基于多维灰色模型与神经网络的销售预测模型研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 研究的背景和意义 | 第9-10页 |
| 1.2 国内外的研究现状 | 第10-12页 |
| 1.2.1 基于数学和统计学理论的经典预测方法 | 第10页 |
| 1.2.2 现代启发式算法 | 第10-12页 |
| 1.3 本文研究内容和方法 | 第12-13页 |
| 第二章 销售数据特点分析 | 第13-16页 |
| 2.1 影响因素 | 第13-15页 |
| 2.1.1 产品因素 | 第13-14页 |
| 2.1.2 环境因素影响 | 第14-15页 |
| 2.2 销售数据量限制 | 第15页 |
| 2.3 本章小结 | 第15-16页 |
| 第三章 相关理论方法 | 第16-31页 |
| 3.1 灰色理论 | 第16-20页 |
| 3.1.1 灰色关联度分析 | 第17-18页 |
| 3.1.2 GM(1,1) 算法 | 第18-19页 |
| 3.1.3 GM（1,N）算法 | 第19-20页 |
| 3.2 ARIMA模型 | 第20-22页 |
| 3.3 极限学习机 | 第22-24页 |
| 3.4 神经网络 | 第24-30页 |
| 3.4.1 神经元的结构模型 | 第24-27页 |
| 3.4.2 神经网络的一般建模步骤 | 第27-28页 |
| 3.4.3 B-P反向传播神经网络 | 第28-30页 |
| 3.5 本章小结 | 第30-31页 |
| 第四章 混合智能算法预测 | 第31-38页 |
| 4.1 数据收集 | 第31页 |
| 4.2 数据预处理 | 第31-33页 |
| 4.2.1 异常值检测和消除 | 第31-32页 |
| 4.2.2 插值缺失数据 | 第32页 |
| 4.2.3 数据的标准化和数据的去标准化 | 第32页 |
| 4.2.4 数据降维 | 第32-33页 |
| 4.3 混合智能算法预测 | 第33-36页 |
| 4.3.1 IGM(1，N)算法 | 第33-35页 |
| 4.3.2 混合智能算法的预测过程 | 第35-36页 |
| 4.4 实验结果误差的评定 | 第36-37页 |
| 4.5 本章小结 | 第37-38页 |
| 第五章 实验与分析 | 第38-48页 |
| 5.1 实验数据 | 第38-40页 |
| 5.2 对数据集1的预测 | 第40-41页 |
| 5.3 对数据集2的预测 | 第41-43页 |
| 5.4 对数据集3的预测 | 第43-44页 |
| 5.5 对数据集4的预测 | 第44-45页 |
| 5.6 对数据集5的预测 | 第45-47页 |
| 5.7 本章小结 | 第47-48页 |
| 第六章 总结与展望 | 第48-49页 |
| 参考文献 | 第49-53页 |
| 攻读硕士期间的研究成果 | 第53-54页 |
| 致谢 | 第54页 |
