基于市场销量预测的工业原料供应链管理方法研究.pdf

总第2 2 9 期2023年第7 期经营管理基于市场销量预测的工业原料供应链管理方法研究陈凯佳（武汉东湖学院，湖北武汉430 0 0 0）摘要：在工业企业的数字化信息化建设中，工业原材料的供应链管理问题是一个重要的建设内容。研究以BP神经网络作为基本算法构建了对钢材的销售数据预测模型，并对BP算法进行了改进。实验表明，该模型的预测精度达到了9 2.2 3%，能够对产品销量进行比较精确地预测，有效缓解企业的原料浪费与产能过剩问题。关键词：市场销量；工业原料；供应链管理;BP神经网络中图分类号：F4260引言在日益严峻的市场环境下，企业应注重提高经营效率,增强企业活力。在整个工业生产过程中,从原材料的采购、仓库的管理、从物流到成品的投料，对工业原料的供应链管理都涉及整个生产的每一个环节。然而，目前原材料供应链管理中仍有很多问题，如不能精确地反映库存、物流状况等信息，有些企业不能通过网络在线开展业务2 。因此,研究将从理论和实际出发，应用BP神经网络对企业的未来销售进行预测,并在此基础上,基于预测结果采购原料、优化物流流程、仓储布局，实行供应链的统一管理以提高企业效益和竞争实力，并实现数字化、可持续化发展。1基于BP神经网络的工业原料市场销量预测方法供应链是指在原料采购、生产、流通过程中，通过与上游和下游成员的联系形成的一个网络。供应链整合管理是指通过对物流、信息流、资金流、价值流和业务流的整合，对内部、外部的关系进行有效地组织和整合，以达到高效的管理目的。整个供应链由供应商、生产商、销售者和顾客组成。供应链整合管理应从企业内部整合、企业信息整合、流程整合、资源共享等层面进行管理3。其中最基础的,是工业原料的采购。原料采购不仅关乎生产，也关乎整条供应链的发展。因此原料采购的需求量是基础的信息整合环节，可以通过对以往产品销量的预测估算适宜的原料采购量。BP是深度学习的人工神经网络，可以通过学习往年的销售数据,对未来的销量进行预测，且其具有计算简单的优势，在数据预测方面表现优秀，因此此次研究以BP作为基本算法实现工业产品销量预测目的。BP网络分为输入层、输出层和隐藏层。前两者都是单层的，后者可以根据需求设置为多层结构。每层的基础单元都在同一层面上没有连接的人造神经元。BP网络前向、反向两种信号传播方式,将误差减小以接近理想值，但也具有容易陷入局部极值的缺点3。因此此次研究采用粒子群优化算法对其进行优化。收稿日期：2 0 2 3-0 3-0 2作者简介：陈凯佳（19 9 4一），女，河南周口人，硕士，中级经济师，研究方向为供应链。现代工业经济和信息化Modern Industrial Economy and Informationization文献标识码：Arithm,PSO)中的每个微粒都代表一种可能的解,并在求解空间中以一定速率运动，所有的微粒集合就是微粒群。在PSO算法中,每个微粒都可以得到局部或整体最优解，从而使其向可能的最优解移动。通过对一组粒子进行多次迭代，该算法可以得到粒子的最优适配点。在寻找最优解时，粒子可以学习、记忆当前最佳位置,并与其他粒子共享。通过引人BP网络,可以有效地解决BP陷人局部最优的问题。PSO算法的流程首先需要初始化微粒的位置和速度，然后使用适应度函数对粒子的适应度进行评估,再将所有粒子的目前位置适应度值与历史最优点的适应度值相比较择优，直至更新为历史最佳位置。由于PSO依靠一群粒子个体进行寻优，不同粒子的可能适应度会有差别，适应度较差可能会降低整体粒子的收敛速度4。一般情况下,引人惯性权重,能够对粒子的搜索能力进行控制。因此,此次研究为粒子增加自适应权重，使其能自适应地调整搜索步长，提高其搜索的精度和效率。PSO依赖于单个粒子群的优化搜索最优解,因此,不同粒子的适应性存在差异,适应性较差的粒子可能导致整个粒子群的收敛性下降。在通常情况下，通过引入惯性加权权重，可以有效地控制粒子的搜寻性能。因此,此次研究在粒子群中加人了自适应权重进行加权操作，使粒子个体能够根据不同的步长进行自适应调节搜索速度，从而提高算法的准确度和效率。自适应权重的调整公式见式(1)：(F-Fm)x(m-Wm),FFaW=Wmin-(Wmax,Ffmin式中：Wmin为粒子的最大初始惯性权重值;Wmx为最小值;f为粒子群目标函数平均值;fmn为最小值。将调整权重系数后的PSO算法与BP结合得到APSO-BP算法，该算法通过调整权重系数后的PSO算法搜寻BPTotal 229No.7,2023D0I:10.16525/ki.14-1362/n.2023.07.091文章编号：2 0 9 5-0 7 48(2 0 2 3)0 7-0 2 7 0-0 2粒子群算法（Particle Swarm Optimization Algo-F.-Famn(1)2023年第7 期陈凯佳：基于市场销量预测的工业原料供应链管理方法研究271网络的最优参数,从而改进BP算法的预测能力。2基于改进BP神经网络的工业原料市场销量预测模型应用结果分析此次实验的CPU为Intel Core i7-7820X,其规格为3.6 0 GHz16，显卡为GeForceRTX2080Ti/PCle/SSE2,GPU核心为代号TU102的Turing架构,软件环境为6 4位Ubuntu18.04.2LTS操作系统。