基于SVM的烟草销售量预测
摘 要：烟草销售量预测能为烟草生产、运输、配送提供指导，使烟草行业能更好地适应市场需求。烟草销售量受众多因素的影响，具有季节性和周期性规律，传统的线性模型难以进行准确的预测。基于支持向量机建立烟草销售量的多维时间序列模型，实验结果表明，该模型具有较高的预测精度，能够准确地反映烟草销售量的变化趋势。对比实验也表明，所提出的方法比其它几种方法预测精度高，可以为烟草行业的销售管理提供科学依据，具有实用价值。
关键词：烟草销售量预测；支持向量机；多维时间序列
DOIDOI：10.11907/rjdk.162026
中图分类号：TP319
文献标识码：A 文章编号文章编号：16727800（2016）011013403
0 引言
中国是世界上最大的烟草生产国和消费国[1]。烟草销售是烟草行业管理中最为关键的部分，准确的烟草销售预测能为烟草生产、运输、配送提供指导，而要进行准确的烟草销售预测必须找到合适的预测方法。因此，如何设计高精度的烟草销售预测方法是烟草行业管理的重要课题。
传统烟草销售量预测方法的研究主要集中在对烟草零售经营者订单的管理分析中，而且采用销售人员意见汇总法、德尔菲法（经理及员工的意见）等为主的人工预测方法[2]。这种人工预测方法业务流程较多，浪费大量的人力、物力，并且还可能引起烟草资源分配的不公平，难以满足市场需求。从机器学习的角度上看，烟草销售量的预测属于回归问题[3]，而回归包括线性回归和非线性回归。文献[4]在对烟草销售量数据进行分析的基础上，提出了一种线性预测模型，但由于烟草销售量受季节、人口、市场、节假日等一系列因素的共同影响，并不适合采用线性回归方法进行预测。在非线性回归方法中，较为常用的有神经网络和支持向量机（SVM）。文献[5]基于BP神经网络对烟草销售量进行建模并预测，而神经网络是基于经验风险最小化，不仅泛化能力较差，而且存在局部极小点问题[6]，因此神经网络虽然对原始数据的拟合能力较强，但对未来数据的推广能力较差，而对未来数据的推广能力往往更能反映学习机器的实用价值。支持向量机基于结构风险最小化，泛化能力强且预测精度高。因此，本文采用支持向量机方法对烟草销售量进行建模预测。
1 支持向量回归机
2 预测方法
2.1 数据预处理
本文收集到了云烟品牌一个品类2006年1月～2011年10月共6年的销售数据，销售数据信息中包括销售量、销售日期（年月日）、仓库...
|
== 试读已结束，如需继续阅读敬请充值会员 ==
|
|
本站文章均为原创投稿，仅供下载参考，付费用户可查看完整且有格式内容！
(费用标准：38元/2月，98元/2年，微信支付秒开通！) |
| 升级为会员即可查阅全文 。如需要查阅全文，请 免费注册 或 登录会员 |
|
