摘要:通过挖掘海量RFID(Radio Frequency Identification)数据来优化供应链已经成为一个研究热点.本文针对供应链流通中出现的若干周转异常并且难以发现的问题,提出了一种基于时间序列的RFID供应链数据分析方法.将供应链的RFID数据统一成反映各环节周转状况的时间序列格式,然后通过分段趋势分解方法分解提取的时间序列数据,并根据分解后的随机项建立阈值来判断数据是否异常,从而建立相应的时间序列分析模型;最后基于模型检测数据异常.通过多样本和多数据集的实验检测,结果表明这种方法有效并具有较高的效率.
摘要:针对特征变量多的小样本,结合偏最小二乘(Partial Least Squares,PLS)法则原理与Elman神经网络结构性质,提出基于PLS的Elman神经网络算法(PLS-Elman).新算法通过PLS对高维小样本进行特征降维时,顾及了与因变量的相关程度,所得到的数据进行网络训练和仿真,明显的简化了网络结构,且可得较精确的网络模型.通过实例分析,结果表明新算法提高了网络的收敛速度、预测的精准率,证明新算法提高网络处理问题的效率.同时为便于验证新算法的有效性,与基于主成分分析(Principal Component Analys,PCA)的Elman神经网络算法(PCA-Elman)进行了比较,PLS-Elman算法有明显的优越性.
摘要:针对回声状态网络(Echo State Networks,ESNs)输入序列延迟时间(和嵌入维数D的选择以及储备池的适应性问题,利用自相关性分析法从被预测样本序列构建ESNs网络输入,并通过移动通信话务量的预测问题,采用实验分析的方法讨论了储备池参数选择对于时间序列预测性能的影响.与采用ARMA和BP神经网络的预测方法相比,新方法在保证预测精度和效率的情况下,具有更好的泛化能力.