季节需求型农资商品库存控制模型研究

贾冬青，陈玉芳，崔 晶

（河北工程技术高等专科学校，河北省沧州市浮阳南大道6号 061001）

商品库存影响着企业的物流成本和服务质量，库存控制的最佳方法是根据历史销售数据对潜在需求进行准确的预测。一些季节需求型农资商品因受季节变化影响，其销售数据呈现周期性非线性变化趋势。同时，季节需求型农资商品销售具有持续性，往往以商品的月销售数据作为统计指标，因此，可使用的历史销售数据拥有量少。BP神经网络模型具有良好的逼近任意非线性函数的优势，灰色预测方法则具有少量数据建模和累加生成以强化历史数据规律性的特点，因此，这两种方法组合预测上述时间序列可取长补短，以达到较好的预测效果。

1 BP神经网络模型和灰色模型的组合预测法

1.1 数据的归一化处理

为提高模型的通用性和不同年份数据的可比性，往往需对数据进行归一化处理。针对季节需求型农资商品销售量这种周期性非线性变化趋势的数据，文中采用的归一化方法是把数值标准化到最大值为1（即每年各月份销售量除以该年份的最大月销售量）。

1.2 用BP神经网络对归一化数据进行预测

1.2.1 BP神经网络的确定

BP神经网络包括输入层、隐含层和输出层，各层神经元间的连接由权重反应。学习过程由正向计算和反向传播组成，通过反复训练学习直到误差信号最小或学习结果令人满意为止。

1.2.2 网络学习和测试

用MATLAB仿真软件建立初始库存模型，输入样本数据进行训练，当训练曲线收敛到既定精度或有效曲线上升时停止训练，并用测试集监测网络的普化性。若训练曲线经过很多次迭代后仍不能收敛，修改隐层神经元的个数或调整权值矩阵的初值，反复试验，直到达到既定精度后，MATLAB生成一个库存模型，即可进行分析与预测工作。

1.2.3 分析与预测

灵敏度分析用于评估一个给定的输入变量对网络输出的影响。改变该变量的输入，而其它输入变量为某固定值，监测网络输出的改变，由此可以对库存进行很好的仿真，找出库存的瓶颈环节与重点控制处，从而改善库存系统。

1.3 利用GM(1，1)模型进行反归一化处理

归一化处理后的数据必须经过反归一化处理才能得出有效的数据。针对文中的归一化方法，反归一化的方法应该是归一化的数据去乘该年份的最大月销售量。而预测年份的最大月销售量未定，要根据历史年份最大月销售量进行预测，而历史年份最大月销售量每年只有一个，数据贫乏，只能通过灰色系统理论模型进行预测，且该时间序列为单因素时间序列的预测，应采用GM(1，1)模型。

2 应用实例

表1为某品牌农药2008～2012年各月销售数据，拟依此预测2013年该商品各月的销售情况。

表1 某品牌农药2008～2012年各月销售数据

2.1 数据的归一化处理

将表1的数据按照文中的归一化方法进行处理，归一化后的数据如表2所示。

表2 2008～2012年各月销售量归一化数据

2.2 用BP神经网络模型实现对归一化数据的预测

2.2.1 输入输出向量设计

利用2008～2010年的归一化月销售量作为输入向量X，2009～2011年的归一化月销售量作为输出向量Y。

2.2.2 BP神经网络设计

由于输入向量为12个元素，所以网络输入层的神经元有12个，网络中间层的神经元个数依次设计为6，12，16，22进行测试，寻找一个训练误差小，训练速度快的作为最后的中间层神经元个数。输出相量有12个，所以输出的神经元个数为12。网络中间层的神经元传递函数采用tansig，输出层神经元传递函数采用logsig，训练函数采用trainlm。

2.2.3 网络训练

以X作为输入向量，Y作为输出向量，训练次数设定为1000，训练目标为0.00 001，中间层神经元个数依次设定为6，12，16，22进行网络训练，观察训练结果。经观察，中间层神经元个数为16时训练速度最快，因此确定中间层的神经元个数为16。

2.2.4 网络测试及测试结果分析

训练好的神经网络必须进行网络测试才能判断是否可以投入实际应用。用2009～2011年的归一化月销售量来预测2012年的归一化月销售量，以检验预测误差能否满足要求，测试结果如图1所示。从图1看出，实际销售量和预测需求量拟合程度极高，网络预测值和实际销售量之间的误差非常小，都在0左右，完全满足应用要求，因此，可通过该网络进行预测。

2.2.5 利用BP神经网络模型进行预测

通过2010～2012年的归一化月销售量预测2013年各月的归一化销售量，预测结果为:

2.3 利用GM(1，1)预测2013年最高月销售量并实现反归一化

利用往年的最高月销售量通过GM(1，1)预测2013年的最高月销售量，原始数据、预测值及相对误差如表3所示。从表中可以看出，相对误差最大的只有0.37%，最小的为0，预测效果很好，预测数据具有一定的决策参考价值。

表3 某品牌农药2008～2013年的实际销售量与预测销售量

利用预测结果中2013年最高月销售量去乘Y2013向量，得出2013年1～12月份的潜在消费需求分别是693，673，692，825，1 238，4 076，4 729，5 135，2 561，896，645，600，可以以此数据作为该商品库存控制的依据。

3 结束语

实验验证结果表明，通过BP网络模型和GM(1，1)模型组合很好的实现了季节需求型农资商品潜在需求的高效预测，达到了控制库存降低成本，提高服务质量的目的。

［1］ 贾冬青.零售业库存控制模型研究［D］.北京:北京交通大学，2008.

［2］ Naresh K.Malhotra Marketing Research:An Applied Orientation［M］.Tsinghua University Press and Prentice Hall，1998.

［3］ BHATTACHARJE.A multi-period profit maximizing model for retail supply chain management:an integration of demand and supply-side mechanisms［J］.Management Science 2000，122:584-601.