论文部分内容阅读
本文首先对烟草业做了初步的市场分析,分析了影响卷烟销售的几个基本环境因素:经济收入水平、人口、节假日等。得出影响卷烟的销售的因子是多方面的,而且这些因子互相作用共同影响卷烟的销售。卷烟销售具有时间序列二重趋势变化的特点,即整体趋势变动性和季节波动性。数据挖掘是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中,提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。本文从数据挖掘的角度阐述了数据挖掘的过程及其基本实施步骤。然后,从数据挖掘的模型中重点介绍了BP神经网络、时间序列模型、基于时间序列的神经网络模型以及CBP网络模型的理论基础及其原理。 在充分考虑了趋势预测目标数据源(云南某烟草公司卷烟销售)的二重趋势时间序列的时间相关性的特点下,以神经网络中CBP神经网络为基础建立CCBP网络预测模型。CCBP模型是LCBP和PCBP两个子模型的积乘组合。其中LCBP模型在考虑了经济收入水平、人口、年龄结构层次及流动人口流量等环境因子的条件下对趋势分量进行预测。根据时间相关性的特点加入了打折思想的PCBP模型对周期分量进行预测,从而很好的描述出了在本论文卷烟销售预测数据趋势增长和季节波动的特点。该模型克服了单一的CBP模型及其他模型对具有二重变化趋势预测的表达能力受限的缺点;同时分开时间相关性和环境因子区别对待二重趋势的两个分量分别进行预测,充分利用了CBP各向同性预测的优势。 最后,以云南某烟草公司某区域近6年的卷烟销售数据为研究模型试验研究对象,建立了APMSTS基于神经网络的烟草销售预测模型系统,系统从该公司数据库中进行实时增量抽取数据,以及录入该区域年鉴数据作为环境参考因子。APMSTS系统数据库部分提供了模型(BP、CBP和CCBP)试验强大的数据源后盾。对BP、CBP和CCBP各模型建模及其学习训练后进行预测,其结果表明CCBP模型预测效果均优于BP、CBP模型。说明在二重趋势时间序列预测方面,采用分开时间相关性和环境因子区别对待二重趋势的两个分量分别进行预测的CCBP网络模型具有更能符合卷烟销售特点(受经济环境因素和时间相关性影响)的预测能力。