基于離散灰色預(yù)測模型與人工神經(jīng)網(wǎng)絡(luò)混合智能模型的時(shí)尚銷售預(yù)測

劉衛(wèi)校

摘 要：時(shí)尚銷售預(yù)測對零售領(lǐng)域十分重要，準(zhǔn)確的銷售情況預(yù)測有助于大幅度提高最終時(shí)尚銷售利潤。針對目前時(shí)尚銷售預(yù)測數(shù)據(jù)量有限并且數(shù)據(jù)波動(dòng)大導(dǎo)致難以進(jìn)行準(zhǔn)確預(yù)測的問題，提出了一種結(jié)合人工神經(jīng)網(wǎng)絡(luò)（ANN）算法和離散灰色預(yù)測模型（DGM（1，1））算法的混合智能預(yù)測算法。該算法通過關(guān)聯(lián)度分析得到關(guān)聯(lián)度大的影響變量，在利用DGM（1，1）+ANN預(yù)測之后，引入二次殘差的思想，將實(shí)際銷售數(shù)據(jù)與DGM（1，1）+ANN預(yù)測結(jié)果的殘差加入影響變量利用ANN進(jìn)行第二次殘差預(yù)測。最后通過真實(shí)的時(shí)尚銷售數(shù)據(jù)驗(yàn)證算法預(yù)測的可行性及準(zhǔn)確性。實(shí)驗(yàn)結(jié)果表明，該算法在時(shí)尚銷售數(shù)據(jù)的預(yù)測中，預(yù)測平均絕對百分誤差（MAPE）在25%左右，預(yù)測性能優(yōu)于自回歸積分滑動(dòng)平均模型（ARIMA）、擴(kuò)展極限學(xué)習(xí)機(jī)（EELM）、DGM（1，1）、DGM（1，1）+ANN算法，相較于以上幾種算法平均預(yù)測精度大約提高8個(gè)百分點(diǎn)。所提混合智能算法可用于時(shí)尚銷售即時(shí)預(yù)測，且能夠大幅度提高銷售的效益。

關(guān)鍵詞：時(shí)尚銷售預(yù)測；神經(jīng)網(wǎng)絡(luò)算法；離散灰色模型；關(guān)聯(lián)度分析；自回歸積分滑動(dòng)平均模型

中圖分類號： TP183

文獻(xiàn)標(biāo)志碼：A

文章編號：1001-9081（2016）12-3378-07