实验选取经中国钢铁工业协会多家钢铁企业19 9 0 2 0 19 年钢材营销统计数据作为训练样本集，将样本数据输人神经网络进行训练。设置网络的最大迭代次数为10 0 0次，前6 0 0 次迭代的学习率为0.0 1，在此之后每进行20次迭代，就将学习率降低1，动量设为0.9，权重衰减量为0.0 0 0 5。训练的期望误差为0.0 1，学习率为0.01。将APSO-BP算法与BP神经网络算法的训练误差进行对比，再以多家企业2 0 2 0 年的逐月钢材销售量作为测试样本,测试与实际数据的预测偏差。两个算法的网络训练误差曲线对比结果如图1所示，改进的BP网络训练曲线在送代前期快速下降，在50 次左右即将误差减小至0.1左右，并且较BP网络更快达到收敛状态，在迭代2 50 次后左右误差到达平稳状态，最后在训练450 次后逼近了目标精度。BP虽然因为结构简单所以收敛的速度较快,在迭代30 0 次后即达到收敛状态，但其与0.0 1的期望目标差距较大，始终无法达到目标精度。可见APSO-BP算法的收敛性能更强，可以更快地投入测试。100.00010.0001.0000.1000.0100.0010100200300400选代次数1-1BP训练误差曲线图1训练误差对比结果使用训练后的神经网络构建销售预测模型，预测2020年的逐月销量，将模型的预测结果与2 0 2 0 年实际销售量进行对比，对比的结果如图2 所示。可以明显看出，本研究模型的预测结果总体较为贴近实际销Supply Chain Management Method of Industrial Raw Materials Based on Market SalesAbstract:In the digital information construction of industrial enterprises,the supply chain management problem of industrial raw materialsis an important construction content.The study uses BP neural network as the basic algorithm to construct a prediction model for the salesdata of steel,and improves the BP algorithm.Experiments show that the prediction accuracy of the model reaches 92.23%,which can makemore accurate prediction of product sales and effectively alleviate the problem of raw material waste and overcapacity of enterprises.Key words:market sales;industrial raw materials;supply chain management;BP neural network量，只在年中的5月、6 月、7 月和8 月具有较大的预测误差。经计算，其整体预测精度为9 2.2 3%。而BP模型预测的偏差较大，且总体预测量大于实际销量，整体预测精度为7 7.6 3%。如果按照偏大的预测量进行原料采购，这将导致钢铁企业的原料采购量和市场供应量过多，导致产能过剩和产品堆积。综上，本研究模型能较好地达到预测目标，为工业企业原料采购与供应提供指导作用。50一本研究模型预测量454035二302520151052356.789 10 11 12月份图2 钢材销售量预测偏差对比结果3结论在新的发展形势和竞争的形势下,进一步挖掘原材料供应链的潜在的改善点，对工业企业的发展具有十分重要的现实意义。此次研究以工业钢材原材料供应链管理为例，将供应链集成理论与销售预测相结合,提出了基于销售预测的原材料供应链物流流程重构的新思路，将改进的BP神经网络用于销售预测。实验结果显示，基于改进BP神经网络的预测模型具100.000有9 2.2 3%的预测准确率，可以较为准确地预测销量，10.000可以指导建设工业企业的原料采购、物流管理与生1.0000.1000.0100.001511一-实际销量一BP模型预测量产。但研究还缺少更多样本数据进行学习,还需在后续研究中继续对模型进行训练以真正达到期望的训500100200300400500选代次数1-2APSO-BP训练误差曲线(Wuhan East Lake College,Wuhan Hubei 430000,China)练误差。1】杨鸿铭.基于BP神经网络的玉米淀粉价格短期预测研究J.网络安全技术与应用，2 0 2 1(8）：47-48.2刘文，王浩，李政，等.积极利用非木材纤维资源：解决造纸工业原料短缺问题J.中国造纸，2 0 2 1（3）：9 5-10 0.3付可.基于BP神经网络算法下网红食品柳州螺蛳粉的影响分析与销量预测JJ.中国商论,2 0 2 1(14)：15-17（编辑：白龙）ForecastChen Kaijia参考文献