一、基于RBF神经网络的销售预测模型的研究与应用（论文文献综述）
郑金峰,罗戎蕾[1]（2022）在《服装销售定量预测方法研究进展》文中提出服装销售预测是服装企业商品企划中必不可少的环节之一。为有效帮助服装商品企划人员及相关学者根据实际情况快速选择合适的服装销售预测方法，对时间序列法、回归分析法、灰色预测模型及人工神经网络4类定量销售预测方法从优缺点、优化历程及适用类型3个方面进行梳理总结，并对机器学习的部分组合算法进行举例与归纳。分析得出：时间序列法适用于历史数据离散程度小且影响因素少的短中期服装销售预测；回归分析法中多元回归法比一元回归法在算理上更适合具有多因素影响的服装销售预测；灰色预测模型适用于数据平滑且影响因素较少的服装销售预测；人工神经网络则适合销售数据离散程度大的时尚型服装销售预测。
刘文文[2]（2021）在《A企业汽车售后服务产品销量的预测研究》文中研究说明随着当前经济的快速发展、客户需求个性化发展,不仅传统销售企业面临着迅速响应客户需求、缩短商品物流时间,线上电商企业更是面临着这种响应问题。当前市场竞争越来越严重竞争压力越来越大,销售预测不仅关系着企业库存成本的高低,同时关系着企业未来的发展。有效的准确的销售预测,销售企业能够及时而准确的安排采购量,既要备好商品库存,以备不时之需,也要保证商品库存不要过多导致库存积压进而导致企业损失,最重要的要保证能够及时响应客户的需求提升客户满意度,打开市场口碑。销售预测是当前企业研究重点,虽然有很多模型和方法运用到销售预测上面,但是每个企业、行业销售特点不准确,研究特定问题,并不具备普遍适用性,因此研究A企业的角度上我们要构建一个有较高预测精度,且针对A企业销售特性的模型用于企业销售商品需求预测。本文的主要研究工作包括:首先通过研究当前国内外文献,分析比对了各种类型的预测方法和模型特点。根据销售商品时序性的特点,本文先基于企业历史销售数据对时序列数据变化进行线性预测,ARIMA模型是一个基于时间序列的线性模型,此方法不用考虑影响商品销售的客观因素,只关注随时间变化的历史数据,在很多预测场景下都能够使用,但是ARIMA模型只是一个简单的基于时序列数据的线性模型,无法拟合时间序列的非线性部分,预测精度不太高。所以本文在ARIMA模型的基础上运用组合模型提高预测的精准度。本文在时间序列模型的基础上,建立了能够拟合非线性成分的LSTM神经网络。将ARIMA模型与LSTM神经网络合成构成组合模型进行商品的销量预测。组合模型可以考虑不同模型的特点,利用LSTM神经网络模型能够弥补线性ARIMA模型中不能够拟合的特点。通过组合预测提升了预测模型的有效性,然后本文借助非负权重最优组合的原则将两种模型进行组合,通过组合模型之后的预测数据,实际值与误差值的误差进一步降低,比单一的模型预测效果更佳。针对汽车售后服务商品的销售数据建立的销售预测模型,能够提高企业的周转以及客户满意度,本文既研究了基于时间序列的线性模型,又加入了非线性的影响因素,通过对模型的训练得到了能够使预测精度值最大的销售预测模型。
梅学聃[3]（2020）在《基于机器学习的零售药店药品销量影响因素和预测研究》文中研究指明随着我国医药分离改革的进行,零售药店逐渐发挥了更大的作用。本文主要研究零售药店药品销量影响因素和销量预测方法。文中将药品销量的影响因素分为三类:内部因素、外部因素和宏观背景,并在对影响因素分析的基础上进行药品销量的预测。本文主体分为三个部分:内部因素和月份对药品销量的影响、零售药店选址即外部因素对药品销量的影响以及有限时间数据下零售药店药品销量的预测。在第一部分,文章以AB公司101家零售药店两年的单品销售数据为基础,采用多元线性回归分析和季节指数的方法分析了内部因素和月份对零售药店药品销量的影响,研究表明,药店药品种类正向影响药品销量,药店应在考虑成本与药品陈列造成的舒适度的基础上适当丰富货架上的药品种类数;价格和价格变动负向影响药品销量,药店应在考虑价格弹性的基础上谨慎提价;药店工作人员数正向影响药品销量,药店应在合理安排服务人员数量的同时提高服务质量;医保可用性负向影响药品销量,药店应从提高顾客体验着手,消除医保的负向影响;药店面积正向影响药品销量,药店应在考虑成本的基础上合理确定药店面积,并且,通过优化装潢、药店陈设使顾客得到更好的体验。季节影响药品销量,药店应利用季节指数了解药品在不同月份的销量情况。在第二部分,文章吸取控制变量法的思想,以AB公司101家零售药店两年的单品销售数据为基础,利用加权PAM聚类和配对样本T检验研究了零售药店选址即外部因素对药品销量的影响。研究发现,在内部因素与宏观背景基本一致的情况下,总体上药品销量大小顺序为:医院旁药店<医院内药店<社区药店,医院旁药店<乡镇药店（或商业区药店）。研究结果表明,由于医疗体制改革,医院内零售药店有较好的前景,社区内零售药店业绩良好,但毗邻医院的零售药店业绩较差。这部分提出了一种在复杂环境中研究单个自变量对因变量影响的方法,在选址决策中,药企可参考这部分的研究结论。在第三部分,在对零售药店销量影响因素研究的基础上,针对开业不久的零售药店及刚上市的新药缺乏长时间销售数据,难以进行AMIMA等时间序列分析,以及难以穷尽所有影响因素以进行因果预测的困难,文中提出了一种药品销量复合预测模型。该模型由三个部分组成:（1）指数平滑,用于获取销量趋势;（2）分类主成分分析,用于减少冗余信息;（3）后向传播前馈神经网络,用于回归预测。文章利用AB药房连锁有限公司24个药店的三九感冒灵、51个药店的江中健胃消食片和49个药店的苯磺酸左旋氨氯地平片两年半的销量数据对半年的销量以月为单位分别进行了预测验证,结果显示,三种药品的预测值与真实值相关系数分别达到0.77、0.84、0.85,标准化均方误差分别为0.48、0.37、0.30,说明了文中模型的有效性。文中模型的提出,一方面有助于医药零售企业制定合适的库存量,另一方面也有助于医药供应链上每个节点企业相应优化自身的决策。该论文有图9幅,表8个,参考文献66篇。
