金 淳,曹 迪,王 聪,李文立
(大连理工大学 系统工程研究所,辽宁 大连 116024)
汽车零部件第三方仓储物流企业在运营中面临的一个重要问题是:在经营环境存在众多不确定性影响因素、汽车零部件的需求变得越来越多样化的条件下,如何分配合理的仓储存储能力来提高服务质量、降低运营成本[1]。为此,建立准确有效的存储需求量预测模型具有重要的现实意义。
汽车零部件第三方仓储需求量预测问题属于需求量预测模型的范畴,该类模型的构建方法可分为定性预测和定量预测两大类。定性预测主要包括市场调查、菲尔德法、头脑风暴法、类推法和意见汇总法等[2];定量预测是最常用的方法,如指数平滑法、ARIMA 模 型、马 尔 科 夫 法、SVM 和RBF 等[2-5]。定量预测方法中,除BRF外的方法均是基于需求量历史数据本身趋势的预测。实践表明,对于处于显著动态变化环境的汽车零部件需求预测而言,只用历史数据来预测经常会失败,因为这种预测假设过去的需求模式会发生在将来,而这种假设有时并不成立[6]。为此,需要获取更多的信息才能从动态变化的环境中找到与需求量相关的影响因素及其影响模式,从而提高预测精度[7]。
RBF神经网络是一种非线性统计性数据建模工具,常用来对输入和输出间复杂的关系进行建模,或用来探索数据的模式。当需求受到众多因素影响且影响程度难以确定时,可以采用其进行预测。神经元个数的多少直接影响RBF神经网络的预测效果,神经元个数过少时的预测效果会很差,而过多时则会造成过度拟合的情况。……