新品上市的CBR动态预测

摘要：

针对新品上市数据匮乏、不确定性高所带来的预测难点,提出了关于案例推理和改进粒子群神经网络的动态预测方法.首先考虑产品属性及销售序列特征,提出两阶段综合聚类算法划分案例集合；其次采用核心案例的相似性搜索机制确定RBF神经网络模型的训练集,并通过动态聚类和改进的粒子群算法进行网络训练及参数优化；最后采用相异距离的聚类方法保留预测结果,实现模型的动态扩展.企业实例及公共数据集的仿真结果表明,CBR-IPRBF动态预测方法能够适用于任何类型新品上市的销量预测,且对于数据量不足等非理想状况具有较优的性能.模型预测精度高,算法扩展性强,具有广泛适用性,能够为企业提供实际、有效的决策支持.

关键词：预测、新品上市、案例推理、聚类、径向基函数神经网络

所属期刊栏目：30

分类号：N945.12(系统科学)

在线出版日期：2013-07-25（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：234-238