论文部分内容阅读
摘要 本文在深入分析备件需求预测面临的问题和对比各种传统预测方法的基础上，探讨利用BP网络模型具有强大的非线性适应性处理能力这一特点，找出备件需求的内在规律，完成对未来需求的预测。通过对预测结果进行评价分析，发现预测效果达到预期目标，证明该模型在预测客车备件需求这一领域具有良好的预测性能和适应性。
关键词 BP网络；客车备件；需求预测
中图分类号 F426 文献标识码 A 文章编号 1673-9671-（2012）102-0195-01
客车备件需求是售后服务的基础和重要组成部分。产品备件准备的是否合理，不仅关系到售后服务的质量，而且也关系到企业的经营效率。然而，准确的备件预测是相当困难的。一方面，影响备件需求量的因素很多，例如产品的市场保有量、产品的地理分布及使用状态、备件的生命周期、备件通用度等等。另一方面，需求预测具有很强的时效性和复杂性，各种因素的影响力随环境变化而变化。
目前国际上采用多种方法进行需求预测的应用研究，如增量法、回归法、季节指数法、时间序列法等。但在备件需求预测方面的实际效果却不尽如人意。起源于二十世纪八十年代的人工神经网络（ANN）属于人工智能技术之一，突破了传统技术的局限，在诸多领域取得了成功。近年来，ANN技术已经成为经济预测、管理决策领域的研究热点，并已经成功的运用在非线性领域以及识别、智能传感器等工程领域。
但在汽车和客车备件需求预测领域，很少见到采用该方法进行研究的案例，因此，本文着重研究神经网络在客车备件需求预测领域的应用。
1 人工神经网络基本理论
1.1 人工神经网络概述
人工神经网络（Artificial Neural Network，简称ANN）的研究始于20世纪四十年代初期。经过半个多世纪的兴衰，经历了从兴起到高潮又到萧条最终走向稳步发展的艰难路途，如今人工神经网络已经是一门比较成熟的学科了。特别是经过最近将近20年的发展，目前的人工神经网络是一门融汇了神经学、信息学、计算机科学、工程学等为一体的边缘交叉学科，是一种大规模、并行、复杂的非线性系统。人工神经网络具有高度并行的处理机制，高度灵活的拓扑结构，以及强大的自组织、自学习、自适应能力和处理非线性问题的能力。因此，人工神经网络在预测科学领域得到了高度重视。
至今为止，人工神经网络技术的发展大致经历了五个阶段，其研究集中在三个方面：开发现有模型的应用，并在应用中根据实际运行情况对模型、算法加以改造，以提高网络的训练速度和运行的准确度；希望在理论上寻找新的突破，建立新的专用或通用的模型和算法；进一步对生物神经系统进行研究，不断的丰富对人脑的认识。
人工神经网络模拟人脑的功能，虽然只是低级近似，但区别于一般的人工智能和其他计算机智能程序，它表现出的许多特质与人类的智能相似。同人类的大脑类似，单个神经元功能很弱，但是当成千上万的神经元组合起来所表现出的活动处理功能却十分强大。
1.2 人工神经网络模型
人工神经网络是由大量的神经元按照层内连接、循环连接和层间连接等模式相互连接起来而构成的。将一个神经元的输出送至另一个神经元作为输入信号称之为连接，每个连接通路对应一个连接权值，神经元的连接方式不同会生成具有不同特性的神经网络。经过几十年的探索，目前已经提出了上百种人工神经网络结构，但大部分都是几种典型网络的组合和变形。
根据神经元的连接方式不同这一特点，可将神经网络分为两大类：分层网络和相互连接型网络。分层网络的代表是BP网络、RBF网络和Hopfield网络。
1.3 BP神经网络
目前应用最为广泛的神经网络结构是多层前馈神经网络。由于采用的网络结构、传递函数和学习规则的不同，前馈网络主要有感知神经网络、BP网络（Back Propagation Network）、RBF网络等不同网络模型。上述三种网络各有其优缺点，经对比得知，BP网络相比其他网络具有算学习精度高、运行速度很快、网络具有一定的推广能力和概括能力等多方面优点。
因此，我们决定采用BP网络作为客车备件需求预测的神经网络模型。
2 基于BP网络的客车备件需求预测设计
2.1 客车备件需求预测方法设计
2.1.1 模型输入和输出设计
本文选取对配件需求量影响程度大的三个因素即近期实际需求量（6个月的实际需求值）、季节性因素以及客车保有量作为网络的输入，分别将其量化后得到8个点作为神经网络的输入向量。显而易见，目标向量Y就是某配件预测月当月的需求量。
