基于Hadoop的卷烟需求预测系统设计与实现
发布时间:2017-07-18 22:13
本文关键词:基于Hadoop的卷烟需求预测系统设计与实现
【摘要】:十八届三中全会指出“全面深化改革”战略方针,强调资源配置在市场行为中的重要作用和主导地位。以此为背景,2014年3月国家烟草专卖局提出卷烟营销市场化取向改革,全国卷烟营销市场化取向改革由此开始。2014年改革工作在京、津、冀三地试点成功,总结试点经验,2015年改革工作在众多省市推广,改革试点工作的第一项任务就是探索需求预测方法并落实预期预测的指导作用。1.明确需求预测周期。因为卷烟销量具有明显的季节性和周期性,所以需求预测的周期一般为年、季度和月度。2.完善需求预测模型。对于现有需求预测模型存在的不足进行完善。需求预测一般是地市级单位和县级单位,综合考虑各方面因素确定和系统内部的数据,选择和优化预测模型,从而提高预测准确度。3.发挥需求预测作用。对于预测出来的结果,需要用到实际生产行为中去,指导生产和销售,达到优化资源的目的。本文探索基于大数据的卷烟销量预测系统的设计与实现。年度销量预测方面:改进了原有的一元线性规划算法,用包含经济、社会、人口三大因素,GDP、社会消费品总额、城市人均收入、农村人均收入、市人口总数五项指标做线性多元线性规划。月度预测方面提出了基于灰度模型和综合时间序列模型的混合预测模型。预测准确度比用灰度模型或者综合时间序列模型明显提高。最后用用JAVA语言实现了这个混合预测模型。最后,本文做了一项工作就是把基于Hadoop的卷烟销售预测系统与现有的正在运行的信息化系统做了集成,卷烟销售预测系统很好的与生产系统无缝对接,同时保证不影响现有的运行系统的业务流程。
【关键词】:需求预测 卷烟销售 灰度模型 混合预测模型
【学位授予单位】:南昌大学
【学位级别】:硕士
【学位授予年份】:2016
【分类号】:TP311.52
【目录】:
- 摘要3-4
- abstract4-8
- 第1章 引言8-11
- 1.1 研究背景8
- 1.2 研究现状8-9
- 1.3 论文的研究内容及意义9-10
- 1.4 论文结构安排10-11
- 第2章 相关技术与算法11-20
- 2.1 Hadoop相关技术11-15
- 2.1.1 HDFS11-12
- 2.1.2 Hadoop Map Reduce12-13
- 2.1.3 Hadoop YARN13-14
- 2.1.4 Mahout14
- 2.1.5 Sqoop14-15
- 2.2 相关算法15-20
- 2.2.1 多元线性回归15
- 2.2.2 灰度预测算法15-17
- 2.2.3 时间序列算法17-20
- 第3章 预测算法研究20-27
- 3.1 多元线性回归20-23
- 3.2 混合预测模型23-27
- 第4章 预测系统设计与实现27-44
- 4.1 系统架构27-30
- 4.2 系统设计30-34
- 4.2.1 数据预处理30-31
- 4.2.2 数据分析31-33
- 4.2.3 数据可视化33-34
- 4.3 系统实现34-44
- 4.3.1 数据预处理34-36
- 4.3.2 数据转换36-37
- 4.3.3 数据分析37-40
- 4.3.4 数据可视化40-44
- 第5章 环境搭建与部署44-53
- 5.1 开发环境需求44-45
- 5.2 平台搭建45-53
- 5.2.1 服务器配置45-46
- 5.2.2 Hadoop集群安装46-49
- 5.2.3 Hadoop与Eclipse集成49-51
- 5.2.4 Sqoop安装51-53
- 第6章 结论与展望53-55
- 6.1 结论53
- 6.2 展望53-55
- 致谢55-56
- 参考文献56-57
【参考文献】
中国期刊全文数据库 前10条
1 孟婷婷;何利力;;移动平均法在卷烟产量预测中的应用[J];工业控制计算机;2015年05期
2 何信;杜江;庞海艳;;基于SSH2框架的Web系统的设计与实现[J];统计与管理;2015年01期
3 阚东成;;卷烟销售分析预测系统的构建研究[J];经营管理者;2014年30期
4 靳巧花;李帅彪;张彬彬;;基于灰色动态模型的丽江旅游人数预测研究[J];数学的实践与认识;2012年22期
5 张红梅;孔荣;;基于季节分解法的卷烟销售短期预测模型[J];现代物业(中旬刊);2012年11期
6 熊小祥;;卷烟销售分析预测系统研究[J];软件导刊;2012年09期
7 彭仁通;;Hadoop的核心技术研究或概述[J];科技广场;2012年05期
8 王丰效;;组合GM(1,1)幂模型及其应用[J];数学的实践与认识;2011年20期
9 孙建平;;卷烟销售分析预测管理信息系统研发的可行性研究[J];物流技术;2011年13期
10 张美英;何杰;;时间序列预测模型研究简介[J];江西科学;2009年05期
,本文编号:560019
本文链接:https://www.wllwen.com/guanlilunwen/yingxiaoguanlilunwen/560019.html