文摘

随着全球化的发展,企业之间的市场竞争日益激烈。赢得一个好的市场,企业必须了解和把握市场经济的法律和相应的预测未来的市场。有效市场的估计是基于仔细研究各种类型的市场数据。因此,企业必须进行初步研究和数据收集,基于一个完整的数据系统,并确保远景预测的准确性通过开发一个科学市场愿景。只有通过确保正确估计公司开发一个商业计划,并最终占领市场。更传统的销售预测方法通常只涉及销售的一些细节,不占相对这些因素之间复杂的互动(价格、消费者收入、等)影响需求,因此,模型的建立是相对简单的。人工神经网络有良好的能力无限映射和被动学习。这会影响需求的各种因素,以及它们之间的关系更加复杂。在重量方面,神经网络是安全的。因此,大多数人使用BP神经网络技术来预测销售的数量,和一个更加团结的销售预测方法建立了。 Predicting sales targets is a very complex process, as the experimental results show. The prediction accuracy of this model is much higher than that of other common prediction methods. Its prediction accuracy is more than 30% higher than that of conventional methods, and it also has better comprehensive performance. This has a certain application value for sales forecasting work.

1。介绍

近年来,生产和销售之间的矛盾日益突出。有时很畅销品牌,品牌产品的生产和销售可能不平衡,导致供应不足。或市场失灵的影响,品牌产品的销售会下降,导致产能过剩和大量浪费资源。此外,由于市场波动,必须精确控制品牌产品的销售,和生产数量将很难把握,这将给企业带来一定的经济损失。因此,为了减少经济损失,有必要预测品牌的销售,而企业发展合理的商品生产。

本文的研究意义是为企业的决策提供一定的科学依据的销售数量管理和日常生产经营活动。今天,它是越来越难生存的公司。因此,企业制定的营销战略必须基于真实和可靠的数据,准确预测未来市场的发展趋势,提高精度的一个企业最重要的决策过程。此外,企业经常需要优化内部结构在发展过程中。本文的研究内容也可以提供一些技术支持企业提高工作效率。它还可以有效地预防和减轻许多不良影响,为实现公司的愿景未来稳定和快速发展的市场。

本文选择工厂的销售数据进行分析,然后利用神经网络预测法和线性映射法预测的销售数量,分析这两种方法的准确性和可靠性。神经网络和销售预测,没有选择,和每个进行详细的分析,使文章内容更加完整。

2。相关工作

对BP神经网络、国内外专家进行了广泛的研究。基于实验数据,马等人建立了一个BP神经网络预测模型对超临界水传热系数的确定。结果表明,训练BP神经网络预测模型能更好地预测和了解超临界水的传热系数1]。李等人提出了一种新的方法,将混沌算法与遗传算法(CGA)。基本思想是对BP神经网络的权值和阈值进行编码,并使用遗传算法获得最优解。仿真和实验结果表明,该实时性能和手势识别的准确性大大提高在使用注册会计师(2]。王等人采用MEA的BP神经网络(摘要)提高泛化能力和可预测性的摘要。研究结果表明,MEA-BP优于GA-BP和标准BP神经网络模型(St-BP)更快的运行时间和更高的预测精度(3]。销售预测、挂等人开发了一个销售预测模型,分析了两种形式的零售竞争的互动(convenience-oriented和消费)。这样的预测的传统方法是基于生态方程(也称为LV模型)(4]。Stormi等人研究了安装基础信息,帮助服务原始设备制造商(oem)预测和支持他们的工业服务销售,从而提高oem厂商的了解他们的客户生命周期价值(CLV)动力学(5]。

3所示。神经网络模型

产品的销量密切相关,不可分割的市场需求。市场的需求和数量的变化也非常复杂,难以捉摸。的因素(价格、需求等),会影响公司的销售量的产品众多,难以控制。至少在经济背景下的当前技术水平,很难建立一个相对准确的数学模型来预测企业产品的销量。然而,它是可能的预测范围的方向,也不是无法预测的值接近真实价值(6- - - - - -8]。因此,现在很多人都关注领域的神经网络,因为这个领域非常明显和无与伦比的优势在解决一些困难和数值缺失的问题。