付美园[4]（2020）在《F企业慢性病药品需求预测及库存策略研究》文中研究指明近年来,慢性病患病率居高不下,极大程度上增加了慢性病药品的市场需求,给医药物流企业慢性病药品的库存管理带来了较大的压力。本文以解决F企业慢性病药品库存管理中所存在的问题为出发点,帮助F企业科学的划分慢性病药品的库存,并对其进行合理的需求预测,制定相应的库存控制策略,力求减轻F企业慢性病药品库存管理的压力,提高库存周转率。首先,针对F企业慢性病药品进行库存分类。由于F企业对品类众多且存在大量滞销品种的慢性病药品,只单纯按照药品的性质进行管理,未能对其进行科学的库存分类,使得整体库存结构较为混乱。本文基于上述原因,先行根据F企业慢性病药品的历史需求使用ABC分类法进行库存分类。并结合F企业实际经营状况利用收益金额为指标,将其划分为滞销和非滞销慢性病药品,改善其库存结构,为后期的需求预测和库存控制策略的选择奠定基础。接下来,进一步解决F企业非滞销慢性病药品需求预测不合理的问题。在实际经营管理过程中,非滞销慢性病药品的需求量往往受客户需求以及其外在因素的影响,历史需求波动较大,非平稳性质显着,极大程度上增加非滞销慢性病药品需求预测的难度。本文基于非滞销慢性病药品历史需求数据特征,充分考虑了F企业的具体要求,确定构建RBF神经网络需求预测模型。使用MATLAB软件编程进行实例仿真,结果显示,该模型预测精度较高,并为后续的库存控制策略应用提供了数据支持。最后,基于滞销和非滞销慢性病药品的需求特征制定相应的库存控制策略。本文在充分分析非滞销慢性病药品的需求特征的基础上,构建以库存总成本最小为目标,考虑第一个提前期内到货,多周期下静动结合策略的库存控制模型,具体计算过程使用lingo软件编程进行实例检验。结果表明在静动结合策略下非滞销慢性病药品的订货数量、库存持有水平以及库存总成本都得到了有效降低,极大程度上减轻了非滞销慢性病药品的库存管理压力。随后本文在深入剖析滞销慢性病药品的需求特征的基础上,选择采用定期订货策略对该类药品进行库存控制,并进行实例检验。结果表明定期订货策略策略有效的降低了滞销慢性病药品的库存周转天数,提高了库存周转率,且易于操作,更具实用性。通过本文的研究可以有效解决F企业慢性病药品库存结构混乱、需求预测不合理、库存控制策略过于简单等问题,有助于减轻F企业慢性病药品库存管理的压力,提高企业的竞争力,并为其他医药物流企业解决相似问题提供一定的参考依据。
林木兴[5]（2020）在《需求不确定下的大规模数据高斯过程回归的商品销量预测模型研究》文中研究指明随着机器学习在预测/推荐领域为企业带来越来越多的收益,近年来关于销量预测问题的研究也随之不断地深入,尤其是的新零售提出和发展,使得快消商品销量预测研究获得非常高的关注度。传统的预测采用确定性的点预测方法对快消商品销量进行预测,但由于需求的随机性及非线性特征,导致无法展示预测时刻可能出现的情况及其出现的置信度,使得依靠快消商品销量点预测结果的决策风险较大;而高斯过程回归（Gaussian Process Regression,GPR）,虽然可以解决这一问题,但因为计算性能上的限制,难以在大规模数据集上应用。针对快消商品销量确定性预测方法的不足,本文提出利用高斯过程对商品销量进行建模,根据商品的历史销售数据,提取影响销量的特征向量,并将基于核距离的样本点选择策略的滑动窗口与高斯过程回归方法结合,克服高斯过程回归在大规模数据上的计算瓶颈。该模型考虑影响销量的多种因素,基于快消商品销量影响因素随机性的基础,将快消商品销量视作多种影响因素共同作用下的随机过程,并对其进行预测,其预测结果具有概率意义,在保证预测精确度的同时,还能给出预测的置信水平,有利于评价依靠预测结果的决策风险,为商业企业经营决策提供更为科学指导。本文所做的工作如下:首先,简述了高斯过程回归及基于零售销售数据的预测问题的研究现状,对零售数据预处理中的相关技术,做了介绍。并针对基于快消零售销量估计的具体应用问题中,本文在基于相关系数以及提升树模型上进行特征提取,尽可能地减少特征的数量,从而减小了输入数据的维度。其次,基于高斯过程回归以及滑动窗口的思想上提出了大规模数据下基于滑动窗口高斯过程的零售商品销量预测模型,将销量看作一个随机过程,通过高斯过程回归定义了函数的分布,同时基于核距离的样本点选择策略对常规的滑动窗口进行改造,然后将二者结合以改善传统高斯过程回归模型中的核计算性能问题。该模型可以快速适应新的观察数据,并可以评估预测的不确定性,解决销量预测中点预测在不确定性表达能力的有限性以及核计算性能的限制。最后,主要对高斯过程回归方法做了具体的研究并进行了具体实现,将该方法在实际销售场景上进行了应用,得到了不错的结果,并与常见的机器学习方法做了对比实验,实验结果表明了高斯过程回归方法在处理该类问题上具有一定的有效性,说明本文模型克服了样本过大在核函数计算上的限制,在保证一定精度情况下具有较优性能和计算效率。
