【出 处】：《 计算机仿真 》 CSCD 2013年第30卷第6期 234-238页,共5页

【作 者】： 吴迪 ; 李苏剑 ; 李海涛

【摘 要】 针对新品上市数据匮乏、不确定性高所带来的预测难点，提出了关于案例推理和改进粒子群神经网络的动态预测方法。首先考虑产品属性及销售序列特征，提出两阶段综合聚类算法划分案例集合；其次采用核心案例的相似性搜索机制确定RBF神经网络模型的训练集，并通过动态聚类和改进的粒子群算法进行网络训练及参数优化；最后采用相异距离的聚类方法保留预测结果，实现模型的动态扩展。企业实例及公共数据集的仿真结果表明，CBR—IPRBF动态预测方法能够适用于任何类型新品上市的销量预测，且对于数据量不足等非理想状况具有较优的性能。模型预测精度高，算法扩展性强，具有广泛适用性，能够为企业提供实际、有效的决策支持。