3.1。BP网络模型的理论基础

BP神经网络模型是由几个数值处理器组成的并行和分布式一些相对简单的处理数值单位。这种类型的数值处理器存储值的自然特征,经验知识在应用程序清单。网络类似于人类的大脑;这种相似性大致可以总结在两个方面。一方面,使用神经网络在学习过程中获得一些知识与外部环境有关。另一方面,内部神经元可用于存储信息获得的知识与数值处理(9]。最常用的神经网络模型是mp模型。细节图所示1。

人工神经元的主要目的是构建一个神经元网络(10]。当建立一个神经元网络,主要考虑选择哪个神经元构建神经元功能可以模拟,看看效果。其特点如下:1。分布式存储的信息;2。适应性强;3所示。并行处理的能力;4所示。内容可寻址存储器功能; 5. automatic extraction of characteristic parameters; 6. fault tolerance [11]。

神经网络的研究内容和方向是相当大。研究内容的担忧几乎各行各业,如工业、商业、和畜牧业,完全反映了跨学科的特点和跨行业整合其他技术领域12]。由于空间问题,典型的13个网络模型不可胜数。只有几个常用的神经网络模型介绍了这里。(1)BP神经网络也被称为“误差反向传播人工神经网络的训练。“它使用网络的输出响应之间的误差学习信号和期望导师信号来调整网络连接强度。是反复调整误差最小化,从而完成学习过程。其具体过程结构的示意图如图2。(2)Hopfield神经网络是神经网络的一种,可以反馈信息,是一种局部的动态神经网络。它不仅要输入和输出数据的同时,还必须等待一段时间(相对稳定的影响13]。网络可以分为两类:离散网络和连续网络。其中,离散网络可以使用联想记忆,而连续网络主要用于优化计算。具体的原理图如图3。

3.2。算法的BP网络模型

到目前为止,使用BP算法的多层网络模型是应用最广泛的神经网络模型,它包括三层网络模型和七层网络模型,和一个隐层网络中使用最广泛的网络(14]。

下面是一个简单的分析,每一层的信号之间的数学关系。

为输出层,一个是输出值,有吗

隐层的

然后,单极函数 和具有连续的特点,推导;然后,

双相函数

当实际输出值不等于预期的输出值,有一个输出错误 ,这是

这个公式扩展到隐藏层

它扩展到输入层

错误的调整数量和负梯度

调整公式

输出层的重量公式

隐层的重量公式

输出层的向量形式

然后,

隐层的向量形式

然后,

3.3。BP网络模型的过程

BP算法的特点是信号的正向计算和误差的反向传播15]。算法的具体流程如图的信号4。

3.4。EBP神经网络

EBP神经网络也称为反向传播网络(16]。隐层神经元的引入改进的神经网络的分类和记忆功能,和研究人员开始关注隐层神经元。EBP算法(BP)是在这种背景下写的。此外,BP网络还克服了技术问题,XOR和其他简单感知器不能解决。因此,BP模型被大多数研究者认可和接受,它也已成为一个典型模型的神经网络模型。从那时起,它在神经网络发挥了重要作用。

神经网络进一步分为单层和多层网络,具体结构图如图5。

在实际应用程序中,使用最广泛的是多层神经元网络。下面的示意图三层神经网络模型结构为例,如图6。

这个网络模型不同于其他模型。在这一层神经元的状态只会影响模型的神经元的状态在当前层,不会继续影响下一层神经元的状态。换句话说,神经元的状态只影响等级,不超越层的影响。后的模型结构,信号传输到输出层,当没有收到预期的输出结果,输出信号将开始传播。也就是说,它可以追溯到原始输出通道和交付一个error-generating信号。每个神经元的重量变化一层一层地最小化的价值最终的输出误差的均方值。因为神经元相互制约和影响,有一个输入和输出之间的高度非线性,所以神经元可用于函数逼近与曲线拟合17,18]。

4所示。销售预测实验

现在在做销售预测,可以根据经验定性决策。目前预估销售还可以使用数学方法定量过程历史数据,建立预测模型进行科学预测。经验预测方法通常被用来预测少量的数据。因为他们的优势是利用经验做判断时,才能做出决策速度更快,可以快速得到结果。然而,预测结果往往是主观的,和定量模型分为时间序列模型、因果模型和混合模型。

