基于混合预测模型的供应链商家商品需求研究
Journal: Advances in Computer and Autonomous Intelligence Research DOI: 10.12238/acair.v2i2.7379
Abstract
本文基于现有销售数据,对供应链商品的售卖规律、未来各时期销售量进行建模分析。首先针对商品数据进行相关描述性统计分析;分别使用Croston间歇性时间序列预测和基于粒子群算法的ARIMA-SVR混合预测模型对各商品需求进行预测及比较分析,得到较为准确的预测结果,数据准确率较高。选择K-means方法将数据分成10类。再从数据中分别挑选与每个序列相同的时间构成等长序列;对数据中的等长序列使用余弦相似度进行分析,计算序列间的相似度,找出最相似的序列;然后分别使用之前构建的序列的ARIMA-SVR混合预测模型对与其相似的序列进行预测分析,再对结果进行的指标评价,发现数据准确率较高。最后,本文对所使用的预测与分类模型进行分析,发现模型精度较高。
Keywords
Croston间歇时间序列预测;基于PSO的ARIMA-SVR混合预测模型;K-means聚类;余弦相似度
Full Text
PDF - Viewed/Downloaded: 0 TimesReferences
[1] 郎祎平.面向工业大数据的时间序列迁移预测方法[D].河南:河南师范大学,2022.
[2] 智能供应链:预测算法理论与实战[M],北京:电子工业出版社,2023.
[3] 郎祎平,毛文涛,罗铁军,等.间歇性时间序列的可预测性评估及联合预测方法[J].计算机应用,2022,42(9):2722-2731.
[2] 智能供应链:预测算法理论与实战[M],北京:电子工业出版社,2023.
[3] 郎祎平,毛文涛,罗铁军,等.间歇性时间序列的可预测性评估及联合预测方法[J].计算机应用,2022,42(9):2722-2731.
Copyright © 2024 王雨佳, 薛梓玥, 闫诗梦
![Creative Commons License](http://licensebuttons.net/l/by-nc/4.0/88x31.png)
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License