| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第1章 绪论 | 第10-18页 |
| ·研究背景与意义 | 第10-11页 |
| ·研究背景 | 第10-11页 |
| ·研究意义 | 第11页 |
| ·国内外研究现状分析 | 第11-15页 |
| ·国外研究现状 | 第11-13页 |
| ·国内研究现状 | 第13-15页 |
| ·研究内容、方法与结构 | 第15-17页 |
| ·研究内容 | 第15页 |
| ·研究方法 | 第15-16页 |
| ·本文结构安排 | 第16-17页 |
| ·本章小结 | 第17-18页 |
| 第2章 相关基础理论综述 | 第18-38页 |
| ·供应链库存管理模式CPFR | 第18-23页 |
| ·CPFR概念 | 第18-19页 |
| ·CPFR的构建与实施 | 第19-21页 |
| ·CPFR实施的优势与成功的关键 | 第21-23页 |
| ·需求预测 | 第23-30页 |
| ·需求预测的类型 | 第23-25页 |
| ·需求的影响因素 | 第25页 |
| ·常见的需求预测的模型 | 第25-28页 |
| ·常用的销售预测方法 | 第28-29页 |
| ·预测的误差分析 | 第29-30页 |
| ·时间序列与人工神经网络 | 第30-36页 |
| ·时间序列 | 第30-33页 |
| ·人工神经网络 | 第33-36页 |
| ·神经网络结构与时间序列的预测关系 | 第36页 |
| ·本章小结 | 第36-38页 |
| 第3章 基于遗传算法的BP神经网络预测模型 | 第38-46页 |
| ·遗传算法(GA)简介 | 第38页 |
| ·BP神经网络 | 第38-39页 |
| ·GA-BP神经网络模型的建立 | 第39-41页 |
| ·一般BP神经网络预测模型的不足 | 第39页 |
| ·基于GA-BP神经网络的预测模型建立 | 第39-41页 |
| ·算例分析 | 第41-44页 |
| ·本章小结 | 第44-46页 |
| 第4章 基于CPFR的ARIMA-BP神经网络预测模型构建与仿真 | 第46-56页 |
| ·ARIMA模型 | 第46-49页 |
| ·ARIMA预测流程 | 第47-48页 |
| ·ARIMA预测模型构成 | 第48-49页 |
| ·基于CPFR的ARIMA-BP神经网络预测模型建立 | 第49-52页 |
| ·基于CPFR的协同预测路径的构建 | 第49-50页 |
| ·建立ARIMA-BP神经网络预测模型的思想 | 第50-51页 |
| ·ARIMA-BP神经网络模型的形式 | 第51-52页 |
| ·算例分析 | 第52-55页 |
| ·本章小结 | 第55-56页 |
| 第5章 结束语 | 第56-58页 |
| ·主要结论 | 第56页 |
| ·主要贡献 | 第56-57页 |
| ·未来研究方向 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 致谢 | 第62-64页 |
| 攻读学位期间科研情况 | 第64页 |