模糊神經(jīng)灰色預(yù)測(cè)算法及其在TAC-SCM中的應(yīng)用研究.pdf

1、價(jià)格預(yù)測(cè)算法的研究,作為供應(yīng)鏈管理的出價(jià)訂制中不可或缺的一部分,對(duì)于未知價(jià)格進(jìn)行模擬并形成相應(yīng)訂單提供了理論和實(shí)踐支持,本文通過分析供應(yīng)鏈歷史成交價(jià),建立組合模糊神經(jīng)灰色預(yù)測(cè)算法對(duì)其進(jìn)行模擬,預(yù)測(cè)其發(fā)展規(guī)律,為供應(yīng)鏈訂單出價(jià)提供數(shù)據(jù)支持。
　　不同的預(yù)測(cè)方法在處理信息時(shí)注重點(diǎn)不同,如果單純地使用單一預(yù)測(cè)算法,如此會(huì)舍去某些有用的信息,導(dǎo)致預(yù)測(cè)不全面以致預(yù)測(cè)精度下降。所以如今常結(jié)合多種預(yù)測(cè)算法綜合預(yù)測(cè)。組合預(yù)測(cè)算法通過全面綜合的分析

2、預(yù)測(cè)模型,在預(yù)測(cè)時(shí)候減少對(duì)于影響因子的丟失,更大程度上分析預(yù)測(cè)樣本各類信息,從而提高預(yù)測(cè)的精度。目前,組合預(yù)測(cè)模型通過在各個(gè)領(lǐng)域中運(yùn)用,并取得了良好的成效。
　　GM(1,1)模型因其基于“小樣本量”和“不全信息”分析的品質(zhì),簡(jiǎn)單實(shí)用等優(yōu)點(diǎn),從而在灰色預(yù)測(cè)中占有重要的一席之地,且適用于供應(yīng)鏈歷史信息少,不完整的模型,所以將灰色算法與其他預(yù)測(cè)算法進(jìn)行結(jié)合,發(fā)揮組合算法互補(bǔ)的特點(diǎn),綜合各類算法功能特點(diǎn)。本文的主要?jiǎng)?chuàng)新點(diǎn)和貢獻(xiàn)有:

3、>　　為了解決灰色預(yù)測(cè)在預(yù)測(cè)較長(zhǎng)數(shù)據(jù)時(shí),會(huì)導(dǎo)致預(yù)測(cè)精度不足的缺陷,本人引入了模糊神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)算法,首先將歷史數(shù)據(jù)進(jìn)行分段灰色預(yù)測(cè),將預(yù)測(cè)誤差形成長(zhǎng)期訓(xùn)練集通過神經(jīng)網(wǎng)絡(luò)訓(xùn)練學(xué)習(xí)得出預(yù)測(cè)精度誤差,通過誤差值修正灰色預(yù)測(cè)值。這樣既保留了灰色預(yù)測(cè)短期預(yù)測(cè)的優(yōu)點(diǎn),又發(fā)揮神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的學(xué)習(xí)機(jī)制,形成組合預(yù)測(cè)算法以達(dá)到提高預(yù)測(cè)精度的要求。
　　最后將組合的模糊神經(jīng)灰色預(yù)測(cè)算法應(yīng)用于解決TAC-SCM供應(yīng)鏈比賽中價(jià)格預(yù)測(cè)問題中,經(jīng)過多組實(shí)驗(yàn)證明了