武汉东湖学院管理学院 朱 英
市场需求是公司高层制定企业战略决策的重要依据。本文针对销售管理中市场需求预测建模问题，运用人工神经网络BP算法，构建了三层网络结构的市场需求预测的决策模型，并借助于MATLAB7.0软件中的Simulink仿真模块实现模型的优化求解，通过算例验证了预测模型的准确性和可信度。
市场需求预测构成了供应链中所有战略与规划决策的基础。预测的目的是为生产经营决策或市场营销决策服务，决策应以科学的预测结果作为基础，通过分析比较，选取最优方案。目前，许多学者利用人工神经网络算法解决了不同领域的预测问题，并取得了有效的成果。时间滞后的周期性网络(Time Lagged Recurrent Networks，简称TLRN)运用于水量预测模型研究,不同的研究结果表明TLRN模型结果优于其他统计模型。为此，本文采用人工神经网络中的BP算法构建市场需求预测模型。
一、人工神经网络原理
人工神经网络(Artificial Neural Network，简称ANN)是一种用大量处理单元广泛连接组成的人工网络，用来模拟人的大脑神经系统的结构和功能，是人脑的某种抽象和简化，而不是完全的真实描写。对于预测问题中各个影响因素之间复杂、非线性关系的拟合能力更强，其预测精度和效率都很高。
BP神经网络已经成功地用于材料数据试验处理、摩擦磨损行为分析、图像处理、模式识别、自动控制等领域。
1.BP网络的基本原理
人工神经网络基本单元的神经元模型有三个基本要素：一组连接权、一个求和单元和一个非线性激励函数。此外，还有一个阈值b。以上作用可以用数学式表达为：
典型的三层BP网络结构模型如图1所示。此模型是一个三层BP网络，含有一个隐含层；输入层、隐含层、输出层的神经元个数分别为m,l,n。给定一个输入模式，在MATLAB中，输入可以用一个m×1维的列向量表示：
X＝ (x1, x2 ,…, xm)T
图1 三层BP网络结构模型
输入信号神经元经隐含层和输出层处理后，产生一个输出模式：
Y=(y1,y2,…,yn)T
2.BP网络的学习过程
神经网络的学习与训练是通过网络权值和阀值的调节来实现的。本文采用的是BP算法，它是最典型的有监督的学习算法。
3.BP网络预测
用训练好后的BP网络可以进行测试或预测，将进行预测的对象输入，经过网络运算后输出预测值。
二、应用实例
本文通过一组历史数据来预测未来某一时刻的值，即用某汽车制造企业销售部研究人员所收集的过去12个月的汽车销售量数据来预测汽车未来的销售量，具体数据见表1。
表1 某产品的销售量、销售价格、广告费用、服务水平等相关的数据
1.用Matlab中的Simulink模块构建市场需求预测模型
本文采用MATLAB7.0中Simulink模块建模，构建产品需求预测的回归神经网络分析的BP算法结构模型，具体如图2所示。
图2 神经网络BP算法结构模型
（1）影响产品销售的主要因素
影响产品市场销售的主要因素有价格、品牌知名度、营销服务水平、地区经济状况和政策等。
（2）建立BP神经网络模型
影响产品销售的主要因素有3个，则输入层神经元个数为3，即m=3，则输入函数为：X＝（x1，x2，x3）。
预测目标只有一个，则输出层神经元个数为1，即n=1，则回归神经预测模型为：Y=f(X)=f(x1,x2,x3)。
在各影响因素对需求预测的映射关系的基础上，参照图1所示的BP网络结构模型，构建含有一个隐含层的BP神经网络结构模型，含有3个输入神经元，隐层有5个神经元，1个输出神经元，具体结构如图3所示，其对应的Simulink仿真模型如图4所示。
图3 具有一个隐层的BP神经网络示意图
图4 神经网络BP算法的Simulink仿真模型(www.xing528.com)
图5 输入层—隐层的权值分配结构模型
（3）网络训练
表1中的前10组数据作为神经网络的学习样本，后两组数据作为测试样本。
本文选用的学习速率为0.6（即6.0==ba），学习动量系数取0.8，训练目标误差为0.002，迭代次数为1200次。
（4）网络预测
用训练好的网络，输入表1中的后两组数据进行需求预测，输出指标预测数据如图6和图7。
图6 第11月份预测结果
图7 第12月份预测结果
11月份的销售额预测值为 3610辆，实际销售量为3662辆，预测误差为1.41%。
12月份的销售额预测值为4272辆，实际销售量为4292辆，预测误差为0.46%。
样本训练值及预测值预测结果如表2所示，trainlm函数BP网络训练过程曲线如图8所示。
表2 BP网络学习与预测结果对照表
图8 trainlm函数BP网络训练过程曲线
三、仿真结果分析