一个好的销售预测是至关重要的提高公司的盈利能力和经济效益19]。根据所构造的模型,利用BP神经网络预测的具体步骤的时间序列转换工厂的销售量如下:(1)选择所需的样本数据,构建一个示例分析模型。自2020年起,每年的切换开关工厂进行的销售在过去的20年。同时,每年的价格指数和收入指数据《中国统计年鉴》。结果如表所示1。(2)数据分为样本数据和测试数据。首先,收集到的数据仅仅是分类和开关工厂从2001年到2016年的销售数据作为样本数据。未来几年的数据作为测试数据对神经网络的预测能力,数据划分为不同的样本数据和测试数据。(3)样本数据预处理:表中的数据是根据前面的归一化模型和公式。(4)网络层数和隐层神经元的数目是初步确定。神经网络可以展示销售的数量之间的关系,销售价格,销售收入。网络模型共有2个输入节点,6个隐层节点,1个输出节点。这两个输入节点代表销售价格和销售收入,和输出节点代表销售数量。

基于从2001年到2016年的数据作为建模的基础上,可以预测从2017年到2020年的数据。经过多次试验,均方根误差(输入标准化样本)可以达到0.0002。在这一点上,网络模型表示也可以估算所有采样点。换句话说,神经网络成功地实现了功能之间的映射关系的销售数量、销售价格、销售收入。神经网络具有良好的相关能力,应该有更好的预测能力对未来销售(20.]。为了证实这一点,我们将使用一个训练神经网络预测开关的数量销售从2017年到2020年。表2列出了其特定的预测误差值,发现神经网络的平均相对误差仅为0.9%。这可能表明,建立神经网络的销售预测模型是一个可行的解决方案,这种解决方案的预测精度是很高。

从表可以看出2,与线性回归方法相比,神经网络方法具有更高的精度和更好的预测能力,数据预测的准确性也更高。可以看出,神经网络方法比线性回归方法在销售测试。

开关工厂的主要产品是塑料壳断路器(表示)和智能万能断路器(IUCB)。这两个产品的月度销售从2015年到2020年如表所示3和4。

从表可以看出3和4,无论是ABC或MBCC,虽然销量波动,但总体趋势正在上升。

从数据表所示3和4,也可以看到销量包含一个长期趋势,随机噪声和季节性因素。这使得数据的准确性不高,所以这些数据必须一步一步处理之前,可以使用:(1)数据分析和处理的ABC销售:有必要理解生成的数据异常数值点和噪声。这部分的噪声数据被附近的平均两个月的销售数据异常值点。数据被认为是这些数据异常值可以被取代。这些数据点平均,处理过的数据如表所示5。(2)MCCB销售额的数据分析和处理。对MCCB,上面的分析是一样的。它删除各种原始数据中的异常数据不能反映销售趋势的变化,和消除这些点后获得的数据被认为是异常值,如表所示6。

根据上述模型构造,使用BP神经网络预测的具体步骤的季度销量开关在山东的工厂如下:(1)选择所需的样本数据,构建一个示例分析模型。截至2020年12月,本文计算24销售季度的72个月。与此同时,我们可以看到,当数据点的总数和每组样本的数量是相同的,如果网络的学习速率过大(Ir = 0.8)或太小(Ir = 0.2),网络训练轮的数量将会增加。这是因为一个大的学习速率使修改的数量太大,导致重量超过最小值修正一些错误和定期跳跃的过程,从而延长练习的数量。然而,学习速率太小可以产生非常小的修改,延长学习时间(21]。(2)数据分为样本数据和测试数据。样品是第一个分类,每月的销量在2019年12月之前作为训练样本数据,和销量第二年,2020年,作为神经网络的测试样本数据测试能力。(3)样本数据预处理。表中的数据是根据前面的归一化模型和公式。(4)样本进行训练。每个季度的销售数量上的数据是按顺序输入到网络。然后使用下个季度的数据输出的数据网络,即目标数据。安排和数据以这种方式结合形成神经网络销售所需的样本数据测试。

