云服务下终端顾客偏好的销售物流成本模型

为减少企业的销售物流成本,提出云服务下基于顾客偏好的销售物流计划模型.通过建立云销售平台及在销售平台内嵌入基于云计算的数据挖掘模型来挖掘用户偏好,为用户提供个性化的物流服务.针对价格敏感和时间敏感的消费者,建立销售物流计划混合整数规划模型,包括物流资源固定时顾客购买模型、一般物流运输计划模型以及区分用户偏好的物流运输计划模型.利用ILOG CPLEX优化软件求解,总物流成本和缺货成本分别降低12.8%和17.1%.研究结果表明:云服务下基于顾客偏好的销售物流计划能够有效降低企业销售物流成本.     

耐用商品销售的数学模型

利用三次增长率模型预测了耐用商品销售量最大值,利用Gompertz曲线模型预测了销售状况,并对浙江省城镇居民平均每百户彩电拥有量和空调拥有量进行了分析、预测,为耐用商品的生产、销售及更新换代提供了依据。     

基于指数加权分位数回归预测的CPFR成本模型

针对某些商品的高易变性、不对称性的需求模式,基于预测方法高精确度的要求,采用计量经济学前沿预测研究方法指数加权分位数回归预测法,建立了由零售商、制造商的成本模型和供应链系统总成本模型构成的CPFR供应链系统成本模型,为基于多层次CPFR的三级库存协调与优化研究中提高需求预测精度探索新的视角.该模型通过直接预测销售序列的分位数,避免既存研究中基于假设的预测失误,使预测结果更加贴近需求模式的真实值.数值分析表明指数加权分位数回归预测模型的预测精度较高.     

基于GBDT的商品分配层次化预测模型

商品预测是使用以往商品信息去估计和推断未来商品的销售趋势,并以此作为对商品进行合理调配与规划的依据.为实现对商品销售的精确预测,在GBDT基础上,提出了一种层次化集成预测模型(HGBDT).针对数据表征的高维问题,基于Bagging思想,在特征空间构建了该模型,实现对商品的有效描述,以此提高预测模型的性能与泛化能力.在开放数据库上的实验结果验证了本文模型的有效性.     

季节性商品的促销定价模型与算法

研究了季节性商品在促销前提下的定价问题.在综合考虑季节性商品的销售特点、销售折扣率、商品库存、商品周期衰退、商品价格等问题的基础上,建立了以利润损失最小为目标的动态定价模型,以商家需处理的货物量为约束条件,基于改进遗传算法和粒子群算法,找到了成本最优的商品定价.并通过仿真,分析了商品定价对利润损失的影响,为大中型企业的促销决策提供了重要依据.     

基于BP神经网络的商品库存控制模型

为克服传统商品库存成本过大和消费者满意度过低的弊端,采用BP神经网络方法,以超市一段时间内的销售记录为样本数据,分析BP神经网络库存控制模型的训练过程,并验证BP神经网络的自适应能力、容错能力以及处理非线性关系的能力,保证库存预测的准确性,最终提出基于BP神经网络算法的商品库存控制模型.研究结果表明:该控制模型能够准确高效控制超市商品库存,可以为合理控制库存提供决策支持,有效提高库存控制的效率.     

服装品牌产品销售预测

通过建立产品销售预测模型,为服装品牌企业的产品管理提供决策依据.对现有预测工具进行比较分析后,选择SQL Server 2008软件的解决方案,运用时序算法,构建ART(自动回归树)模型.以案例品牌历史销售数据为基础,通过所构建的模型得到销售预测回归公式.通过模型验证了预测数据与实际数据的误差在可接受范围内,证明所构建销售预测模型的可行性.同时,基于所构建的模型建立案例品牌销售预测流程并提出产品管理策略.     