2.1.2 数据归一化
在本研究过程中，除了季节性因素值X7已经提前设置在0～1之间，其余各变量都应按照上式进行归一化处理；在网络训练完毕进行测试时，还要将预测输出结果进行反归一化处理并与实际值进行比较来对网络进行评价。
2.2 BP网络结构设计
本研究选择三层BP网络即单隐层的BP网络进行设计仿真。本文使用Kolmogorov定理和试凑法相结合的方法，经多次试验和结果比较，选择网络误差最小和训练速度最快时对应的隐层节点个数，最终确定隐层神经元个数为17。
针对本文研究的问题，按照BP网络的一般设计原则，中间层神经元的传递函数设定为S型正切函数tansig（）。由于网络的输出向量值已经被归一化到区间[0，1]中，因此，输出层神经元传递函数设定为 S型对数函数logsig（）。
网络的训练算法对网络收敛速度、泛化能力、网络性能等有很大影响。经过对几种改进的BP算法进行实验对比，观察各算法的收敛速度和网络误差，最终确定最适合本研究的训练算法为“拟牛顿算法”。
2.3 预测实现和结果对比
本文选取某大型客车制造企业的售后备件进行研究，选取高频需求备件中的两种数据归一化后作为样本数据进行实验。根据设计好的网络结构方案进行网络创建和训练仿真。使用train（）函数对两种备件分别进行训练。经过35次和44次训练后，网络目标误差达到要求。
使用训练好的模型开始对其余样本数据进行预测，实际结果说明，网络的预测误差范围在±7%之内，已达到客车领域备件需求预测预期目标。
在将网络测试结果与实际值比较的同时，我们也将它与该企业目前采用的时序预测方法进行对比，结果说明利用神经网络进行备件需求预测的效果明显好于传统方法。
参考文献
[1]张立明.人工神经网络的模型及其应用[J].复旦大学出版社，1993：5.
[2]丁杏娟.基于人工神经网络的产品需求预测研究[J].上海交通大学硕士学位论文，2006：1.
[3]王万森.人工智能原理及其应用[J].电子工业出版社，2000：27-51.
[4]李晓峰，刘光中.人工神经网络BP算法的改进及其应用[J].四川大学学报，2000，l.
[5]窦国伟，薛念文.面向售后服务的汽车备品需求预测研究[J].物流科技，2005，28（10）：4-7.
关键词 BP网络；客车备件；需求预测
中图分类号 F426 文献标识码 A 文章编号 1673-9671-（2012）102-0195-01
客车备件需求是售后服务的基础和重要组成部分。产品备件准备的是否合理，不仅关系到售后服务的质量，而且也关系到企业的经营效率。然而，准确的备件预测是相当困难的。一方面，影响备件需求量的因素很多，例如产品的市场保有量、产品的地理分布及使用状态、备件的生命周期、备件通用度等等。另一方面，需求预测具有很强的时效性和复杂性，各种因素的影响力随环境变化而变化。
目前国际上采用多种方法进行需求预测的应用研究，如增量法、回归法、季节指数法、时间序列法等。但在备件需求预测方面的实际效果却不尽如人意。起源于二十世纪八十年代的人工神经网络（ANN）属于人工智能技术之一，突破了传统技术的局限，在诸多领域取得了成功。近年来，ANN技术已经成为经济预测、管理决策领域的研究热点，并已经成功的运用在非线性领域以及识别、智能传感器等工程领域。
但在汽车和客车备件需求预测领域，很少见到采用该方法进行研究的案例，因此，本文着重研究神经网络在客车备件需求预测领域的应用。
1 人工神经网络基本理论
1.1 人工神经网络概述
人工神经网络（Artificial Neural Network，简称ANN）的研究始于20世纪四十年代初期。经过半个多世纪的兴衰，经历了从兴起到高潮又到萧条最终走向稳步发展的艰难路途，如今人工神经网络已经是一门比较成熟的学科了。特别是经过最近将近20年的发展，目前的人工神经网络是一门融汇了神经学、信息学、计算机科学、工程学等为一体的边缘交叉学科，是一种大规模、并行、复杂的非线性系统。人工神经网络具有高度并行的处理机制，高度灵活的拓扑结构，以及强大的自组织、自学习、自适应能力和处理非线性问题的能力。因此，人工神经网络在预测科学领域得到了高度重视。
