基于混合模型的水果需求量预测应用研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-18页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.2.1 预测方法研究现状 | 第11-13页 |
| 1.2.2 水果需求预测研究现状 | 第13-14页 |
| 1.3 研究内容及方法 | 第14-16页 |
| 1.3.1 研究内容 | 第14-15页 |
| 1.3.2 研究方法 | 第15-16页 |
| 1.4 技术路线 | 第16-17页 |
| 1.5 本章小结 | 第17-18页 |
| 第二章 相关理论与方法概述 | 第18-32页 |
| 2.1 需求预测相关理论 | 第18-20页 |
| 2.1.1 基本概念 | 第18-19页 |
| 2.1.2 预测评价指标体系 | 第19-20页 |
| 2.2 相关预测方法理论 | 第20-27页 |
| 2.2.1 BP神经网络 | 第21-22页 |
| 2.2.2 RBF神经网络 | 第22-24页 |
| 2.2.3 支持向量回归 | 第24-27页 |
| 2.3 粒子群优化算法 | 第27-30页 |
| 2.3.1 算法原理 | 第27-29页 |
| 2.3.2 参数设置 | 第29-30页 |
| 2.4 信息熵相关理论 | 第30-31页 |
| 2.5 本章小结 | 第31-32页 |
| 第三章 水果需求量预测指标选取 | 第32-39页 |
| 3.1 水果需求量预测指标选取原则 | 第32页 |
| 3.2 水果需求预测因素分析及指标确定 | 第32-36页 |
| 3.3 指标关联度分析 | 第36-38页 |
| 3.4 本章小结 | 第38-39页 |
| 第四章 水果需求混合预测模型及库存控制 | 第39-54页 |
| 4.1 预测模型的构建 | 第39-43页 |
| 4.1.1 BP神经网络预测模型 | 第39-40页 |
| 4.1.2 RBF神经网络预测模型 | 第40-41页 |
| 4.1.3 支持向量回归预测模型 | 第41-43页 |
| 4.2 基于PSO的预测模型优化 | 第43-46页 |
| 4.2.1 BP神经网络预测模型优化 | 第43页 |
| 4.2.2 RBF神经网络预测模型优化 | 第43-45页 |
| 4.2.3 SVR预测模型优化 | 第45-46页 |
| 4.3 卡尔曼滤波器线性修正 | 第46-47页 |
| 4.4 信息熵值法下预测模型融合 | 第47-49页 |
| 4.5 库存控制模型建立 | 第49-53页 |
| 4.6 本章小结 | 第53-54页 |
| 第五章 实证研究 | 第54-69页 |
| 5.1 苹果需求量预测 | 第54-61页 |
| 5.1.1 PSO-BP模型预测 | 第54-57页 |
| 5.1.2 PSO-RBF模型预测 | 第57-59页 |
| 5.1.3 PSO-SVR模型预测 | 第59-61页 |
| 5.2 模型预测的线性修正及融合 | 第61-63页 |
| 5.3 预测结果比较 | 第63-67页 |
| 5.4 基于需求预测的库存优化 | 第67-68页 |
| 5.5 本章小结 | 第68-69页 |
| 第六章 总结与展望 | 第69-71页 |
| 6.1 总结 | 第69-70页 |
| 6.2 展望 | 第70-71页 |
| 参考文献 | 第71-75页 |
| 致谢 | 第75-76页 |
| 研究生期间攻读成果 | 第76-77页 |
| 附录 | 第77-78页 |