张雷东[6]（2020）在《氨纶产品销量预测技术的研究与应用》文中认为销量预测一直是一个重点研究的问题,一个准确的销量预测可以为企业控制成本,提前规划市场和部署战略。这个问题解决的好就能为企业的未来规划提供重要决策的理论支持。氨纶是聚氨基甲酸酯纤维的简称,但因其需要保存在温湿均恒的环境内,温度18-20摄氏度之间。并且不宜放于日光曝晒之地方,不宜与二氧化硫,氮氧化物等化工产品一起存放。这些限制条件又使得企业在生产氨纶产品等要有较为严谨的生产计划,否则会造成大量产品损毁。因此,氨纶产品销售预测对生产氨纶的企业来说有着重大的意义。本文利用Stacking策略将Xgboost、SVR（Support Vector Regression）支持向量回归、GRU神经网络作为基础模型,然后将lightGBM作为最终的预测模型中了几种模型的优势,大大的提高了模型的预测性能,更加接近真实的销量数据,为回归预测提供一种新的预测方法。除此之外,并且融合了新的特征。本文从网站上爬取了用户口碑数据,通过分词、情感分类对其进行处理。在对于历史销售数据时,采用滑动窗口的方法,构造了一系列的特征。最终将特征筛选出来的特征和构造的特征进行了融合,作为最后一层模型的训练数据。在结果分析时,本文将单一模型和组合模型进行性能对比,最终实验表明,本文的组合模型的预测性能要高于单一模型,其预测结果更加逼近真实的销售数据。进一步,本文将没有融合新特征的算法和融合新特征的算法进行对比,也发现,在引入新的特征作之后,算法的预测正确率有了提升,也证明了这些构造的特征确实发挥了作用。本文研究的算法应用与D企业色智能分拣系统中,本文对智能分拣系进行了简单的介绍,重点介绍了算法应用的模块。通过本算法提供的预测结果,给出合理的生产计划,为用户决策提供可靠的理论依据。
樊航[7]（2020）在《多品种小批量叉车精益生产若干关键技术研究》文中进行了进一步梳理随着叉车需求量不断增加,客户的需求呈现个性化和多样化的特点,传统的卖方市场转向买方市场。在这样的生产背景下,叉车制造企业为了提高市场竞争力,开始向多品种小批量的生产模式转变,引进了面向多品种小批量生产的混流装配线,但是由于企业缺乏精益生产思想的指导,使混流装配线不能完全发挥其高效生产的优点。因此如何利用企业的生产资源,充分发挥混流装配系统高效生产的优点对企业具有重要的指导意义。针对企业销售预测结果不准确,使物料采购不及时,进而导致库存成本增加和产品装配延期交货的问题,综合考虑叉车销售预测的影响因素,提出一种基于改进支持向量回归算法的预测模型,为了降低冗余数据对预测模型的影响,采用主成分分析法减少输入数据的维数;为了提高预测模型的准确度,采用改进粒子群算法对支持向量机的参数（不敏感损失系数,惩罚系数和核函数参数）进行寻优操作。然后通过某叉车制造企业内燃叉车的销售数据验证提出的预测模型。考虑到不均衡的混流装配计划将导致装配线日生产负荷不均衡的问题,提出一种以日生产产量均衡化和产品品种均衡化的混流装配计划模型,并提出一种启发式求解算法对模型进行求解,提高了混流装配车间和上游零部件生产车间的生产平稳性。针对混流装配线投产排序不合理,造成生产资源浪费和物料配送系统不稳定的问题,以物料消耗平准化和最大完工周期最短为目标,提出一种多目标混流装配线投产排序优化模型,提出一种蜜蜂进化型遗传算法求解投产排产模型。然后通过某叉车装配车间验证混流装配计划模型和投产排序模型。针对混流装配线物料配送混乱和不及时的问题,分析了叉车混流装配线物料需求的特点,将物料配送方式分为关键大物的顺序拉动配送、专用件的SPS配送和通用件的看板拉动配送三种配送方式。然后针对通用件配送过程中的路径优化问题,根据看板拉动模式下的物料配送特点,为了使物流量负荷均衡,建立基于看板拉动的物料分配路径优化模型,考虑到教与学算法复杂度低和寻优精度高的优点,提出一种改进混合教与学算法确定物料配送路径。
王洋[8]（2019）在《基于因素分析对我国重型卡车销量现状和预测的研究》文中研究表明随着我国经济和科学技术的快速进步,重型卡车行业也得到了迅猛发展,其作为汽车工业一个重要分支,常常被称为国民经济发展的“晴雨表”,然而我国重型卡车行业的发展不仅受到宏观层面的市场经济和微观层面的用户需求的影响,还将接受信息时代下科技的进步、完善的基础设施、宏观和汽车行业的政策调控等诸多方面的影响。十几年来,我国重型卡车的销量上下波动幅度较大,既有2010年和2017年销量突破百万辆的高峰,也有2012年和2015年寒冬式的低谷。如果不能准确的预测未来的销量,将出现供不应求或者产品积压等问题。所以,必须研究探索影响我国重型卡车销量的重要因素,进行仿真模拟,然后依据预测情况,与实际情况相结合重型卡车行业的稳定进步和快速发展。本文首先通过文献综述法搜寻影响我国重型卡车销量的宏观层面和微观层面的因素,然后结合统计分析方法对我国重型卡车现状进行了详细地描述;其次利用管理学中重要的分析方法——SWOT法对重型卡车行业进行了深入剖析,发现我国重型卡车行业具有健全的产业链、制造成本低和市场需求大这三大优势,同时也存在技术和创新上的不足,以及恶性低价竞争的劣势。然后,使用机器学习方法——随机森林对上述影响因素进行分类研究,结果发现PMI是影响重型卡车销量的最关键的因素,其次柴油价格、社会消费品零售总额、房地产新施工面积和工业增加值都对重型卡车的销量有着重要的影响。实证研究结果显示,PMI和工业增加值对我国重型卡车销量具有显着地正向影响,且政策变量——治超治限对PMI和工业增加值的正向影响具有显着地促进作用。最后,结合主成分分析、多元线性回归和神经网络预测模型的理论基础,对我国重型卡车销量的数据进行了因素分析和预测研究。从宏观经济、工业品商品物流、工程建筑、能源矿石、价格成本和政策法规等方面搜集了 2007年至2017年销量和影响因素的季度数据,并将数据取自然对数处理,使数据更易趋于平稳、方便计算和建模分析,通过对这些数据的主成分分析,得到了影响我国重型卡车销量的主成分F1和F2。其次,对实验的主成分因素进行分析和提取,通过定性分析的方法建立仿真模型,然后按照模型的结果计算出相应的误差,得出了多元线性回归模型在对国内重型卡车销量预测方面的适用性。