这导致预测值的比较,实际价值,错误在2020年每个月。

ABC和MBCC开关工厂的销量预测的神经网络预测方法和线性图形的方法,分别比较两种方法的错误,具体如图7- - - - - -10。

从数据可以看出7- - - - - -10神经网络预测是接近真实的数据比普通线性预测误差更小。相比之下,一个线性映射方法被用来预测开关出售的数量。首先,数据处理,消除不合理的数据,然后进行分析和分类,最后一个模型开关的数量销售。神经网络方法用于创建销售预测模型。神经网络可以近似非线性函数的值到任何相对准确的值。因此,也可以建立销售数量之间的函数映射关系和其他影响因素,也就是说,销售价格、产品质量等。22]。实验后,预测结果表明,它具有较高的逼近精度和预测能力比传统的方法(线性映射方法),和预测精度超过30%高于传统方法。两种模型预测短期内,预测结果的误差仍然是可接受的。然而,因为少量的数据,每个段的分割方法使得数据太小了。在每一部分,所需的神经网络预测方法的数据量不足,预测效果有一定的缺陷。ABC和MBCC预测短期的预测点更好。他们都可以用于指导生产企业等,有一定的实际应用。然而,也有一些分,相对较大的预测误差,远离实际的销售。

5。讨论

全球化是总的趋势。随着全球化的快节奏,大多数企业在中国必须在国际市场上激烈的竞争,这包括制造业、交通和农业。占领市场在这种激烈的竞争,我们必须加快技术创新,提高产品的技术含量,与高质量的服务赢得顾客的心。然而,占领市场的绝对不是那么简单的,主观的,它取决于科学、有效的预测。有许多研究在国内外销售预测,但它是很难做出科学预测销售在一个复杂的经济形势。在BP神经网络,在每一轮的模型训练,权重是随机的。这使得BP神经网络不可重复,导致强烈的最终模型的随机性。因此,为了提高BP神经网络的销售预测结果的稳定性,我们可以考虑其他算法与神经网络相结合建立一个预测高稳定性的预测结果。

通过上述两种预测模型的分析,可以看出,模型的预测得到23分,获得的错误有很大的不同。其中,线性映射方法预测的误差较大。因此,可以说,这个模型可以用于一个特定的企业或时期,如果这个模型被广泛应用,有必要分析特定的应用程序环境中获得一个更合适的预测模型。一个简单的评价和预测结果的测量是上面所讨论的,但在现实的工作超越。预测结果的最终目标是提供一个高度可靠的决策依据企业的决策者,以便他们可以相对科学、正确的决策。因此,预测结果的要求是尽可能准确。

6。结论

21世纪以来,企业品牌和它们的重要性的关注达到了前所未有的水平。所有的大公司正在竭尽全力建立一个强大的品牌。此外,品牌并购已经成为许多公司的手段之一。例如,中国南方航空公司与中国航空公司合并,Sanjiu集团收购了长征制药。然而,收购是只拥有一个更好的品牌的第一步。在后续开发中,如何保持和加强这个品牌的价值是一个更关键的问题。这也是一个比较棘手的问题,很多公司目前面临着。社会经济的发展和市场竞争的加剧要求企业有非常准确的市场决策能力,如果他们想吸引顾客的注意。占领市场并不意味着主观假设是保证是有效的。我们必须仔细研究多种市场因素的机制,用科学的方法在此基础上做出准确的市场预测。 Only in this way can we ensure the success of a corporate strategy implementation. Artificial neural network is the most important theoretical basis of this paper. Thus far, the research in the field of artificial neural networks has spanned a history of nearly 60 years. Today, neural networks have become a hot and rapidly growing field of research. BP neural network has strong learning and associative memory capabilities, high fault tolerance, and a very strong nonlinear mapping function. When it is applied to the sales forecasting of enterprises, the forecasting accuracy is high and the generalization ability is good. Due to time and cost reasons, there are still many deficiencies in the marketing brand sales forecast model based on BP neural network established in this paper. In the experimental model, only a few factors that may affect brand sales are considered, which may bias the research results of BP neural network. Errors occur, and in future research, a more comprehensive consideration of factors affecting sales volume is required.

数据可用性

的数据支持本研究的发现可以从作者在合理的请求。

的利益冲突

作者宣称没有利益冲突。