本文是一篇供应链论文，本文根据实际调研研究发现大多数制造企业建立在 ERP 系统的基础之上物料需求预测方式的两个问题：一是需要企业内部进行大量的核算进行数据的获取，浪费大量的时间，二是预测的提前期短，给制造企业及其供应商的反映时间过短，最终造成由于物料的供应不能满足制造企业的生产计划，迫使企业改变生产量的局面。针对这两个问题，本文将销售需求预测、物料消耗量和物料属性值的历史数据作为输入，通过 BP 神经网络建立模型，既考虑到销售需求预测这一种决定性因素，同时也考虑到历史中物料消耗量，以此达到使预测更加准确的目的。
第 1 章绪论
1.1 研究背景
客户需求的个性化，导致根据订单进行生产的制造企业的销售需求预测变得愈加困难。需求驱动理论已经产生很长时间了，并被制造企业广泛的接受，该理论认为供应链的形成、存在和重构，都是基于一定的市场需求而发生，并且在供应链的运作过程中，用户的需求是供应链的信息流、服务流、资金流运作的驱动源。在供应链管理模式下，供应链的运作是以订单驱动方式进行的，商品采购订单是在用户需求订单的驱动下产生的，然后商品采购订单驱动产品制造订单，产品制造订单驱动原材料采购订单（图 1.1）。需求预测越来越重要。
这个过程中，随着销售需求信息向上游传递，就会出现牛鞭效应，销售需求预测的不准确性会通过信息传递链放大。如何降低因信息传递造成的牛鞭效应，是制造企业和供应商需要解决的共同问题。更确切的说，如何降低预测的误差，是关键所在。这里的预测不仅仅是指销售需求的预测，还包括以销售需求预测为关键因素的物料需求的预测，采购计划，供应商的生产计划。因为在需求驱动的今天，供应链当中的所有活动的安排都是以需求为基点的。
图 1.1 需求信息传递过程
................................
1.2 国内外研究现状
1.2.1 物料需求预测
有关物流需求预测问题一直是学术界的研究热点，受到很多学者的重视与关注，该类问题被国内外学者广泛研究。
温与同先用灰色理论预测受灾人数，然后采用安全库存法对洪涝灾害的应急物流物料需求进行预测[1]。
老曼莎利用采集得到的大量数据，通过计算概率的方法对实际物流需求量进行预测。主要通过画直方图和假设检验两个步骤，假设检验中用最大似然估计出假设样本的概率密度的参数。研究人员提出当样本量足够的时候，可以通过样本数据近似推断总体分布[2]。
汪灏针对大型餐饮企业物料预测进行了研究，采用加权移动平均作为预测计算方法，针对不同的时间，设计不同的权数。同时，考虑到新开/关店条调整，和节假日因素调整，进行了单独的讨论[3]。
郑英敏建立了售后退市物料需求的预测模型，采用了一元线性模型和移动平均模型的时间序列预测方法。帮助公司解决售后部门如何快速的对未来的售后返修品物料需求进行应对和如何设计退市备货计划的问题[4]。
洪波对煤炭企业中物料需求的时间序列不平稳问题进行了研究，他将ARIMA 模型和 X-11 过程相结合来构建新的预测模型，新的模型根据历史数据进行物流需求预测，有效提高预测的准确性，但是该模型也并不完善，这个模型要求的数据量巨大，数据质量高[5]。
......................
第 2 章 理论基础
2.1 预测和物料需求预测
预测是指利用过去与现在的已知信息，通过经验或者科学方法，对未来可能出现的情形进行预估计，进而对事物发展趋势进行估计与评价。在需求驱动型的制造企业中，销售、生产和采购计划中，任何一个流程都是以预测为驱动源，预测决定了企业如何安排生产计划，采购计划等生产活动。但是预测想要做到完全与实际相符是非常困难的，甚至有些时候会出现相差很远的情况，尽管预测会有误差，但是它具有不可忽视的指导意义。
2.1.1 预测科学的特点
一般来说预测科学具有以下三个特点：
（1）综合性。一方面，预测科学综合运用人类的各种科学知识来研究预测活动的规律，包括自然科学、社会科学、一般方法论和现代科学方法论等，凡是可以用来研究预测活动的科学知识，预测科学都加以利用。另一方面，预测科学综合考察自然和社会、宏观与微观各个领域的预测活动，综合研究预测活动中定性与定量方法的应用，主观因素与客观因素对预测活动的影响等等。
（2）系统性。一方面，预测科学把它的研究对象即预测活动作为一种预测系统来考察，而不是孤立地分析和研究这种活动。另一方面预测科学系统地总结了未来研究和预测活动的规律，找出了它们的共同特点，分析归纳了它们使用的研究方法和预测手段，形成了具有指导意义的理论和方法。正是由于预测科学把研究对象都看成一个系统，本身又形成了有关预测活动的系统知识，因此，它是一门系统性很强的科学。
（3）未来性。首先，它具有强烈的未来倾向性。预测科学的研究对象是各种各样的预测活动，而预测活动就是要预先推知和判断事物的未来发展趋势。其次预测科学用自己的理论和方法指导各种预测活动和自然科学、社会科学、技术科学、工程技术各个领域的应用未来研究，它本身所从事的研究是一种基础未来研究。
........................