秦震[9]（2019）在《一汽丰田安庆4S店需求预测模型研究》文中研究说明随着我国经济的快速发展,人民生活水平的不断提高,家用轿车已经逐渐进入普通老百姓家庭,回顾近几十年的家用轿车普及过程,不难发现,作为家用轿车销售服务终端的4S店仍然发挥着非常重要的桥梁作用,既承担着为广大终端客户销售和服务的任务,也承担着为汽车生产厂家反馈各类信息的任务,同时他们还要承担各地区市场的各种不可控风险,这些风险包括来自潜在市场的不可预测性、来自竞争品的威胁、来自自身管理问题的产生、宏观经济等的综合影响。导致了诸多不确定性因素影响了汽车4S店的发展,特别是对于纷繁复杂的市场环境,4S店很难去把握未来的销售需求和方向。很多4S店的局部地域市场特性和缺乏对生产厂家的深入了解和沟通,相应的就限制了其自由发展的空间,更大范围内的宏观经济思维方面存在一定的不足,对国内整体汽车市场缺少信息获取途径,因此,在销售预测能力上存在很大提升空间。所处环境不同就造成了每个4S店存在的问题也多种多样,各不相同,要想一次性解决所有4S店的问题是不可能的事情,作者在一些4S店的实地调研过程中经常会听到有关销售预测和库存管理不合理造成困扰的事情,而4S店疲于应对生存的压力而忙于业务本身或是解决各种经营问题,很少有4S店能静下心来分析产生问题的真正原因和寻求解决问题的办法。因此,本文选择4S店在新车销售过程中的需求预测问题进行深入研究,将一汽丰田安庆4S店的需求预测为例,将安庆4S店2018年和2017年的需求预测数据分别导入到移动平均值预测模型、简单指数平滑模型、Holt预测模型、Winter预测模型,然后比较这4种模型的预测误差评定指标,选出一个更适合该4S店需求预测的基础模型,再通过德尔菲法——调查行业内资深从业专家对多种销售影响因素的主观评级,并将这些因素进行排序、设定修正系数对需求预测基础模型进行修正,从而得到重叠前置预测模型的预测结果,最后将预测结果与2019年安庆4S店的实际需求预测进行比对后发现,采用重叠前置预测模型更适合4S店进行需求预测。
陈银光[10]（2019）在《面向男装销售数据的预测技术研究与应用》文中研究指明随着服装行业的发展,中国男装行业已经成为服装业重要的一部分,也是竞争较为激烈的一部分。要想在竞争中处于有利的地位,必须了解市场需求,把握先机,这就需要对男装未来的销售情况做出准确的预测。传统的基于经验判断和市场调研分析的服装销售预测,缺乏科学根据,考虑的因素也相对简单,无法使预测结果精确化。论文从单一预测模型和组合预测模型两方面,对服装销售预测技术进行了研究。论文从分析服装销售数据的特点入手,在综述数据预测相关理论与技术的基础上,研究了基于单一模型的销售数据预测。针对服装销售数据的线性特征,论文利用ARIMA模型对男装销售数据进行了预测;针对服装销售数据的非线性特征,论文利用神经网络模型对男装销售数据进行了预测。服装销售数据存在有趋势的线性特征,又因其受包括品牌、流行因素、价格、季节等因素的影响,也存在非线性特征。单一预测模型具有一定的局限性,论文进一步研究基于加权组合预测模型的相关预测技术。通过实验分析,确定采用最优权重法作为计算组合预测模型各部分权重的方法。利用实际数据,对不同模型的三种组合,进行了预测分析,结果表明ARIMA-BP-RBF组合模型具有最优的预测准确率。具体来讲,论文包括以下工作。（1）综述了服装销售数据预测的研究现状,通过对某商家实际销售数据的分析,总结了男装销售数据存在的线性和非线性特征。通过数据聚合、有效性筛选、缺失值及异常值处理等方法,获得了高质量的数据,为论文数据预测工作做了准备。（2）研究了基于ARIMA单一模型的服装销售数据预测。结合男装销售数据的特点,分析了ARIMA建模过程,采用差分处理将非平稳状态的数据转换为平稳状态,并通过模式识别及检验确定了模型参数。实验表明ARIMA模型对数据线性部分预测准确,对整体男装销售数据预测还存在不足。（3）研究了基于神经网络单一模型的服装销售数据预测。结合男装销售数据的非线性特征,分析了BP神经网络和RBF神经网络建模过程。通过对各种传递函数特点的分析,确定Sigmoid函数适用于BP神经网络模型,高斯函数适用于RBF神经网络模型。并通过对神经网络模型原理的分析,确定了神经网络各层节点个数,并对样本数据进行训练及测试。实验表明BP神经网络模型和RBF神经网络模型对数据非线性部分预测准确,由于数据存在线性部分,所以对整体男装销售数据预测还存在不足。（4）研究了ARIMA和神经网络组合模型的服装销售数据预测技术。通过对多种加权组合方法实验分析,确定采用最优权重法作为计算组合模型各部分权重的方法。采用最优权重法构建了ARIMA-BP组合模型、ARIAM-RBF组合模型、以及ARIMA-BP-RBF组合模型,并通过实验数据分析,确定ARIMA-BP-RBF组合模型最适用于男装销售预测。
二、基于RBF神经网络的销售预测模型的研究与应用（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于RBF神经网络的销售预测模型的研究与应用（论文提纲范文）
（1）服装销售定量预测方法研究进展（论文提纲范文）
| 1 服装销售预测概述 |
| 1.1 服装销售预测概念 |
| 1.2 销售预测方法的分类 |
| 2 服装销售定量预测方法 |
| 2.1 时间序列法(TSPM) |
| 2.2 回归分析法(RAM) |
| 2.3 灰色预测模型(GM) |
| 2.4 人工神经网络法(ANN) |
| 2.4.1 BP神经网络 |
| 2.4.2 极限学习机(ELM) |
| 2.4.3 径向基神经网络(RBF) |
| 2.5 机器学习组合算法 |
| 3 结论与展望 |
（2）A企业汽车售后服务产品销量的预测研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 研究意义 |
| 1.3 国内外研究现状 |
| 1.3.1 时间序列预测现状 |
| 1.3.2 神经网络模型研究现状 |
| 1.3.3 组合模型预测现状 |
| 1.4 研究内容与结构 |
| 1.4.1 研究内容 |
| 1.4.2 论文结构 |
| 1.5 本章小结 |
| 2 预测算法相关理论基础 |
