基于时序挖掘法的汽配件销售预测模型的研究

摘要

汽车产业被视为国民经济的支柱型产业，在经济发展的过程中具有举足轻重的作用。近年来，我国汽车零部件行业伴随整车市场高速发展的步伐而快速增长，行业规模不断扩张。随着信息化水平的提高，经销商销售数据的日益丰富，管理者对销售量的预测就显得十分必要了。经销商需要对汽车配件的市场需求进行预测，以保持合理的库存，使之既能满足对汽车配件的市场需求。因此，如何找到更好的方法挖掘出销售数据中隐藏的销售预测信息是一个非常重要而值得研究的课题。 本课题就是在研究比较现有预测模型的基础上，对传统的时间序列数据挖掘方法建立、选择并优化预测模型。将数据挖掘方法用于汽车备件销售量的预测，以提高预测精度和实用性。同时针对汽车零部件销售量的预测开展了预测模型建模的研究，从销售历史数据特征研究入手，选择建立并优化预测模型。利用BP神经网络、RBF神经网络和基于差分进化的BP网络，分别建立3个不同的预测模型。探索了采用基于最小二乘准则，将取得的3个预测模型合成为一个复合模型HANNFM。由此建立的复合模型，具有稳定性好、精度较高等特点。试验验证了它是一种有效的汽车零部件销售量预测的预测方法，对决策者有一定的参考价值。

目录

文摘

英文文摘

声明

1绪论

1.1 课题提出背景及意义

1.2 时间序列数据挖掘

1.3销售预测研究进展

1.4本文的研究内容和目标

1.5本文的组织结构

2时间序列预测技术的研究综述

2.1 时间序列趋势分析

2.2基于统计的时间序列预测

2.3 非线性时间序列的神经网络预测

2.4统计方法与神经网络比较

3时间序列的人工神经网络预测模型

3.1人工神经网络

3.2 BP网络

3.3 RBF网络

3.4基于进化差分的神经网络

4基于最小二乘准则的复合模型

4.1曲线拟合的最小二乘准则

4.2最小二乘估计量的性质

4.3基于最小二乘准则的复合神经网络预测模型

5汽车配件销售预测实验系统的设计与实现

5.1系统目标与说明

5.2实验系统的数据选择和转换

5.3系统功能结构的初步设计与实现

6试验结果与分析

6.1 RBF、BP和DE_BP网络预测模型试验结果与分析

6.2 HANNFM预测模型试验结果与分析

结论

参考文献

致 谢