基于CNN-LSTM网络的在线多任务销售预测模型

有效的销售预测利于企业制定正确的营销策略,针对当前销售预测研究中存在无法进行实时在线多任务销售预测、稳定获取序列数据中的时序特征等问题,提出了一种基于CNN-LSTM网络的在线多任务销售预测模型。该模型上层CNN网络抽取得到重要的时序数据特征,进而输入到下层LSTM网络中进一步抽取复杂的不规则特征进行建模,最终得到预测结果。实验结果表明:CNN-LSTM模型不仅能在测试集上取得12.61%的最小平均绝对百分比误差,同时在长时间销售预测中,在线模型预测效果优于离线模型。     

电熔镁砂企业生产计划多目标优化

针对大部分电熔镁砂生产企业都是产能有限的小工厂，在销售旺季时会损失超过自身产能的订单；在销售淡季时又容易积压库存的问题，提出了基于需求预测的多目标生产计划优化方法.该方法利用基于季节性自回归求和移动平均（ARIMA）模型向前多步预测市场的需求量，并建立销量与库存累积量的多目标优化模型.设计了关键月度产量计划后推法求解模型得到了决策者满意的优化目标.对预测过程中存在的偏差，利用实时反馈得到的真实销售数据修正预测结果，进而调整优化模型，校正后期产量计划.实际应用效果证明，按所提方法得到的产量计划能够实时地反映市场需求的动态变化，并实现了库存与销量的多目标优化.
     

基于复杂属性商品的混合协同过滤推荐模型

协同过滤作为应用最广、研究最多的推荐算法,但依旧面临数据稀疏性、冷启动、数据质量差等固有问题,同时也鲜有研究者从实用角度基于商品性价比方面提高预测精确度.为此,本文综合考虑用户主观评分和商品客观评分,并在此基础上结合情境预过滤、社会网络理论以及专家意见提出了一种混合协同过滤推荐模型,在一定程度上缓解了上述缺点.并通过真实网上汽车销售数据实验,表明该模型相对传统协同过滤具有更高的预测精度,更适用于具有复杂属性的商品.     

监控与预测的云资源优化配置

针对云环境下虚拟机资源在多数时间中处于闲置状态导致云资源利用率低的问题,设计一种云资源监控系统,并在云监控基础上提出一种基于自回归积分滑动平均(ARIMA)模型的动态负载预测与资源配置的方法.该方法利用虚拟机负载与配置的关系,通过预测负载情况,提前启动或者挂起虚拟机,提高云资源的利用率.研究结合OpenStack云环境提供的虚拟机,实现其下的云资源监控,预测和弹性分配功能.结果表明:该系统能准确预测虚拟机的需求量,所制定的资源弹性分配策略能够提高云资源的利用率,进一步节约成本.     

基于马尔可夫链的商品销售预测模型

在经济预测方法中,马尔可夫预测技术不需要大量的历史数据,只需近期数据即可预测未来.因此很多动态系统和社会现象都采用马尔可夫过程来进行预测.针对商品销售特点,建立了可以对商品销售情况进行预测的马尔可夫预测模型,从而对企业制定商品销售策略提供理论依据.     

采用趋势状态分析的风机齿轮箱状态在线评估云模型

为预防风机齿轮箱严重故障的发生,提出了一种结合正态云模型和趋势状态分析法的齿轮箱状态评估模型.首先,基于数据采集与监控(SCADA)系统的历史数据,采用支持向量机方法建立齿轮箱运行温度预测模型,对齿轮箱不同状态下的趋势预测特征进行分析,求取正常和异常状态时预测值的相对误差序列.然后,采用改进无确定度逆向正态云发生器,利用所求取的相对误差序列提取正常云和异常云的数字特征,构建齿轮箱状态评估云模型.该模型能够根据风机SCADA系统的实测数据,求取齿轮箱当前状态对正常云和异常云的贴近度,并采用最大贴近度原则确定齿轮箱状态.最后,利用辽宁某风机齿轮箱的实测数据对所提模型进行验证.结果表明:该模型能够对齿轮箱的早期缺陷及时预警,达到实时监测的目的.     