| 2.1 时间序列预测模型及其特点 |
| 2.2 ARIMA模型相关理论分析 |
| 2.2.1 自回归综合移动模型与步骤分析 |
| 2.3 神经网络模型理论 |
| 2.3.1 循环神经网络原理 |
| 2.3.2 长短神经网络的训练方程 |
| 2.4 本章小结 |
| 3 企业研究现状与数据准备 |
| 3.1 销量预测影响指标因素分析 |
| 3.2 数据准备 |
| 3.3 数据处理 |
| 3.4 企业销售预测方法现状分析 |
| 3.5 本章小结 |
| 4 销售预测模型的建立 |
| 4.1 ARIMA预测模型的建立 |
| 4.1.1 数据销量序列平稳性检验 |
| 4.1.2 模型定阶 |
| 4.1.3 建立模型 |
| 4.2 基于RNN-LSTM神经网络的销量预测模型构建 |
| 4.2.0 LSTM神经网络模型训练过程 |
| 4.2.1 模型参数的设定 |
| 4.2.2 模型评价 |
| 4.3 本章小结 |
| 5 基于LSTM与 ARIMA组合销量预测模型 |
| 5.1 组合预测的思想 |
| 5.2 组合模型预测方法研究 |
| 5.3 模型预测结果分析 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 附录 A |
| 附录 B ARIMA 模型部分预测代码 |
| 附录 C LSTM 神经网络部分预测代码 |
| 作者简历及攻读硕士学位期间取得的研究成果 |
| 学位论文数据集 |
（3）基于机器学习的零售药店药品销量影响因素和预测研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 选题背景与研究意义 |
| 1.2 文献综述 |
| 1.3 研究内容与研究方法 |
| 1.4 研究创新点 |
| 1.5 技术路线 |
| 2 理论基础和机器学习方法 |
| 2.1 营销组合理论 |
| 2.2 消费者购买理论 |
| 2.3 市场预测理论 |
| 2.4 机器学习 |
| 3 内部因素和月份对药品销量的影响 |
| 3.1 变量分析与模型构建 |
| 3.2 季节指数实证分析 |
| 3.3 多元线性回归实证分析 |
| 3.4 本章小结 |
| 4 零售药店选址对药品销量的影响 |
| 4.1 模型构建 |
| 4.2 实证分析 |
| 4.3 本章小结 |
| 5 有限时间数据下的零售药店药品销量预测研究 |
| 5.1 模型构建 |
| 5.2 实证分析 |
| 5.3 本章小结 |
| 6 结论及展望 |
| 6.1 主要结论 |
| 6.2 政策建议 |
| 6.3 研究展望 |
| 参考文献 |
| 附录1 |
| 附录2 |
| 附录3 |
| 作者简历 |
| 学位论文数据集 |
（4）F企业慢性病药品需求预测及库存策略研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 引言 |
| 1.1 研究背景 |
| 1.2 研究意义 |
| 1.3 研究现状 |
| 1.3.1 药品库存分类研究现状 |
| 1.3.2 药品需求预测研究现状 |
| 1.3.3 库存控制策略研究现状 |
| 1.3.4 文献评述 |
| 1.4 研究方法和技术路线 |
| 1.4.1 研究方法 |
| 1.4.2 技术路线 |
| 1.5 研究创新点 |
| 1.6 本章小结 |
| 第2章 相关理论研究 |
| 2.1 ABC分类法 |
| 2.1.1 ABC分类法的概述 |
| 2.1.2 ABC分类法的应用 |
| 2.2 RBF神经网络算法 |
| 2.2.1 RBF神经网络模型 |
| 2.2.2 RBF神经网络的学习算法 |
| 2.2.3 RBF神经网络的需求预测步骤 |
| 2.3 随机需求下库存控制策略 |
| 2.3.1 平稳需求的库存控制策略 |
| 2.3.2 非平稳需求的库存控制策略 |
| 2.4 本章小结 |
| 第3章 F企业慢性病药品库存管理分析及分类 |
| 3.1 F企业概况及慢性病药品库存管理问题分析 |
| 3.1.1 F企业概况 |
| 3.1.2 F企业慢性病药品库存管理问题分析 |
| 3.2 慢性病药品的分类 |
| 3.2.1 慢性病药品ABC分类 |
| 3.2.2 慢性病药品滞销药品类别确定 |
| 3.3 本章小结 |
| 第4章 F企业非滞销慢性病药品需求预测 |
| 4.1 非滞销慢性病药品数据的处理 |
| 4.1.1 非滞销慢性病药品数据特征 |
| 4.1.2 需求预测方法的确定 |
| 4.1.3 影响因子的选取与分析 |
| 4.1.4 非滞销慢性病药品数据预处理 |
| 4.1.5 非滞销慢性病药品数据归一化处理 |
| 4.2 基于RBF神经网络非滞销慢性病药品的需求预测 |
| 4.2.1 RBF神经网络学习算法过程 |
| 4.2.2 RBF神经网络需求预测模型构建 |
| 4.2.3 RBF神经网络需求预测模型求解 |
| 4.3 本章小结 |
| 第5章 F企业慢性病药品库存控制策略 |
| 5.1 F企业慢性病药品需求特征分析 |
| 5.1.1 非滞销慢性病药品需求特征分析 |
| 5.1.2 滞销慢性病药品需求特征分析 |
| 5.2 F企业非滞销慢性病药品库存控制策略制定及对比分析 |
| 5.2.1 构建静动结合第一阶段库存控制模型 |
| 5.2.2 构建静动结合第二阶段库存控制模型 |
| 5.2.3 非滞销慢性病药品库存控制策略对比分析 |
| 5.3 F企业滞销慢性病药品库存控制策略制定及对比分析 |
| 5.3.1 滞销慢性病药品库存控制策略制定 |
| 5.3.2 滞销慢性病药品库存控制策略对比分析 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 研究结论 |