根据预测结果可看出，预测精度是非常高的，说明本文提出的预测模型是可用的。同时，此预测模型也能够很好地适应市场的变化，通过改变参数重新训练网络,实现市场需求预测的动态性。比如广告费用指标不是影响销售额的主要因素了，产品的质量因素越来越重要了，则产品质量可取代广告费用或增加这个指标。另外，把神经网络方法应用于现代销售预测的定量研究具有很好的现实意义，通过对这些指标的预测，我们不仅仅获得了指标的数据，还可运用这些数据，对企业决策方案进行分析，为企业的战略决策提供定量的决策依据。同时,根据此预测结果进行库存控制，可以大大降低库存成本，提高顾客服务水平，并可用最终库存模型进行库存模型灵敏度分析，进一步降低整个供应链系统的预期成本，提高服务水平，寻求企业业务流程优化及供应链优化的途径。
四、结束语
本文将BP神经网络用于市场需求预测模型， 并运用matlab建模，构建出市场需求预测决策模型，并运用实例验证了预测模型的可行性与可信度。
【参考文献】
[1]N.I.Al-Bulushi，P.R.King，M.J.Blunt，M. Kraaijveld Artificial neural networks workflow and its application in the petroleum industry[J].Neural Comput ＆ Applic，2012，21：409—421.
[2]Birkan Can, Cathal Heavey. A comparison of genetic programming and artificial neural networks in metamodeling of discrete-event simulation models[J]. Computers ＆ Operations Research，2012，39：424—436.
[3]Haykin SS. Neural networks and learning machines[M]. New York: Prentice-Hall/ Pearson，2009.
[4]M.Taghi Sattaria,Kadri Yurekli,Mahesh Pal. Performance evaluation of artificial neural network approaches in forecasting reservoir inflow[J]. Applied Mathematical Modelling，2012，36：2649—2657.
[5]A.S. Kote,V. Jothiprakash, Reservoir inflow prediction using time lagged recurrent neural networks, First Int.Conf.Emerg.Trends Eng. Technol[J].IEEE Comput.Soc.2008，6：18—623.
[6]A.S.Kote,V.Jothiprakash, Monthly reservoir inflow modeling using time lagged recurrent networks[J].Int.J.Tomogr.Stat.2009，12：64—84.
[7]K.S.Jeong,D.K.Kimb,J.M.Jungc,M.C.Kimb,G.J.Joob, Non-linear autoregressive modelling by Temporal Recurrent Neural Networks for the prediction of freshwater phytoplankton dynamics[J].Ecol.Model. 2008，211：292—300.
[8]彭祖赠.数学模型与建模方法[M].大连：大连海事大学出版社,1997，57—67.
[9]Conejo A J,Plazas M A, Espinola R, et al.Day-ahead electricityprice forecasting using the wavelet transform and ARIMA modesl[J].IEEE Trans Power System,2005,20(2)：1035—1042.
[10]VeltenK,ReinickeR,FriedrichK.Wearvolume predictionwith artificialneuralnetworks[J].Tribolo gyInternational,2000,33：731.
[11]Chau K W.Reliability and performance based design by artificial neural network[J]. Advance sin En gineering Software,2007,38：145.
[12]李彦斌，李存斌，宋晓华.改进的人工智能神经网络预测模型及其应用[J].中南大学学报(自然科学版) 2008,39(5)：1054—1059.
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
