论文部分内容阅读
商品条码注册量是新增商品制造和销售的重要衡量指标,一个时期内的商品条码注册量的变化,不仅可以直接反映一个地区的商品制造和销售的表现,还可以间接反映出该地区的商业流通的活跃程度,对其进行预测,可以大致研判该地区的经济发展程度,还可以根据预测数据制定各项管理和控制政策,具有重要指导意义。本文通过对时间序列预测方法进行研究和分析,选择了ARIMA模型和神经网络模型对商品条码注册量数据进行预测,并将两种模型进行集成,提高了数据预测的精度。本文主要研究内容如下:第一,根据商品条码注册量数据的特性以及数据样本的自相关和偏自相关分析图,建立了ARIMA预测模型,运用该模型进行预测,结果表明该模型对商品条码注册量的预测效果并不理想。第二,针对商品条码注册量数据的非线性特性,采用BP神经网络和RBF神经网络建立预测模型,针对神经网络学习算法收敛速度缓慢、容易陷入局部极小值的缺陷,采用学习速率自适应调节和增加动量项的方法进行改善,运用该模型进行预测,结果表明BP神经网络和RBF神经网络预测模型都具有良好的预测能力,预测效果均好于ARIMA模型,但是预测精度有待提高。第三,为了进一步调高预测精度,将ARIMA模型和神经网络模型进行了结合,设计了两种集成模型,分别是权重组合集成模型和误差校正集成模型。在此基础之上,建立ARIMA-BP-RBF集成预测模型,对ARIMA模型的拟合残差序列建立BP-RBF集成模型进行预测,再将残差预测结果加到ARIMA模型的预测值中。预测结果表明集成模型的预测精度明显高于单一模型,并且ARIMA-BP-RBF模型的预测精度要高于ARIMA-BP模型和ARIMA-RBF模型。