至今为止，人工神经网络技术的发展大致经历了五个阶段，其研究集中在三个方面：开发现有模型的应用，并在应用中根据实际运行情况对模型、算法加以改造，以提高网络的训练速度和运行的准确度；希望在理论上寻找新的突破，建立新的专用或通用的模型和算法；进一步对生物神经系统进行研究，不断的丰富对人脑的认识。
人工神经网络模拟人脑的功能，虽然只是低级近似，但区别于一般的人工智能和其他计算机智能程序，它表现出的许多特质与人类的智能相似。同人类的大脑类似，单个神经元功能很弱，但是当成千上万的神经元组合起来所表现出的活动处理功能却十分强大。
1.2 人工神经网络模型
人工神经网络是由大量的神经元按照层内连接、循环连接和层间连接等模式相互连接起来而构成的。将一个神经元的输出送至另一个神经元作为输入信号称之为连接，每个连接通路对应一个连接权值，神经元的连接方式不同会生成具有不同特性的神经网络。经过几十年的探索，目前已经提出了上百种人工神经网络结构，但大部分都是几种典型网络的组合和变形。
根据神经元的连接方式不同这一特点，可将神经网络分为两大类：分层网络和相互连接型网络。分层网络的代表是BP网络、RBF网络和Hopfield网络。
1.3 BP神经网络
目前应用最为广泛的神经网络结构是多层前馈神经网络。由于采用的网络结构、传递函数和学习规则的不同，前馈网络主要有感知神经网络、BP网络（Back Propagation Network）、RBF网络等不同网络模型。上述三种网络各有其优缺点，经对比得知，BP网络相比其他网络具有算学习精度高、运行速度很快、网络具有一定的推广能力和概括能力等多方面优点。
因此，我们决定采用BP网络作为客车备件需求预测的神经网络模型。
2 基于BP网络的客车备件需求预测设计
2.1 客车备件需求预测方法设计
2.1.1 模型输入和输出设计
本文选取对配件需求量影响程度大的三个因素即近期实际需求量（6个月的实际需求值）、季节性因素以及客车保有量作为网络的输入，分别将其量化后得到8个点作为神经网络的输入向量。显而易见，目标向量Y就是某配件预测月当月的需求量。
2.1.2 数据归一化
在本研究过程中，除了季节性因素值X7已经提前设置在0～1之间，其余各变量都应按照上式进行归一化处理；在网络训练完毕进行测试时，还要将预测输出结果进行反归一化处理并与实际值进行比较来对网络进行评价。
2.2 BP网络结构设计
本研究选择三层BP网络即单隐层的BP网络进行设计仿真。本文使用Kolmogorov定理和试凑法相结合的方法，经多次试验和结果比较，选择网络误差最小和训练速度最快时对应的隐层节点个数，最终确定隐层神经元个数为17。
针对本文研究的问题，按照BP网络的一般设计原则，中间层神经元的传递函数设定为S型正切函数tansig（）。由于网络的输出向量值已经被归一化到区间[0，1]中，因此，输出层神经元传递函数设定为 S型对数函数logsig（）。
网络的训练算法对网络收敛速度、泛化能力、网络性能等有很大影响。经过对几种改进的BP算法进行实验对比，观察各算法的收敛速度和网络误差，最终确定最适合本研究的训练算法为“拟牛顿算法”。
2.3 预测实现和结果对比
本文选取某大型客车制造企业的售后备件进行研究，选取高频需求备件中的两种数据归一化后作为样本数据进行实验。根据设计好的网络结构方案进行网络创建和训练仿真。使用train（）函数对两种备件分别进行训练。经过35次和44次训练后，网络目标误差达到要求。
使用训练好的模型开始对其余样本数据进行预测，实际结果说明，网络的预测误差范围在±7%之内，已达到客车领域备件需求预测预期目标。
在将网络测试结果与实际值比较的同时，我们也将它与该企业目前采用的时序预测方法进行对比，结果说明利用神经网络进行备件需求预测的效果明显好于传统方法。
参考文献
[1]张立明.人工神经网络的模型及其应用[J].复旦大学出版社，1993：5.
[2]丁杏娟.基于人工神经网络的产品需求预测研究[J].上海交通大学硕士学位论文，2006：1.
[3]王万森.人工智能原理及其应用[J].电子工业出版社，2000：27-51.
[4]李晓峰，刘光中.人工神经网络BP算法的改进及其应用[J].四川大学学报，2000，l.
[5]窦国伟，薛念文.面向售后服务的汽车备品需求预测研究[J].物流科技，2005，28（10）：4-7.