论文部分内容阅读
商品销售是一个高度复杂的非线性动态系统,其变化规律即有一定的自身的趋势性,又受政治的、经济的、心理的诸多因素的影响。建立在数理统计基础上的传统定量预测方法在对销售市场的研究中面临着许多困难,而神经网络具有自组织、自适应等特点,能自动从历史数据中提取有关经济活动中的知识,因而非常适用于解决销售预测领域中的一些问题,已有大量的仿真结果表明,神经网络在销售预测应用中有一定的实用性。神经网络是利用非线性映射的思想和并行处理的方法,用本身结构表达输入与输出关系知识的隐函数编码,输入空间与输出空间的映射关系是通过网络结构不断学习、调整、最后得到网络的特定结构表达,实现有导师学习。但其一股不能处理具有语义形式的输入,并且不能简化信息空间维数,当输入信息空间维数规模较大时,网络结构复杂、训练时间过长。粗集理论基于属性依赖性、约简、核、规则提取和可辨识矩阵等概念,实现对信息系统的预处理,去除冗余属性和冗余样本,压缩信息空间维数,精简知识系统,论文在分析研究这两种方法的基础上,提出了一种基于粗集理论和神经网络的预测模型。粗集可以作为前置系统从商品销售数据中挖掘出影响销售的几种较重要的属性。在不降低数据一致性的前提下,最终得到尽可能精简的属性集。以此尽可能地减少神经网络的输入,而又不影响网络对事件的检测能力。从而减少神经网络的复杂度和训练时间,提高预测的速度和精度。论文将神经网络与粗集理论相结合,这种基于粗集理论的神经网络模型和学习算法具有学习速度快、容错能力较强、在提高神经网络预测精度的同时降低了学习负担。为了获得更优的预测精度,还采用组合神经网络结构。将该模型用于一酒业的销售预测应用中,并对更单一预测模型分别进行了实证分析和比较研究。最后,对全文所做的工作进行了总结,并对下一步研究工作进行了展望。