随着大数据的兴起,互联网技术与各个领域的快速融合,使得供应链的结构发生新的变化,为供应链的发展开拓了新的方向。由于在大数据的环境下数据的获取更加快速便捷,使得各个企业在新的供应链体系中实现信息共享成为可能。在供应链管理中,需求预测是贯穿整个供应链必不可少的一个环节。当缺乏准确的市场需求信息时,在信息向供应链上流传递的过程中产生的牛鞭效应将会影响供应链中各个环节的协调与控制,极大地削弱了整个供应链的竞争力。然而在大数据背景下传统的预测方法已经无法达到满意的预测精度,这给供应链管理带来了巨大的挑战。基于上述问题,本文提出了大数据背景下供应链需求预测与牛鞭效应的研究课题,对于适应新的市场需求变化、提高企业的核心竞争力、实现供应链整体效益最优具有深刻的理论与实践意义。本文将大数据与供应链管理相结合,构建了一类大数据背景下的供应链模型,并在此基础上进一步分析了供应链的需求预测与牛鞭效应,论文的主要创新和具体工作如下:(1)针对大数据背景下供应链所具备的特点,构建新的供应链体系。引入Agent理论采用Multi-Agent系统抽象模拟出大数据背景下的供应链结构模型。(2)根据大数据背景下供应链的结构和市场需求的特征,提出了基于遗传算的支持向量机预测模型。首先建立一般的传统支持向量机模型,讨论模型中参数对拟合预测的影响。然后在充分考虑在大数据背景下企业需快速反应市场需求的特点以及传统的预测模型存在较大预测误差的基础上,提出利用遗传算法对原有模型的参数进行优化改进,构造基于遗传算法的支持向量机预测模型。最后通过对某电子产品的销售数量进行拟合预测验证了新模型的预测性能以及对供应链中牛鞭效应的影响。(3)针对大数据背景下供应链中影响市场需求因素繁多的特点,采用信息熵理论选取主要特征因素,考虑了多个变量的相互影响,在此基础上提出了基于多变量支持向量机的需求预测方法,最大程度挖掘了各种有效信息。由于高维下支持向量机预测模型缺乏推广能力,预测误差较高,本文采用BP神经网络对多变量支持向量机预测结果进行误差调整。最后通过计算机模拟仿真进行算例分析。结果表明,运用多变量支持向量机预测模型对多个因素影响下的市场需求具有良好的预测性能,有效地提高了预测精度。并且通过对多变量支持向量机预测模型下牛鞭效应的分析说明了优化需求预测可以有效地缓解供应链中的牛鞭效应。