2.2 预测方法
目前学术界关于物料需求预测的研究有很多，需求预测的方法也是多种多样，但是应用较为广泛的预测方法大致上可以分为两大类：定性分析预测法和定量分析预测法。
2.2.1 定性分析方法
定性分析预测法是基于集体或者个人的经验或者是智慧，根据已有的观察资料对事物未来的发展情况与变化趋势进行判断的预测方法。主要方法有专家意见法、头脑风暴法等。
定性预测的优点在于：注重事务发展在性质方面的预测，预测成本较低，具有较强的灵活性，简单便捷，而且缺点在于：预测结果存在缺乏客观性，预测过程中可能会被主观因素影响。
2.2.2 定量分析方法
定量分析预测方法是根据得到的数据资料，利用统计知识对影响预测对象变化的相关变量因素进行分析，根据这些变量之间的数量关系进行预测模型的构建。利用预测模型对预测对象的发展变化趋势进行分析研究。常见的预测方法有: 时间序列分析预测法和因果分析预测法。因果分析预测法可以进一步细分为回归分析、经济计量模型、投入产出分析和灰色系统模型预测法等。而时间序列分析预测法可以进一步细分为移动平均法、指数平滑法、ARIMA 模型预测法。
物料需求预测通常根据制造企业的各物流节点的日志数据和历史的销售需求预测数据对物料需求进行预测，所以常采用时间序列预测法。20 世纪 70 年代Box 和 Jenkins 在《Time Series Analysis:Forecasting and Control》一书中正事提出了时间序列分析法[48]。
图 2.1 订货点法
.........................
第 3 章 基于 BP 神经网络预测模型的构建......................29
3.1 制造企业物料需求预测的影响因素.............................. 29
3.2 网络模型的确定...................................... 29
第 4 章 模型试验及结果对比分析.......................35
4.1 网络参数设计.............................. 38
4.1.1 输入层和输出层确定 ............................. 38
4.1.2 训练样本集的确定 ...................... 39
第 5 章 结论及展望............................51
5.1 结论........................... 51
5.2 研究展望................................ 52
第 4 章 模型试验及结果对比分析
4.1 网络参数设计
4.1.1 输入层和输出层确定
输入量的选择的一般原理：（1）输入量必须选择那些对输出影响大且能够检测或提取的变量；（2）各输入量之间互不相关或相关性很小。从输入、输出量性质分类来看，可以分为两类：数值变量和语言变量。数值变量又分为连续变量或离散变量。如常见的温度，压力，电压，电流等就是连续变量；语言变量是用自然语言表示的概念。如红，绿，蓝；男，女；大，中，小，开，关，亮，暗等。一般来说，语言变量在网络处理时，需要转化为离散变量。（3）输入量的表示与提取：多数情况下，直接送给神经网络的输入量无法直接得到，常常需要用信号处理与特征提取技术从原始数据中提取能反映其特征的若干参数作为网络输入。
本文的研究问题是物料需求预测，通过上文的分析得出，其影响因素为（1）销售需求预测值，（2）中转仓库库存量，（3）物料属性值。其中物料属性值包括物料的低储，高储，物料配送批量和物料的长度、宽度和高度。
故模型的输入层变量为：
（1）销售需求每月预测值。
（2）中转仓库库存量：物料每日出库量、物料每日入库量、每月出入库存量、每月库存结余。
（3）物料属性值：低储、高储、配送批量、长度、宽度、车型。将输出层确定为：每月物料需求量。
............................
第 5 章 结论及展望
5.1 结论
本文根据实际调研研究发现大多数制造企业建立在 ERP 系统的基础之上物料需求预测方式的两个问题：一是需要企业内部进行大量的核算进行数据的获取，浪费大量的时间，二是预测的提前期短，给制造企业及其供应商的反映时间过短，最终造成由于物料的供应不能满足制造企业的生产计划，迫使企业改变生产量的局面。针对这两个问题，本文将销售需求预测、物料消耗量和物料属性值的历史数据作为输入，通过 BP 神经网络建立模型，既考虑到销售需求预测这一种决定性因素，同时也考虑到历史中物料消耗
