如何科学预测客户需求

当今企业的大部分生产经营活动都依赖于需求预测，企业通过对客户需求情况的预测，决定零部件的采购时间与数量、安排销售和生产计划、确定库存水平等。可以说需求是牵动企业整个物流系统运行的原动力。科学准确的需求预测，能使企业及时抓住有利的市场时机，对企业资源进行合理地分配和安排。     

宁夏旅游需求量的预测

研究了采用Hammerstein模型对宁夏2006年的旅游需求量进行预测的方法及在市场经济条件下对该模型的修正，同时还提出了在小样本条件下Hammerstein模型是一个非线性模型，它可以预测出当前到目前年度宁夏的逐年旅游需求量。     

面向运作系统的协调优化理论与方法

面向运作系统的协调与优化问题是指为了提高运作系统的效率和应对不确定环境的能力而提炼出的一类相关科学问题.这类协调与优化问题的基本特征是非线性、多目标、变结构以及决策信息的不确定性,一直是国内外研究的热点和难点.我们以运作系统中的理论与实际问题为研究对象,从需求预测、系统设计、运营和风险控制等多个方面开展了深入的研究工作.重点研究了运作系统的非平稳需求预测与决策、供应链协调与集成设计优化以及面向运作系统的风险预测与控制等问题,取得了一些原创性的理论成果,在一定程度上带动了国内外相应方向研究的发展.     

基于主成分分析-BP神经网络的风电备件需求预测

风电机组具有结构复杂,运维困难,且长期处于恶劣的工作环境的特点。风电备件的需求预测有助于为风电场配备最合适的备件数,以确保风电场的平稳、高效运行。本文以某企业近五年的齿轮需求数据为例,应用主成分分析(PCA)降低几个影响因素的维度,得到复合变量,然后应用BP神经网络算法,构建预测模型;比较ARIMA模型、BP神经网络预测和PCA-BP神经网络预测的结果。表明：主成分分析法(PCA)能显著降低神经网络预测误差,预测的精度为93.94%,高于BP神经网络预测的88.39%和ARIMA模型的85.31%,所以PCA-BP神经网络模型的预测精度准确且有可靠结果,能够适用风机备件的需求预测。     

基于阴阳调和的模糊神经网络

针对传统的基于最小均方差或最大后验概率的学习算法不能得到最优解的实际情况,提出将贝叶斯阴阳(Bayesian Yin-Yang, BYY)学习算法引入模糊小脑模型关联控制器(Cerebellar Model Articulation Controller, CMAC)来确定最优模糊集的方法,并利用真值限定(Truth Value Restriction, TVR)推理策略推导出规则权值的真值.BYY受著名的中国古代阴阳哲学理论启发,认为宇宙中的任何事物都是阴和阳对立的统一体,当阴阳取得调和时,则达到完美.模糊规则集通过BYY系统地优化,使其具有更高的泛化能力;与原始的CMAC相比,它有效地减少了存储需求,并提供直觉模糊逻辑推理,具有清晰的语意规则.产品需求预测实验结果表明:BYY结合TVR应用于模糊神经网络,改进了CMAC模型,预测方法优于其他代表性的神经网络模型,所求模糊集与训练数据达到阴阳调和,得到最优解.     

城市出租车发展现状及需求预测

文章在介绍城市出租车发展现状的基础上，提出了城市出租车成长的一般规律，并运用系统动力学原理，对影响出租车需求的各项因素进行正负相关分析，最后借助统计软件SPSS建立了与城市土地等六个因素相关的出租车需求预测模型，以期达到为国内大部分城市在合理控制出租车运力投放上给予借鉴的目的。     

多价值链视角下基于深度学习算法的制造企业产品需求预测

多价值链协同发展背景下,制造企业没有充分考虑服务链、营销链等其他价值链对产品需求的影响。为提高制造企业产品需求预测的精度,本文提出了产品数据空间和一维卷积神经网络(One-dimensional convolutional neural networks, 1D-CNN)-长短期记忆神经网络(Long short-term memory, LSTM)的深度学习算法。首先,整合不同价值链对产品需求影响的相关数据构建产品数据空间。其次,从数据空间中获取多链数据集用于1D-CNN-LSTM模型的预测。其中,1D-CNN通过两次卷积池化操作获取数据的深层次特征,LSTM则通过进一步学习数据特征中的重要信息来进行时间序列预测。最后,通过某电气设备制造企业生产销售的环网柜产品的相关数据进行算例分析,并与其他几种模型进行预测结果比较。结果表明：1D-CNN-LSTM模型的预测效果优于神经网络模型和单一的LSTM模型。可见本文提出的1D-CNN-LSTM深度学习模型更具优越性,预测效果好。     

城市停车设施需求预测研究

从分析影响城市内停车设施需求量的因素入手,全面总结了多种停车需求预测模型,并在此基础上提出静态交通发生率的模型及求解算法．模型应用在上海市停车需求预测中并取得了良好效果．     

基于时间注意力图卷积的民航旅客需求预测

随着航空运输业的发展,高效准确的需求预测成为各民航单位提高运行效率与企业竞争力的重要条件.考虑航空运输中旅客需求的时空特征,针对小型中转航线网络,构建基于图卷积神经网络（Graph Convolution neural Network,GCN）、门控循环网络（Gated Recurrent neural, GRU）与注意力机制的时间注意力图卷积（AT-TGCN）预测模型,以此捕获航线网络中的图结构特征与时空相关性.首先,基于航空公司历史航班运行数据,构建以中转航线为主的小型网络;其次,依据中转航线网络的拓扑结构,进行时间与空间的多维特征分析;结合网络的时空特征构建预测模型,并基于具体数据进行预测;最后,选用多项误差指标,将构建的预测模型与传统基准模型进行比对分析.预测结果表明,在中转航线网络的旅客需求研究中,基于时间注意力图卷积的预测模型具有显著的优势,且预测精度可达93.10%,可为航空公司了解中转旅客的需求变化提供有应用价值的预测模型.     

基于活动的城市出行需求层次选择模型

以2010年绵阳市传统居民出行调查数据为基础,研究从传统居民出行调查数据中提取基于活动模型建模所需特性数据的方法和流程,并提出了以方式/目的地选择模型、时间选择模型和日活动模式选择模型为主体的层次选择模型结构,就数据处理、模型结构、变量选择、模型标定等提出一个完整的基于活动模型的分析方法,从而实现了基于活动的交通需求预测.