供应链预测新趋势：B-P神经网络 vs ARIMA

供应链预测新趋势：B-P神经网络 vs ARIMA

引用

CSDN

等

10

来源

1.

https://blog.csdn.net/fengshi_fengshi/article/details/143030888

2.

https://blog.csdn.net/LZX521314ok/article/details/139104088

3.

https://blog.csdn.net/u014460433/article/details/139768998

4.

https://blog.csdn.net/fengshi_fengshi/article/details/143030760

5.

https://blog.csdn.net/2202_75971130/article/details/137043184

6.

https://blog.csdn.net/qq_73910510/article/details/140687214

7.

https://www.niuinfo.com/?p=13993

8.

https://learn.microsoft.com/zh-cn/dynamics365/supply-chain/demand-planning/design-forecast-models

9.

https://www.hanspub.org/journal/paperinformation?paperid=90040

10.

https://www.cnblogs.com/apachecn/p/18463758

随着全球化和电子商务的快速发展，供应链管理的复杂性不断增加，精准的需求预测成为企业提升竞争力的关键。在众多预测方法中，ARIMA模型和B-P神经网络是两种常用的技术。本文将深入探讨这两种方法在供应链预测中的应用，并通过实证分析对比它们的优劣。

ARIMA模型（自回归积分滑动平均模型）是时间序列分析中的一种广泛应用的模型，这个模型在各个领域发挥着巨大的作用，如股票市场的价格预测、经济中GDP增长率预测、供应链中销售量和库存需求预测、气象中气温和降水量的预测等等。为了深入理解ARIMA模型，我们需要先深入理解构成它的三个基本构建模块：

• AR（自回归）部分：使用时间序列自身的过去值来预测当前值。
• I（积分）部分：通过对数据进行差分处理，使非平稳时间序列变为平稳序列。
• MA（移动平均）部分：使用过去的预测误差来修正预测。

B-P神经网络（反向传播神经网络）是一种多层前馈神经网络，通过反向传播算法进行训练。其主要特点包括：

• 强大的非线性拟合能力：能够处理复杂的输入输出关系，适用于解决非线性问题。
• 自适应学习：通过反向传播调整权重，网络能根据数据自动优化参数，适应不同任务需求。
• 容错性强：分布式存储机制使网络在部分受损时仍保持较高性能。

ARIMA模型在供应链预测中的应用

ARIMA模型在供应链预测中主要用于时间序列数据的分析和预测。例如，在销售预测中，ARIMA模型可以捕捉历史销售数据的趋势和季节性变化，从而为库存管理和生产计划提供依据。

B-P神经网络在供应链管理中的应用

B-P神经网络在供应链管理中具有更广泛的应用场景，包括需求预测、库存管理和运输优化等。例如，在需求预测方面，神经网络可以整合多个影响因素（如季节性、促销活动、竞争对手行为等），提供更精准的预测结果。

为了对比ARIMA模型和B-P神经网络在供应链预测中的效果，我们以某零售企业的销售数据为例进行实证分析。数据集包含2018年至2022年的月度销售数据，我们将使用MAE（平均绝对误差）作为评估指标。

实验设置

• 数据集：2018年1月至2022年12月的月度销售数据
• 训练集：2018年1月至2021年12月的数据
• 测试集：2022年1月至2022年12月的数据
• 评估指标：MAE

实验结果

从实验结果可以看出，B-P神经网络在预测精度上略优于ARIMA模型。这主要是因为神经网络能够更好地处理非线性关系和多变量影响。

随着技术的发展，供应链预测正迎来新的变革。根据毕马威KPMG发布的《2024年供应链趋势：数字化变革》报告，以下是供应链预测领域的几个重要趋势：

1. 生成式人工智能（GenAI）应用：预计到2024年，50%的供应链组织将在人工智能和高级分析的应用方面投入资金。GenAI可以处理更大规模的数据集与分析更为复杂的变量集。

2. 无接触式/低接触式规划：通过人工智能支持的规划方式，减少人工干预，提高供应链的可预测性。应用该类规划，企业的净资产收益率(ROE)将提高2至4个百分点。

3. 数据管理：数据孤岛问题日益突出，企业需要建立以价值为导向的数据管理路线图，重点提升数据的可用性、质量度、及时性和一致性。

4. 供应链可视化：实现供应链各层级的透明化，让企业更好地了解整个供应链以及各环节相关人员的情况，主动做出响应。

5. 平台低代码化：超过三分之二的企业已在其供应链中采用低代码平台，这种方式既缩短了开发时间，又能使不懂技术的企业用户也能快速构建、测试和实施新功能。

6. ESG和碳排放：在环境、社会和公司治理ESG的浪潮下，虽然许多企业优先收集碳排放（范围1和范围2）数据，但整个价值链产生的碳排放（范围3）在许多国家正成为一项法律要求。

7. 电动车和物流运输：随着各行业企业对减排目标的承诺以及电池技术的发展，物流业也正在经历快速转型，进入了智慧物流阶段。

ARIMA模型和B-P神经网络在供应链预测中各有优势。ARIMA模型在处理时间序列数据方面具有较强的稳定性，而B-P神经网络则在处理复杂非线性关系时表现出更高的预测精度。随着AI、低代码平台等新技术的兴起，供应链预测正朝着更加智能化、数字化的方向发展。企业应根据自身需求和数据特点，选择合适的预测模型，并积极拥抱新技术，以提升供应链管理效率和竞争力。