论文部分内容阅读
在卷烟行业应对市场开放，推行“订单供货”改革的背景下，卷烟企业准确预测卷烟订单、把握市场需求变得极为重要。准确预测配送中心的订单能够为确定订货点和订货量提供数据支持，能够进一步降低库存成本，提高客户订单的满足率。使烟草供应链能更有效地组织采购、生产和配送等环节，使其整体效益得到提高。论文对卷烟配送中心的客户订单进行按时期、品牌、区域的多维预测。在预测年订单量时，采用了回归模型、灰色模型、自适应二次指数平滑及移动平均等七种模型。其中，对数回归模型预测结果的平均准确率最高，达到98.45％，灰色模型GM(1，1)、地区生产总值回归模型、自适应二次指数平滑法、线性回归模型、指数回归模型及移动平均模型预测结果的平均准确率依次为98.25％，97.16％，96.85％，96.21％，95.6％，84.97％。在进行卷烟月订单量预测时，采用四层BP(Back Propagation)神经网络(NeuralNetwork，NN)进行预测。同时，利用遗传算法(Genetic Algorithm，GA)优化神经网络的权值，克服神经网络权值搜索陷入局部最优的弱点。该方法加快了收敛速度，提高了网络的泛化能力。通过训练、测试神经网络达到了预期准确率(98％)。在预测月订单量时，还采用了回归模型、灰色模型及自适应二次指数平滑模型，其中，预测效果较优的线性回归模型平均准确率达到96.9％，自适应的二次指数平滑模型对全部烟、省内烟、省外烟普遍适用，预测平均准确率分别为96.81％，97.12％，85.6％。考虑到卷烟配送中心的实际工作周期及季节的影响，进行日订单量预测时，论文引入了日期特征标识(PROPERTY TAG)，对预测加以修正，提高了预测精度，并且便于程序实现。在此基础上，论文采用基于农历的比例模型、区域趋势模型、ARMA模型及遗传算法优化的神经网络模型进行预测。GA优化的BP神经网络模型通过训练达到预定的98％的平均准确率，但是运算时间随着训练样本和进化代数的增加而成倍增加。基于农历的比例模型和区域趋势模型能反映卷烟配送中心订单的实际情况，平均准确率分别为90.87％，95.61％。ARMA的预测平均准确率为96.61％。在预测卷烟的周订单量预测时，采用了基于特征标识的日均销量累加模型和区域趋势累加模型。前者的平均准确率为94.15％，耗时为14s，优于后者。论文基于J2EE平台实施卷烟配送中心订单预测Web系统开发，采用基于Struts框架的结构，使得视图和逻辑分离，便于模型的改进，增强了程序的可重用性。该系统具有良好的人机交互性，预测结果准确直观，为决策者提供了数据支持。同时程序具有可扩展性，能够进一步完善库存优化系统，建立烟草行业的协同信息平台，整合烟草供应链资源。