基于改进的BP神经网络库存预测模型及其应用研究

摘要

为了应对越来越激烈的市场竞争，制造业企业往往采用增加产品产量来提高其市场占有率。这使得企业对于原材料、零部件、半成品及成品的库存量会大大增加，企业的库存成本势必也随即增长。为了提高顾客满意度，降低企业的库存成本，库存控制就成为了提高企业竞争力的关键因素。因此，库存需求预测越来越被企业所重视。
　　传统的库存需求预测方法有很多，但是在企业规模扩大和客户个性化、多元化、定制化需求增长等“多重因素”的影响下，传统的库存预测方法已然很难满足预测要求，预测误差比较高，预测精确度比较低。因此，为了解决困扰很多企业的库存问题，企业如何合理控制库存成本，寻求一种更好的库存需求预测方法以解决上述问题，就显得尤为重要。
　　在阅读大量库存预测的文献后发现，随着BP神经网络的出现与发展，其特有的学习、概括、非线性特质已逐渐被挖掘出来并充分地应用在了预测领域。目前，分类方法与BP神经网络的结合是目前研究BP神经网络的一个研究热点。本论文以M公司智能物流快递柜的库存需求为研究背景，在相关学者对库存预测的研究基础上提出了两点改进与优化。
　　第一，本文多角度地分析了M公司智能物流快递柜库存需求的影响因素，在前人研究的基础上，为了更好的提高客户满意度，将主成分分析法建立在顾客需求的层次上对BP神经网络的输入变量进行数据预处理（筛选处理），即将质量屋模型与主成分分析法组合形成的综合因素分析法对BP神经网络的输入变量进行预处理。
　　第二，针对BP神经网络隐含层节点数的选择问题，很多专家学者都是根据经验公式得到一个确定的值但其经验性过强。为了解决这一问题，本论文提出“二分分割法”的优化算法，该方法可更快速、更精确的选择最佳隐含层节点数。首先，根据前人总结的经验公式确定一个隐含层节点数的大致范围，其次利用“二分分割法”缩小区间范围并反复比较区间内隐含层节点数对应的BP神经网络预测输出均方误差，最后确定均方误差最小的那个节点数即本论文想要得到的最佳隐含层节点数。
　　本论文的最终目的是构建预测M公司智能物流快递柜库存需求量的方法-BP神经网络库存预测模型。利用MATLAB软件分别对改进前后的BP神经网络预测模型进行实验训练、仿真预测，得到最后的预测输出。应用研究表明改进后的BP神经网络库存预测模型的预测输出误差更小，预测精确度更高。

目录

封面

中文摘要

英文摘要

目录

第1章 绪论

1.1 研究背景及意义

1.2 国内外研究现状

1.3 研究内容、方法和技术路线

第2章 基础理论概述

2.1 库存理论概述

2.2 库存管理理论概述

2.3 预测理论概述

2.4 BP神经网络

2.5 本章小结

第3章 BP神经网络预测模型改进优化

3.1 影响因素分析

3.2 分类方法优化

3.3 隐含层优化

3.4 本章小结

第4章 改进前后BP神经网络预测模型对比分析

4.1 MATLAB学习

4.2 数据处理

4.3 改进前BP神经网络预测模型分析

4.4 改进后BP神经网络预测模型分析

4.5 改进前后预测模型对比分析

4.6 本章小结

第5章 结论与展望

参考文献

发表论文和参加科研情况说明

致谢

附录

声明