| 6.2 管理启示 |
| 6.3 研究不足与展望 |
| 参考文献 |
| 攻读学位期间取得的学术成果 |
| 致谢 |
（5）需求不确定下的大规模数据高斯过程回归的商品销量预测模型研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 选题背景 |
| 1.2 研究目的及意义 |
| 1.3 国内外研究现状 |
| 1.4 研究内容及创新点 |
| 1.5 论文组织结构与技术路线 |
| 1.6 本章小结 |
| 2 高斯过程相关理论研究 |
| 2.1 高斯过程概述 |
| 2.2 高斯过程回归 |
| 2.3 高斯过程回归与神经网络等机器学习算法的关系 |
| 2.4 本章小结 |
| 3 基于滑动窗口高斯过程回归的商品销量预测模型 |
| 3.1 问题建模 |
| 3.2 基于SWGPR的商品销量预测模型描述 |
| 3.3 基于SWGPR的商品销量预测模型实现 |
| 3.4 本章小结 |
| 4 实验及结果分析 |
| 4.1 实验设计 |
| 4.2 数据预处理 |
| 4.3 特征选择 |
| 4.4 实验结果分析 |
| 4.5 本章小结 |
| 5 总结及展望 |
| 5.1 研究结论 |
| 5.2 不足及展望 |
| 参考文献 |
| 附录 |
| 在学期间发表论文的清单 |
| 致谢 |
（6）氨纶产品销量预测技术的研究与应用（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 课题意义 |
| 1.2 国内外研究现状 |
| 1.2.1 销售预测研究现状 |
| 1.2.2 集成学习研究现状 |
| 1.3 论文的组织结构 |
| 1.4 本章小结 |
| 第2章 相关理论基础及方法 |
| 2.1 回归预测方法 |
| 2.1.1 SVR |
| 2.1.2 Xgboost |
| 2.1.3 lightGBM |
| 2.2 深度学习模型 |
| 2.2.1 GRU |
| 2.3 集成学习 |
| 2.3.1 Bagging |
| 2.3.2 boosting |
| 2.3.3 Stacking |
| 2.4 评价函数 |
| 2.5 本章小结 |
| 第3章 数据准备 |
| 3.1 数据准备 |
| 3.1.1 历史销售数据 |
| 3.1.2 用户评论数据 |
| 3.2 数据预处理 |
| 3.2.1 历史销售数据处理 |
| 3.2.2 用户口碑文本数据处理 |
| 3.3 本章小结 |
| 第4章 特征工程 |
| 4.1 特征工程简介 |
| 4.2 特征工程的组成 |
| 4.2.1 特征提取过程 |
| 4.2.2 特征工程处理方法 |
| 4.3 特征工程设计思路 |
| 4.4 特征工程构造结果 |
| 4.5 本章小结 |
| 第5章 销售预测组合模型设计与应用 |
| 5.1 基本模型训练 |
| 5.1.1 模型确定流程简介 |
| 5.1.2 SVR |
| 5.1.2.1 SVR参数确定 |
| 5.1.2.2 SVR预测结果 |
| 5.1.3 Xgboost |
| 5.1.3.1 Xgboost参数确定 |
| 5.1.3.2 Xgboost预测结果 |
| 5.1.4 GRU |
| 5.1.4.1 GRU防止过拟合 |
| 5.1.4.2 GRU预测效果 |
| 5.1.5 lightGBM |
| 5.1.5.1 lightGBM调节参数 |
| 5.1.5.2 预测效果 |
| 5.2 多种模型融合的销售预测算法 |
| 5.2.1 算法简介 |
| 5.2.2 预测结果分析 |
| 5.3 算法应用 |
| 5.3.1 智能分拣系统介绍 |
| 5.3.2 销量预测 |
| 5.4 本章小结 |
| 第6章 结论与展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（7）多品种小批量叉车精益生产若干关键技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 销售预测技术国内外研究现状 |
| 1.2.2 混流装配线排产优化国内外研究现状 |
| 1.2.3 物料配送路径优化国内外研究现状 |
| 1.3 论文研究内容与框架 |
| 1.4 本章小结 |
| 第二章 相关理论基础与企业现状分析 |
| 2.1 相关理论基础 |
| 2.1.1 销售预测相关理论 |
| 2.1.2 混流装配计划与投产排序相关理论 |
| 2.1.3 装配车间物料配送相关理论 |
| 2.2 某叉车制造企业生产现状分析 |
| 2.2.1 企业介绍 |
| 2.2.2 某叉车企业主生产计划制定流程与问题分析 |
| 2.2.3 某叉车企业混流装配计划与投产排序问题分析 |
| 2.2.4 某叉车企业装配车间布局现状与物料配送问题分析 |
| 2.2.5 叉车混流装配车间精益生产若干优化对策 |
| 2.3 本章小结 |
| 第三章 基于改进SVR的叉车销售预测模型研究 |
| 3.1 多品种小批量叉车销售预测问题描述 |
| 3.2 基于改进支持向量机的叉车销售预测模型建立 |
| 3.3 改进支持向量机的销售预测模型求解 |
| 3.3.1 主成分分析法 |
| 3.3.2 基于改进粒子群算法的参数寻优 |
| 3.4 实例分析 |
| 3.4.1 改进预测模型与PSO-SVR预测模型对比 |
| 3.4.2 与灰色动态预测模型的结果比较 |
| 3.5 本章小结 |
| 第四章 均衡的叉车混流装配计划和投产排序优化研究 |
| 4.1 叉车混流装配计划与投产排序问题分析 |
| 4.2 基于均衡化的叉车混流装配计划模型构建与求解 |
