基于BP神经网络的电商库存需求预测研究开题报告
1. 研究目的与意义
背景 时至今日，随着消费升级带来的市场竞争和产业模式的转型,库存成本占电商企业总成本比重日益增加，不合理的库存计划会导致高缺货率和高呆滞率共存，由此带来的业务损失、库存贬值等数额巨大。随着国内电商企业的竞争日益激励，如何降低库存成本及寻求核心竞争力都是现在每个电商企业所面临的共同问题。企业也越来越希望在预测能力上能有更好的提升。 研究内容： 第一部分 国内外研究现状 介绍时间序列需求预测方法和bp神经网络模型的国内外研究现状 1.国外研究现状 rebelo(2015)针对不同品牌的女鞋销售数量预测，运用了arima模型和指数平滑模型进行对比预测，实验结果表明单纯的arima模型预测不稳定，论证了组合预测方法在同类预测问题上具有更好的准确性和鲁棒性[1]。ahrens(2016)针对传统预测模型在零售商店易腐食品销量预测上的缺陷，分析了促销、节假日、季节、消费者偏好等因素对易腐食品销量的影响，建立了加入混合多种外部影响因素的销量实时预测系统[2]。robnik(2016)运用了bp神经网络和贝叶斯分类两种方法建立模型对一个b2b网站上的商品销量预测，通过调整特征选择、步长、学习率等参数对模型预测精度水平进行优化，论证了机器学习方法在商品需求预测上的优越性[3]。 2.国内研究现状 1、2022.10-19—2022-12-10：结合自己所学的专业知识和个人兴趣，选择毕业设计题目。 2、2022-12-11—2022-01-10：在研读有关文献的基础上拟定研究思路，写出开题报告。交导师认可签字。 [1]ramos p, santos n, rebelo r. perfomiance of state space and arima models for consumer retail sales forecasting[j]. robotics and computer-integrated manufacturing, 2015,(34): 151-163. [2]arunraj n s, ahrens d, fernandes m. application of sarimax model to forecast daily sales in food retail industry[j]. international journal of operations researchamp;information systems, 2016, 7(2): 1-21. [3]bohanec m, borstnar m k, robnik-sikonja m. integration of machine learning insights into organizational learning: a case of b2b sales forecasting[j].blurring the boundaries through digital innovation,springer, cham, 2016: 71-85. 2. 研究内容和预期目标
3. 国内外研究现状
4. 计划与进度安排
5. 参考文献
课题毕业论文、开题报告、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
