1 国外研究现状
- 关于需求预测方法研究
在国外， Chin-Tsai Lin(2002)进行了非酒精饮料的销售情况预测，采用灰色理论模型将准确度提高到了95%[1]。彼得杰克逊 (2007)建立了基于矩量法组合预测模型，通过预测模型探索历史数据的组合和分解[2]。Mahesh Kumar (2010)提出了一个使用集群概念的组合预测方法来研究给定的一组项目的销售预测以及相关的标准偏差和每个预测，并且这种方法效果明显比单一预测法要好[3]。Christodoulos C(2010) 结合两种优势的短期预测的改进，为全球宽带提供短期预测，实现了移动通信的普及[4]。Cortez P (2012)利用一种新的神经网络集成方法以及以及两种重要的自适应时间序列方法（ARIMA和Holt Winters）对互联网流量进行了预测[5]。Ma S(2014) 建立多阶段LasSO回归估计模型及滚动方案的生成预测，这种处理高维的新方法是成功的[6]。Nari Sivanandam Arunraj(2016)研究了食品零售行业的销售情况，并使用SARIMAX模型预测试图解释所有影响要求的因素，预测零售商店易腐食品的日销售量[7]。Goodness C. Aye(2017) 使用实时递归生成多步超前预报在样本外期的估计方案，以更好地模拟实际情况做零售决策的代理商[8]。关于时间序列的需求研究
传统时间序列分析最基本的理论基础是40年代分别由Norbor Wiene:和Andrei Kolmogomor提出的。20世纪70年代，G..P.Box和G..M.lenkins发表专著《时间序列分褥:预测和控制》，对平稳时间序列数据提出了自回归滑动平均模型(ARMA)，以及一整套的建模，估计，检验和控制方法，使时间序列分析得以广泛运用于各种工程领域。R. J. Povinelli等人于1999年依据Takes理论，提出了基于时间序列的数据挖掘框架(TSDM, Time Series Data Mining framework)，他称之为时间序列数据挖掘(Time Series Data Mining) [9]-[10]。这种数据挖掘的处理对象可以是一个时间序列或多个时间序列。在他的研究中，他并没有将整个时间序列作为预测和分析的目标，而是仅对时间序列中的事件(Event)的出现加以模式发现和预测。通过挖掘所得的模式，可用来预测事件的发生。Chan（2008）等人结合时间序列的DWT表示用来处理时间序列的相似性查找问题[11]。Agraoai（2011）等人分别比较了傅立叶和时间弯曲在时间序列的表示方法，认为在相似性查找时，两种表示方法效率相当，但是时间弯曲的时间性能更好一些[12]。Fink和Pratt（2011）同时也对时间序列的分段点进行了研究，它提出的分段重点则是在局部范围内的重要点，再通过判断局部与重要点是否在预先设定的参数之内，如果不在，则将重要点作为新分段点。对参数R进行不同的经验赋值，就可以得到对时间序列不同精度的线性化表示[13]。
2 国内研究现状
相对于国外系统化理论化的研究，国内关于时间序列数据挖掘预测的研究与应用起步较晚，在与国外的丰硕成果相比，有较大差距，主要都停留在定性分析与应用层面。不过，在对国外方法的引进和应用的同时，国内不光拓宽了相关理论应用的范围，对模型进行了改进和增强，国内的学者也逐渐建立起自己的理论和模型，对时间序列理论的发展起到了很好的创新和补充作用。
(1)关于需求预测方法研究