| 4.2.1 基于均衡化的叉车混流装配计划模型 |
| 4.2.2 混流装配线装配计划模型求解 |
| 4.3 基于多目标优化的叉车混流排序优化模型构建与求解 |
| 4.3.1 基于多目标的叉车混流排序优化问题模型构建 |
| 4.3.2 混流装配线投产排序优化模型求解 |
| 4.4 实例分析 |
| 4.4.1 装配计划的制定 |
| 4.4.2 混流装配线投产排序投产方案制定 |
| 4.5 本章小结 |
| 第五章 叉车混流装配线准时化物料配送优化 |
| 5.1 物料分类及配送方式选择 |
| 5.2 物料配送过程中的路径优化问题描述与模型构建 |
| 5.2.1 混流装配线物料配送路径优化问题描述 |
| 5.2.2 混流装配线物料配送时间窗的确定 |
| 5.2.3 带时间窗的多目标物料配送路径优化模型构建 |
| 5.3 基于改进混合教与学算法的装配线物料配送优化模型求解 |
| 5.3.1 基本教与学算法概述 |
| 5.3.2 基于改进混合教与学算法的物料配送算法设计 |
| 5.4 实例分析 |
| 5.4.1 实例仿真 |
| 5.4.2 结果分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 不足与展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士研究生期间发表的学术论文和参加的科研项目 |
（8）基于因素分析对我国重型卡车销量现状和预测的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景和选题意义 |
| 1.1.1 课题研究的背景 |
| 1.1.2 课题研究的意义 |
| 1.2 国内外研究现状综述 |
| 1.2.1 国内研究现状 |
| 1.2.2 国外研究现状 |
| 1.2.3 预测的主要方法 |
| 1.2.4 研究评述 |
| 1.3 研究内容和文章结构 |
| 1.3.1 本文的研究内容 |
| 1.3.2 本文的文章结构 |
| 1.4 本文的重点、难点和创新点 |
| 1.4.1 本文的重点和难点 |
| 1.4.2 本文的创新点 |
| 1.5 本章小结 |
| 第2章 中国重型卡车市场的发展现状 |
| 2.1 市场集中度 |
| 2.2 市场年销售量变化情况 |
| 2.3 中国重型卡车市场销量结构 |
| 2.4 中国重型卡车市场SWOT分析 |
| 2.4.1 优势分析 |
| 2.4.2 劣势分析 |
| 2.4.3 机会分析 |
| 2.4.4 威胁分析 |
| 2.5 重型卡车市场的发展趋势 |
| 2.6 本章小结 |
| 第3章 影响中国重型卡车销售量的因素 |
| 3.1 影响因素的来源 |
| 3.2 影响因素的定义 |
| 3.2.1 宏观经济因素 |
| 3.2.2 工业品商品物流因素 |
| 3.2.3 工程建筑因素 |
| 3.2.4 能源矿石因素 |
| 3.2.5 价格成本因素 |
| 3.2.6 国家政策等定性因素 |
| 3.3 影响因素的分析 |
| 3.3.1 数据变量 |
| 3.3.2 描述性统计分析 |
| 3.3.3 随机森林分类分析 |
| 3.4 实证分析 |
| 3.5 本章小结 |
| 第4章 中国重型卡车销售量的预测 |
| 4.1 主成分分析 |
| 4.1.1 KMO和Bartlett的球形度检验 |
| 4.1.2 共同度 |
| 4.1.3 解释总方差 |
| 4.2 回归分析预测模型 |
| 4.2.1 拟合优度检验 |
| 4.2.2 F检验 |
| 4.2.3 T检验 |
| 4.2.4 回归预测预测结果 |
| 4.3 神经网络预测模型 |
| 4.3.1 RBF神经网络 |
| 4.3.2 神经网络预测结果 |
| 4.4 预测效果比较 |
| 4.5 本章小结 |
| 第5章 结论和展望 |
| 5.1 结论 |
| 5.2 政策性建议 |
| 5.3 展望 |
| 参考文献 |
| 致谢 |
| 学位论文评阅及答辩情况表 |
（9）一汽丰田安庆4S店需求预测模型研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究的背景与意义 |
| 1.1.1 研究的背景 |
| 1.1.2 研究的意义 |
| 1.2 研究的思路和方法 |
| 1.2.1 研究的思路 |
| 1.2.2 研究的方法 |
| 1.3 论文的结构和框架 |
| 1.3.1 论文的结构 |
| 1.3.2 论文的框架 |
| 第二章 预测理论相关文献综述 |
| 2.1 国内外预测研究情况 |
| 2.1.1 国外研究情况 |
| 2.1.2 国内研究情况 |
| 2.2 主要预测理论在汽车行业的具体运用 |
| 2.3 本章小结 |
| 第三章 中国汽车市场发展状况及区域汽车市场近几年特征 |
| 3.1 中国汽车市场状况 |
| 3.1.1 中国汽车市场的发展 |
| 3.1.2 中国汽车品牌4S店的发展变化情况 |
| 3.2 中国区域汽车市场状况 |
| 3.2.1 区域汽车市场变化的影响因素 |
| 3.2.2 华中区域汽车市场容量及安庆汽车市场近几年特征 |
| 3.3 本章小结 |
| 第四章 一汽丰田供应链管理模式及需求预测模型 |
| 4.1 一汽丰田供应链管理模式 |
| 4.1.1 一汽丰田终端客户订单式需求管理 |
| 4.1.2 经销店(4S店)终端客户订单生成过程 |
| 4.1.3 代理商(一汽丰田)在供应链上的重要枢纽作用 |
| 4.1.4 代理商(一汽丰田)区域经理管理制度 |
| 4.2 一汽丰田安庆4S店需求预测案例分析 |
| 4.2.1 4S店需求预测的数据获取 |
