摘要：21世纪以来，人们的生活水平进一步提高，快速变化的市场使企业的生存和发展都面临着极大的挑战。企业准确的预测订单显得非常重要。预测订单的方法有许多种，其中利用人工神经网络来预测订单是比较常用并且效果比较好的方法。本文利用径向基函数神经网络(RBF)建立了订单预测模型，并通过解决一个实际问题来对建立的模型进行评估。

　　关键词：预测; 神经网络; 模型1.引言

　　随着市场竞争的日益加剧，如何最大程度地生产满足用户需求的产品,并不使自己的企业有较多剩余库存已经成为制造业企业发展生存的核心问题[1]。

　　BP神经网络和RBF神经网络是人工神经网络中常用的两种。其中BP神经网络是一种按照误差反向传播算法训练的多层神经网络，属于典型的全局逼近网络;该神经网络模型无论在网络理论还是在性能方面均比较成熟，具有较强的非线性映射能力和柔性的网络结构[2-7]。径向基函数神经网络是一种局部逼近网络，只要有足够多的隐层神经元，RBF神经网络能够以任意精度逼近任何连续非线性函数，具有训练速度快、不易陷入局部极小值等优点。

　　2.径向基函数神经网络

　　2.1径向基函数网络的基本内容

　　径向基函数网络是一种使用径向基函数作为激活函数的人工神经网络，它的输出是输入的径向基函数和神经元参数的线性组合。径向基函数网络属于前馈式网络，具有较快的学习速度和良好的非线性转换能力。

　　前馈式网络：前馈神经网络的各神经元分层排列，每个神经元只与前一层的神经元相连，接收前一层的输出并输出给下一层，各层之间没有反馈。它是目前最广泛、发展最迅速的人工神经网络之一。

　　径向基函数神经网络的拓扑结构如右图2-1所示，左侧为输入层，中间为隐层，最右为输出层。

　　图2-1：径向基函数神经网络的拓扑结构

　　2.2径向基函数网络的隐节点和输出节点

　　径向基函数网络中的隐节点采用高斯核函数。径向基函数通常定义为空间中任意一点x到某中心xc之间欧氏距离的单调函数，记为ker(||x-xc||)。数学定义为：

　　ker(||x-xc||)=e■

　　Modeler采用调整的高斯核函数：

　　ker(||x-xc||)=e■

　　径向基函数网络中隐节点采用的是非线性函数，实现了输入层到隐层的非线性映射。样本点x距离核中心xc越近，隐层的输出就越大;反之则越小。径向基函数的关键是核中心xc和宽度σ的估计。一旦这两个参数确定，样本空间与隐节点空间的映射关系也就确定了。径向基函数网络中的输出节点包括加法器和激活函数，输出节点的输入(即隐节点的输出)是径向基函数，第j个输出节点的输出表示为：

　　Yj=f(■Wije■)

　　3.数据处理

　　用径向基函数网络来对数据进行处理，建立预测模型。以虚拟的电信客户数据(Telephone)为例，对客户所选择的服务套餐和基本费用进行预测。

　　(1)导入数据，在数据流中添加 “神经网络”节点。

　　(2)设置参数，选择RBFN方法如下图4-1：

　　图4-1：“神经网络”的“模型”选项卡

　　(3)在“神经网络”的“字段”选项卡中选择“使用定制设置”项。如下图4-2：

　　图4-2：“神经网络”的“字段”选项卡

　　(4)进一步提高预测精度，可以选择“专家选项卡”，如下图4-3：

　　(5)上述步骤完成后点击执行，即可得到计算结果。本次实验估计的准确性约为96%，精度比较高;而变量重要性的排名，对客户所选择的套餐类型和基本费用影响最大的是教育水平，其次是无线费用，影响最小的是无线服务。

　　图4-3：“神经网络”的“专家”选项卡

　　图4-4：结果表格C

　　(作者单位：北京物资学院)

　　参考文献

　　[1]郭红康,赵军.基于BP神经网络的APS期量计划研究[J].宁夏工程技术,2016,15(01):24-29.

　　[2]邓晖飞,苏平,徐晟逸.神经网络结合定性预测的订单预测方法研究[J].机电工程技术,2014,43(09):23-26+95.

　　[3]张崇娇,沈小林,霍双红,白艳萍,胡红萍,王建中.基于果蝇算法优化灰色神经网络的冰箱订单需求预测研究[J].数学的实践与认识,2017,47(20):15-19.

　　[4]RAVA E, CHIRWA E M. Prediction of performance of the moving-bed biofilm pilot reactor using back-propagation artificial neural network(BP-ANN)[J].ChemicalEngineering Transactions,2017,61:189-1194.

　　[5]ZHANG J,YANG G. Analysis on Shanghai's logistics demand based on BP neural network[C]//IEEE Inter-national Conference on Networking,2013,16(2):556-561.

　　[6]蔡婉贞,黄翰.基于BP和RBF神经网络组合模型的港口物流需求预测研究[J/OL].郑州大学学报(工学版):1-7[2019-01-24].

　　[7]王耀升,张英敏,王畅,漆万碧.基于RBF神经网络的电网脆弱性评估及其趋势估计[J/OL].电测与仪表:1-7[2019-01-24].

　　[8]高豪杰.基于BP神经网络的阀门制造企业库存需求预测应用研究[D].北京交通大学,2015.

　　[9]基于Spss Modeler的数据挖掘第2版薛薇中国人民大学出版社.