| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 本文研究目的与意义 | 第12-14页 |
| 1.2.1 本文的研究目的 | 第12-13页 |
| 1.2.2 本文的研究意义 | 第13-14页 |
| 1.3 国内外研究现状 | 第14-17页 |
| 1.3.1 供应链牛鞭效应的研究现状 | 第14-16页 |
| 1.3.2 需求预测的研究现状 | 第16-17页 |
| 1.4 本文的研究内容及创新点 | 第17-19页 |
| 1.4.1 本文的研究内容 | 第17-18页 |
| 1.4.2 本文的创新点 | 第18-19页 |
| 第2章 相关理论基础 | 第19-27页 |
| 2.1 大数据概述 | 第19-21页 |
| 2.2 供应链与供应链管理 | 第21-24页 |
| 2.2.1 供应链 | 第21-22页 |
| 2.2.2 供应链管理 | 第22-24页 |
| 2.3 需求预测与牛鞭效应 | 第24-26页 |
| 2.3.1 供应链中的需求预测 | 第24-26页 |
| 2.3.2 供应链中的牛鞭效应 | 第26页 |
| 2.4 本章小结 | 第26-27页 |
| 第3章 大数据背景下基于MULTI-AGENT系统的供应链模型 | 第27-32页 |
| 3.1 基于大数据的供应链体系架构 | 第27-28页 |
| 3.2 AGENT系统与MULTI-AGENT系统 | 第28-30页 |
| 3.3 基于MULTI-AGENT系统的供应链 | 第30-31页 |
| 3.4 本章小结 | 第31-32页 |
| 第4章 大数据背景下基于遗传算法的支持向量机需求预测与牛鞭效应的研究 | 第32-47页 |
| 4.1 支持向量机预测模型 | 第32-38页 |
| 4.1.1 线性可分支持向量机 | 第32-34页 |
| 4.1.2 支持向量机需求预测模型的构建 | 第34-37页 |
| 4.1.3 支持向量机模型的核函数及其参数选择 | 第37-38页 |
| 4.2 基于遗传算法的支持向量机预测模型的优化 | 第38-41页 |
| 4.2.1 遗传优化算法 | 第38-40页 |
| 4.2.2 遗传算法优化支持向量机参数 | 第40-41页 |
| 4.3 实例分析 | 第41-46页 |
| 4.3.1 需求预测分析 | 第41-44页 |
| 4.3.2 牛鞭效应分析 | 第44-46页 |
| 4.4 本章小结 | 第46-47页 |
| 第5章 大数据背景下基于多变量支持向量机的需求预测与牛鞭效应的研究 | 第47-59页 |
| 5.1 多变量支持向量机需求预测模型 | 第47-51页 |
| 5.1.1 影响因素选取 | 第48-49页 |
| 5.1.2 多变量支持向量机预测模型 | 第49-50页 |
| 5.1.3 BP神经网络误差修正 | 第50-51页 |
| 5.2 实例分析 | 第51-58页 |
| 5.2.1 需求预测分析 | 第51-56页 |
| 5.2.2 牛鞭效应分析 | 第56-58页 |
| 5.3 本章小结 | 第58-59页 |
| 结论 | 第59-61页 |
| 参考文献 | 第61-63页 |
| 致谢 | 第63-64页 |
| 攻读硕士期间发表（含录用）的学术论文 | 第64页 |
