随着市场经济的发展,企业日益需要高质量的销售预测为其管理决策提供支持,近年来人工神经网络(Artificial Neural Network,ANN)技术已较多的应用于销售预测并显示出一定的优势,怎样优化ANN来取得更好的预测效果成为研究的热点。卷烟配送中心的销售是一个非线性复杂系统,通过对ANN参数的反复训练能够获得数据间的依存关系,实现对任意复杂函数的映射。BP神经网络(Back-propagation Neural Network,BPNN)因其结构简单易于实现,在销售预测中得到广泛应用。然而迄今为止,对于BPNN结构的设计没有构造性结论。论文运用计算能力和计算特性均较好的C语言编写了BPNN预测程序,使用某卷烟配送中心的实际销售数据,对年、月、周销售预测中影响BPNN预测精度和收敛速度的主要因素:输入数据确定、样本数据选择及处理方法、隐层节点数以及学习速率和动量因子的确定进行了详细讨论。利用BPNN预测年销量时,对收敛速度及误差进行综合考虑来确定最佳隐层节点数,获得训练样本及测试样本的预测平均准确率分别为99.98%和94.21%;而预测效果最好的传统预测模型(对数回归模型)的预测平均准确率为98.52%。利用BPNN预测月销量时,对影响因素、隐层节点数的设计、样本数据的处理以及学习速率和动量因子的选择等深入研究进行确定,并通过调整输入数据中的月份因子对网络进一步改进,预测精度总体比调整前提高了2个百分点达到了95.62%,特殊月份提高了18个百分点(即2月份从75.56%提高到93.56%);训练样本及测试样本预测的平均准确率分别为98.46%和95.62%,BPNN较传统模型(预测效果最好的指数回归模型90.33%)表现出明显的优越性。周销量预测时,对工作周进行了重新定义并引入节假日因子,选择合适的样本,训练样本及测试样本预测的平均准确率分别为98.09%和95.32%,结果表明神经网络适用于卷烟配送中心的周销量预测。上述研究结果表明网络结构参数的优化能够明显改进神经网络的性能,并证明BPNN在非线性卷烟预测中的适用性和优越性。