| 4.2.2 安庆4S店2018 年需求预测分析 |
| 4.3 基于安庆4S店2018 年需求预测的模型分析 |
| 4.3.1 基于需求预测数据的移动平均值预测模型 |
| 4.3.2 基于需求预测数据的简单指数平滑预测模型 |
| 4.3.3 基于需求预测数据的Holt预测模型 |
| 4.3.4 基于需求预测数据的Winter预测模型 |
| 4.3.5 基于需求预测数据的重叠前置预测模型 |
| 4.4 本章小结 |
| 第五章 结论和展望 |
| 5.1 结论 |
| 5.1.1 存在的不足 |
| 5.1.2 今后的计划 |
| 5.2 展望 |
| 5.2.1 今后的建议 |
| 致谢 |
| 参考文献 |
| 附录 |
| 附录1 |
| 附录2 |
（10）面向男装销售数据的预测技术研究与应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究的意义 |
| 1.2 国内外研究现状 |
| 1.2.1 服装销售预测研究现状 |
| 1.2.2 时间序列预测研究现状 |
| 1.2.3 当前研究的不足 |
| 1.3 研究主要内容 |
| 1.4 论文结构及组织 |
| 2 男装销售介绍及数据准备 |
| 2.1 男装销售预测的意义 |
| 2.2 影响男装销售状况的因素 |
| 2.3 数据准备 |
| 2.3.1 数据的收集 |
| 2.3.2 数据预处理 |
| 2.3.3 男装销售数据分析 |
| 2.4 本章小结 |
| 3 数据预测相关理论及技术 |
| 3.1 数据预测方法 |
| 3.1.1 定性分析预测法 |
| 3.1.2 定量分析预测方法 |
| 3.1.3 回归分析预测法 |
| 3.1.4 传统统计学时间序列分析预测法 |
| 3.1.5 机器学习时间序列分析预测法 |
| 3.2 时间序列分析模型 |
| 3.2.1 自回归模型 |
| 3.2.2 移动平均模型 |
| 3.2.3 自回归移动平均模型 |
| 3.2.4 神经网络模型 |
| 3.3 预测模型的评价 |
| 3.4 本章小结 |
| 4 ARIMA模型在男装销售预测中的应用 |
| 4.1 ARIMA模型介绍 |
| 4.2 ARIMA建模流程 |
| 4.3 模型应用及结果分析 |
| 4.3.1 数据平稳性检验 |
| 4.3.2 模式识别 |
| 4.3.3 模型检验 |
| 4.3.4 数据预测结果分析 |
| 4.4 本章小结 |
| 5 神经网络模型在男装销售预测中的应用 |
| 5.1 BP神经网络模型基本简介 |
| 5.2 BP神经网络模型原理 |
| 5.2.1 BP神经网络结构 |
| 5.2.2 神经元 |
| 5.2.3 神经元传递函数 |
| 5.2.4 BP神经网络模型算法步骤 |
| 5.3 BP神经网络模型在男装销售预测中的应用 |
| 5.3.1 传递函数选择 |
| 5.3.2 BP神经网络结构设计 |
| 5.3.3 样本数据训练和预处理 |
| 5.3.4 实验结果分析 |
| 5.4 RBF神经网络模型结构 |
| 5.5 RBF神经网络学习算法 |
| 5.6 RBF神经网络模型在男装销售预测中的应用 |
| 5.6.1 RBF神经网络结构设计 |
| 5.6.2 基函数中心及扩展常数的确定 |
| 5.6.3 隐含层和输出层之间的权值计算 |
| 5.6.4 实验结果分析 |
| 5.7 本章小结 |
| 6 ARIMA与神经网络组合模型在男装销售预测中的应用 |
| 6.1 组合模型的构造 |
| 6.1.1 组合模型构造原理 |
| 6.1.2 组合模型构建方法 |
| 6.1.3 组合模型权重确定 |
| 6.2 ARIAM-BP组合模型在男装销售预测中的应用 |
| 6.2.1 ARIMA-BP组合模型权重的确定 |
| 6.2.2 ARIMA-BP组合模型的应用及分析 |
| 6.3 ARIAM-RBF组合模型在男装销售预测中的应用 |
| 6.3.1 ARIAM-RBF组合模型权重的确定 |
| 6.3.2 ARIAM-RBF组合模型的应用及分析 |
| 6.4 ARIMA-BP-RBF组合模型在男装销售预测中的应用 |
| 6.4.1 ARIMA-BP-RBF组合模型构造 |
| 6.4.2 组合模型应用及分析 |
| 6.5 本章小结 |
| 7 总结与展望 |
| 参考文献 |
| 攻读学位期间的研究成果目录 |
| 致谢 |
四、基于RBF神经网络的销售预测模型的研究与应用（论文参考文献）
- [1]服装销售定量预测方法研究进展[J]. 郑金峰,罗戎蕾. 现代纺织技术, 2022
- [2]A企业汽车售后服务产品销量的预测研究[D]. 刘文文. 北京交通大学, 2021(02)
- [3]基于机器学习的零售药店药品销量影响因素和预测研究[D]. 梅学聃. 中国矿业大学, 2020(01)
- [4]F企业慢性病药品需求预测及库存策略研究[D]. 付美园. 山东财经大学, 2020(07)
- [5]需求不确定下的大规模数据高斯过程回归的商品销量预测模型研究[D]. 林木兴. 暨南大学, 2020(04)
- [6]氨纶产品销量预测技术的研究与应用[D]. 张雷东. 中国科学院大学(中国科学院沈阳计算技术研究所), 2020(07)
- [7]多品种小批量叉车精益生产若干关键技术研究[D]. 樊航. 浙江理工大学, 2020(04)
- [8]基于因素分析对我国重型卡车销量现状和预测的研究[D]. 王洋. 山东大学, 2019(02)
- [9]一汽丰田安庆4S店需求预测模型研究[D]. 秦震. 电子科技大学, 2019(04)
- [10]面向男装销售数据的预测技术研究与应用[D]. 陈银光. 东华大学, 2019(03)