了一種零售企業(yè)需求關(guān)系模型。然后，基于對(duì)某啤酒零售商的調(diào)研結(jié)果，設(shè)置需求模型的相關(guān)參數(shù)，實(shí)現(xiàn)對(duì)該啤酒零售商不同品類規(guī)劃方案下供需關(guān)系的模擬，并利用本文提出的方法對(duì)該啤酒零售商數(shù)據(jù)進(jìn)行需求預(yù)測(cè)。一方面驗(yàn)證了本文方法在提高預(yù)測(cè)精度、降低安全庫(kù)存和提升企業(yè)利潤(rùn)上的優(yōu)越性，另一方面也證明了該需求關(guān)