近年来，国内关于销量预测的研究也取得了丰硕的成果，陈涛(2010)等提出了基于AGA-SVM的非线性组合预测模型，先采用三种不同的预测模型得到预测值作为输入，将实际值当做输出建立支持向量机组合预测模型，同时采用AGA加速遗传算法对模型进行优化，进一步提高了预测的准确度[14]。罗彪(2012)等在卷烟销售预测研究方面，运用组合预测方法对三个单项预测模型预测结果进行优化，获得了很好的预测效果[15]。易虹(2015)基于灰色预测模型和多元逐步回归预测模型，提出组合预测模型对地区物流需求进行预测，相对于单一预测获得了更好的预测结果[16]。王文杰(2015)等运用贝叶斯组合预测方法综合了供应链各方的预测方法进行预测，获得了更高的预测精度，判断出贝叶斯组合预测方法的预测精度比平均组合方法和最优线性组合预测方法要高[17]。彭乃驰(2016)等提出了ARMA-GM-BP组合预测模型得，得出了次模型的预测结果相对于单独利用ARMA、灰色预测模型具有更高的精度[18]。
- 关于时间序列的需求研究
特别是在非线性时间序列分析方面，我国学者取得了不错的成果。1980年，汤家豪教授等提出了利用分段线性化构造的门限自回归模型被誉为非线性领域的经典模型。他也因此获得了2000年中国国家自然科学二等奖。在其他方面，姚琦伟教授提出了用以克服高维非参数回归中样本短缺问题的利用复系数线性模型近似高维非线性回归函数的方法。还有安鸿志、朱力行、陈敏研究了条件方差为非常数的回归和自回归模型。刘劲松提出的现代时间序列分析方法提供了时间序列数据挖掘的一种有效的方法[19]。张保稳(2002)也是基于Takens理论，提出了面向单一时序状态演化模式挖掘的框架[20]-[21]。曾海泉(2003)基于互关联后继树模型，提出时间序列挖掘与相似性查找技术[22]。卢山(2003)幻提出非线性时间序列相空间重构的，非线性动力学的金融时间序列预测技术;根据当前时间序列数据挖掘的研究情况，侯澎曼认为，时间序列数据挖掘可以更一般性地定义如下:将基于一个或多个时间序列的数据挖掘称为时间序列数据挖掘(Time Series Data Mining, TSDM),它可以从时序中抽取时序内部的规律用于时序的数值、周期、趋势分析和预测等[23]-[24]。虞枫(2011)运用了预测方法中最为常见的指数平滑法来做预测，通过对历史数据以时间寻列为标准进行权重分配，并综合考虑发展趋势和季节等多重因素，从而得到较为合理有一定参考价值的预测数据。考虑各种不同影响因素来构建单一预测模型，但在不同的商品上提出了不同的库存控制模型：季节性商品库存控制模型、非季节性商品库存控制模型和时令商品库存控制模型。但是这个模型只是在理论阶段，并没有通过数值检验。
3 研究现状总结
综上，国内外对于时间序列商品需求预测研究可总结为以下几个方面：
- 需求预测方法
国外研究着力于组合预测法及灰色理论预测的研究，并对互联网流量、零售商品销售额预测方面得出了关于需求预测的结论；国内主要针对非线性组合预测做出研究，并基于灰色预测模型和多元逐步回归预测模型，提出组合预测模型对地区物流需求进行预测，相对于单一预测获得了更好的预测结果。总结得出组合预测法及灰色预测模型并不能用于所有情况下的需求预测，还需其他方面因素，本文只对需求预测的其他方法的应用程度及适用性做简单总结介绍，对于具体模型及研究方法不做分析。
- 关于时间序列的需求预测
国外主要着重于从时间序列中发现规则，对时序化数据进行标准预处理，把时间序列转换为时间序列样本，对时序数据进行离散化和符号化处理，最后对时序数据集进行规则挖掘；对于国内而言，主要是对于时间序列非线性组合预测的研究，抽取时序内部规律进行分析预测。总结得出在用时间序列法预测未来需求量时，忽略了畅销品的未来市场需求预测及整车运输时的能否达到满载问题，且国内外学者并没有讨论其研究成果或规律对时间序列是否具有普遍适用性，故本文主要研究工作是挖掘时间序列数据的潜在规则，结合电商平台数据进行时间序列法未来需求量的有效预测，针对畅销品及车辆满载提出优化建议，并总结分析时间序列法预测需求量的适用性。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