Application of uncertainty reasoning based on cloud model in time series prediction

Time series prediction has been successfully used in several application areas, such as meteoro-logical forecasting, market prediction, network traffic forecasting, etc. , and a number of techniques have been developed for modeling and predicting time series. In the traditional exponential smoothing method, a fixed weight is assigned to data history, and the trend changes of time series are ignored. In this paper, an uncertainty reasoning method, based on cloud model, is employed in time series prediction, which uses cloud logic controller to adjust the smoothing coefficient of the simple exponential smoothing method dynamically to fit the current trend of the time series. The validity of this solution was proved by experiments on various data sets.     

纺织厂月用电量预测

探讨了纺织厂月用电量特征和预测方法,给出了实用的预测数学模型。还以某纺织厂为例,分析了纺织厂月用电量预测方法和修正原则。给出厂月用电量预测程序设计框图。     

基于云计算和改进极限学习机的电网负荷预测

随着智能电网和通信技术的迅速发展,电网系统采集的用户数据规模呈指数增长,传统电网负荷预测方法难以满足海量负荷数据情形下的高效分析和计算需求。据此,依托电力系统数据采集云平台,提出一种基于云计算和改进极限学习机的电网负荷预测模型,采用Map-Reduce网络架构,部署于Hadoop平台,利用分布式计算方式进行电网负荷的精准建模和预测分析。结果表明,相比已有方法,本研究方法具有负荷预测精度高、运行速度快的优势,可为后续智能电网系统建设及管理运用提供一种新颖的解决思路。     

基于云计算的智能电网负荷预测平台架构研究

提出一种基于云计算的智能电网负荷预测平台架构.深入地阐述了云计算关键技术、负荷预测云架构、云平台负荷预测服务等.采用Hadoop云计算技术,对负荷预测的资源调度和计算进行虚拟云计算仿真,验证了以电力私有云为基础建立的负荷预测机制更优良.同时在云平台负荷预测服务中引入多维多级协调优化机制,对原始预测结果进行修正与协调优化,显著地提升了基于云计算的智能电网负荷预测水平.由此搭建的平台架构将为智能电网负荷预测提供广阔的思路与有力的技术支持.     

基于生成对抗网络与深度学习的少数据云资源预测

精确的云资源预测对计算平台实现安全运行具有十分重要的意义,针对新公司的云计算资源缺乏足够数据样本而造成预测模型精度降低的问题,本文提出一种基于WasserStein生成对抗网络和双向门控循环单元网络的少样本云计算资源预测模型。通过生成对抗网络去学习原始少样本数据的分布规律,以高斯噪声作为输入生成与原始数据具有相同分布的新样本数据,实现数据增强的行为;由于传统门控单元网络无法完全利用数据的时间信息,本文采用双向门控循环单元网络对数据的前向、反向时间信息进行双向提取并预测。以Google公开数据集进行仿真,对无增强数据和增强数据后的不同机器算法模型的预测结果进行对比。实验结果表明,使用WasserStein生成对抗网络数据增强后的双向门控循环单元网络模型精度的达到98.3%,所提方法适用于少样本数据的云计算资源预测。     

基于云模型的厦门保税船用燃油需求短期预测

为了准确预测厦门保税船用燃油需求量,首先,构建厦门保税船用燃油需求云模型,预测供需平衡条件下2020年厦门保税船用燃油需求量。选取外贸集装箱吞吐量、集装箱吞吐量、厦门GDP 3个指标作为输入变量,构建logistic回归预测模型。对厦门保税船用燃油需求量进行预测,将两种模型的预测结果与2020年厦门保税船用燃油实际值进行比较,结果显示,基于云模型的厦门保税船用燃油需求预测比logistic回归预测模型更精确。最后,选择云模型对2021年厦门保税船用燃油需求量进行预测。     

静止卫星立体观测云顶高度几何算法研究

由卫星资料反演的云顶高度是天气学、气候学的重要科学资料。以静止气象卫星影像立体像对为数据来源,以云顶高度为研究对象,根据卫星-真云-投影云共线的事实,以及卫星-投影云-真云之间的几何关系,建立云顶高度立体解算模型;并在模型中考虑成像过程中云移动的影响。最终,通过几何关系建立严密云顶高度和云移动速度的线性化联立解算模型,运用最小二乘法解算出云顶高度,为气象预报提供精确、可靠的云参数。