K公司是一家从事某品牌木浆进口销售的国际贸易公司。随着国内木浆市场的不断发展和公司经营竞争压力的不断增大。如何利用高质量的销量预测来为公司决策提供支持是一个值得深入探讨的研究课题。本文首先分析了目前比较经典的预测技术:专家预测法、时间序列法、回归分析模型、灰色系统模型和神经网络预测模型。通过比较各种预测方式的优缺点,确定应用神经网络预测模型来解决K公司遇到的问题。而后文章详细介绍了神经网络的工作原理和算法设计,简单介绍了两种目前应用比较广泛的神经网络模型:BP网络和RBF网络原理,以及RBF网络的分支GRNN网络的工作原理。之后根据K公司的实际情况,选择GRNN网络和BP网络建立预测模型。本文通过对木浆销售市场的各种因素分析。筛选出了对销量影响最为显著的几大因素:公司下月新订单的计划销售价格,公司当月木浆销售价格,公司当月木浆销量,销售月份,当月人民币兑美元汇率,国内该类木浆当月进口总量,国内该类木浆进口平均单价,以及地区大客户木浆需求量。将这八个因素作为GRNN网络和BP网络的输入量,而K公司最为关心的下月销售量作为网络输出。而后逐步确认网络的其他参数如:光滑因子、网络层数、各层神经元个数、训练算法等等。分别设计构建了木浆销量的GRNN网络预测模型和BP网络预测模型。最后用本课题采用MATLAB软件仿真建立BP网络和GRNN网络模型。利用K公司2010年1月至2015年6月的各个地区销售数据做为样本数据训练网络。同时用2015年7月至2015年12月的销售数据检验模型的预测效果。训练网络后,将测试数据输入网络观测预测结果。对比发现,两种神经网络预测模型的预测结果都可以称为是良好的预测:其中GRNN网络预测的MAPE为12.52%;BP网络预测的MAPE为16.19%。得到实验结果后,本文将全部预测结果按照不同地区进行分析。讨论了可能造成误差的几个原因。总结分析认为两种神经网络的整体预测效果不错,虽然在部分测试点中仍然存在较大的误差。但因为销售问题本身的复杂性,我们认为该次神经网络预测的应用尝试还是成功的。GRNN网络和BP网络的销量预测可以一定程度上解决K公司的问题。其自身强大的对复杂问题的非线性映射能力可以为公司的供应链管理提供很好的辅助与支持。