一种基于ARIMA-BPNN的物流需求预测模型

发布时间：2017-12-28 20:33

  本文关键词：一种基于ARIMA-BPNN的物流需求预测模型　出处：《控制工程》2017年05期 　论文类型：期刊论文

  更多相关文章： 物流需求量 组合预测 神经网络 自回归移动差分模型

【摘要】：提出一种基于自回归移动差分模型修正神经网络误差的物流需求预测模型(ARIMA-BPNN)。该模型采用自回归移动差分模型对物流需求量进行建模与预测,捕捉物流需求量的线性变化趋势;采用BP神经网络对物流需求量非线性、随机变化规律进行预测,最后利用BP神经网络预测结果对自回归移动差分模型的预测误差进行修正,得到物流需求量的最终预测结果;采用仿真实验对模型的性能进行测试;结果表明,相对于其它预测模型,ARIMA-BPNN可以更加全面、准确地描述物流需求量复杂的变化规律,提高了物流需求量的预测精度。
[Abstract]:A logistics demand forecasting model (ARIMA-BPNN) is proposed based on the autoregressive moving difference model to modify the neural network error. This model uses autoregressive moving differential model and forecast of logistics demand, linear trend to capture the logistics demand; BP neural network of logistics demand, the nonlinear variation was used to predict, finally using the BP neural network prediction results of autoregressive moving corrected differential prediction error model, get the final forecasting result of logistics demand; the performance simulation of the model tested; results show that compared with other prediction models, ARIMA-BPNN can be more fully and accurately describe the change rule of logistics demand complex, improve the prediction accuracy of logistics demand.
【作者单位】： 玉林师范学院教育技术中心;河南牧业经济学院信息与电子工程学院;
【分类号】：F224;F259.2;TP183
【正文快照】： 为了使货物能够尽快地进行流通,进行物流预测并提前做出相应的应对对策显得尤为重要,因此物流需求预测已成为物流管理研究中的一个研究热点[1]。物流需求量是按时间先后顺序收集的,是一种典型的时间序列数据,传统方法主要有时间序列方法、回归分析法等[2,3],其中,差分自回归移

【相似文献】

相关期刊论文 前10条

1 雷文平,郑鹏;ARIMA模型在旋转机械振动预测中的应用[J];郑州轻工业学院学报;2004年02期

2 程昌品;陈强;姜永生;;基于ARIMA-SVM组合模型的股票价格预测[J];计算机仿真;2012年06期

3 李小明;王颖;刘春明;;基于ARIMA的电网地磁感应电流预测研究[J];计算机与数字工程;2012年09期

4 岑宇钿;肖南峰;;基于ARIMA模型的陀螺随机误差分析[J];装备制造技术;2008年11期

5 张国良;后永春;舒文;朱士玉;聂绍发;许奕华;;三种模型在肺结核发病预测中的应用[J];中国卫生统计;2013年04期

6 吕瑛洁,胡昌华,李国华,张伟;基于ARIMA和RBF网络组合预测的惯性器件故障预报[J];电光与控制;2005年04期

7 王振雷;唐苦;王昕;;一种基于D-S和ARIMA的多模型软测量方法[J];控制与决策;2014年07期

8 梅志雄;;应用DRNN和ARIMA组合模型的时空集成预测方法[J];小型微型计算机系统;2010年04期

9 王吉芳;费仁元;徐小力;刘鑫;;ARIMA与RBF复合模型在设备运行状态趋势预测中的应用[J];机械传动;2011年09期

10 ;[J];;年期

相关会议论文 前3条

1 ;A hybrid ARIMA-ANN model and its Learning Algorithm on Short-term Load Forecasting[A];第二十三届中国控制会议论文集（下册）[C];2004年

2 任家福;张f ;周宗放;;基于ARIMA和BP神经网络的组合预测模型及应用研究[A];第三届（2008）中国管理学年会——技术与创新管理分会场论文集[C];2008年

3 ;Traffic Flow Forecasting Based on Fuzzy-Neural[A];第二十六届中国控制会议论文集[C];2007年

相关硕士学位论文 前8条

1 雍永强;基于ARIMA和BPNN的组合预测模型在血糖预测中的应用[D];郑州大学;2015年

2 刘颖;基于ARIMA模型和神经网络对论文下载量进行预测[D];大连理工大学;2015年

3 郑荣;基于ARIMA与SVM组合模型的煤炭价格预测[D];东华理工大学;2015年

4 赵佳宝;ARIMA结合BP神经网络对核心交易量预测的研究[D];东华大学;2016年

5 邓智敏;基于ARIMA与神经网络的商品条码注册量预测研究[D];华南理工大学;2016年

6 袁秀芳;SVR模型及其用于经济数据预测的研究[D];西华师范大学;2016年

7 冯悦;基于集成学习的区域人流密度预测研究[D];华南理工大学;2016年

8 单玉隆;ARIMA模型与遗传算法优化神经网络在GDP预测中的应用[D];兰州大学;2014年

，

本文编号：1347329