[发明专利]一种基于非线性组合模型的卷烟月度销量预测方法

说明书

本发明公开了一种基于非线性组合模型的卷烟月度销量预测方法，包括构建一阶模型以及构建组合模型，通过构建的组合模型进行准确预测。本发明通过利用ARIMA模型、基于梯度下降算法的BP神经网络模型、基于Levenberg‑Marquardt算法改进的BP神经网络模型三个单项模型对各月卷烟销量数据进行拟合并预测；然后采用集成学习结合策略中的学习法，提出建立ARIMA模型、基于梯度下降算法的BP神经网络模型、基于Levenberg‑Marquardt算法改进的BP神经网络模型的非线性组合模型，对历年各月卷烟销量数据进行仿真训练，在大量数据中找到销量数据之间的关系，以期预测未来几个月的卷烟销量。该模型充分利用上述3种单个模型的优点，有效提取数据各方面信息，其预测误差最为平稳，适应性最强，更加贴合卷烟销售实际情况。

技术领域

本发明涉及卷烟生产预测技术领域，尤其涉及一种基于非线性组合模型的卷烟月度销量预测方法。

背景技术

目前，传统卷烟预测模式立足于市场实际，把握市场的能力不断加强，但由于受人为因素影响较大，预测准确率难以有效提升。目前卷烟预测研究分为四类：第一类为以年度数据为基础，以宏观经济数据为自变量、卷烟消费数据为因变量，建立回归方程，分析各指标的相关性，进而对卷烟销量进行预测，多见于卷烟需求预测方法初探阶段，预测误差较大；第二类为线性时间序列模型，通过建立单一的线性时间序列模型来预测卷烟销量，由于时间序列模型仅利用数据自身的历史时间序列信息，获得过去行为的有关结论，进而对未来时间序列行为进行推断，突出了时间因素在预测中的作用，暂不考虑外界具体因素的影响，具有获取成本低、建模时间快等优点，但预测精度有待进一步提升；第三类为单个神经网络预测模型，通过对数据集的建模训练，构建网络，进而预测未来月份的数据，该方法根据选择算法不同，其预测精度也会不同；第四类为多个单一预测模型进行组合，给予每个预测模型一定的权重，从而完成组合模型的构建，有效提升了模型的预测精度，但各模型的权重没有固定的模式，进而影响预测结果。

发明内容

本发明的目的是提供一种基于非线性组合模型的卷烟月度销量预测方法，能够有效弥补上述模型弊端，准确预测各月卷烟销量。

本发明采用的技术方案为：

一种基于非线性组合模型的卷烟月度销量预测方法，包括如下步骤：

A、根据卷烟N个月度销量数据受节日因素较大、季节性较强的规律特征，选择多种适应性较强的时间序列预测方法；

B、通过输入卷烟N个月度销售数据端分别通过多种适应性较强的时间序列预测方法对卷烟N个月度销售数据进行建模和训练，分别得到对应的模型，记为一阶模型；

C：选取一阶模型中其中一个模型作为二阶模型，以一阶模型的输出数据作为二阶模型的输入数据，然后对一阶模型输入N个月度销量数据，一阶模型得到的对应的多个拟合值同时作为输入向量，以N月度相对应的真实销量作为输出向量，对二阶模型进行训练，从而得到一阶模型和二阶模型的组合模型；

D：对组合模型输入新的月度销售数据，即可输出得到最新的月度销售预测值。所述的一阶模型分别包括有ARIMA模型、基于梯度下降算法的BP神经网络模型和基于Levenberg-Marquardt的BP神经网络模型，二阶模型为基于Levenberg-Marquardt的BP神经网络模型。

所述的步骤B分别包括有如下步骤:

B1,选择ARIMA模型对卷烟月度销售数据进行差分处理、模型识别与定阶、仿真等过程，进而预测未来月份的卷烟销量；

B2,选择基于梯度下降算法的BP神经网络模型，对卷烟月度销售数据进行处理，确定输入层、输出层，创建基于梯度下降算法的网络，编制神经元测试程序，确定神经元数量；设定网络参数，经过训练，完成模型构建；选择预测输入层数据，从而预测未来月份卷烟销量；