在产品需求预测中结合独立分量分析和发展层次支持向量回归机与自组映射图【外文翻译】.doc

1、毕业论文（设计）外文翻译外文原文COMBININGINDEPENDENTCOMPONENTANALYSISANDGROWINGHIERARCHICALSELFORGANIZINGMAPSWITHSUPPORTVECTORREGRESSIONINPRODUCTDEMANDFORECASTINGABSTRACTINTHEEVALUATIONOFSUPPLYCHAINPROCESSIMPROVEMENTS,THEQUESTIONOFHOWTOPREDICTPRODUCTDEMANDQUANTITYANDPREPAREMATERIALFLOWSINORDERTOREDUCECYCLETIMEHASEM

2、ERGEDASANIMPORTANTISSUE,ESPECIALLYINTHE3CCOMPUTER,COMMUNICATION,ANDCONSUMERELECTRONICMARKETTHISPAPERCONSTRUCTSAPREDICTINGMODELTODEALWITHTHEPRODUCTDEMANDFORECASTPROBLEMWITHTHEAIDOFAGROWINGHIERARCHICALSELFORGANIZINGMAPSANDINDEPENDENTCOMPONENTANALYSISINDEPENDENTCOMPONENTANALYSISMETHODISUSEDTODETECTANDR

3、EMOVETHENOISEOFDATAANDFURTHERIMPROVETHEPERFORMANCEOFPREDICTINGMODEL,THENGROWINGHIERARCHICALSELFORGANIZINGMAPSISUSEDTOCLASSIFYTHEDATA,ANDAFTERTHECLASSIFICATION,SUPPORTVECTORREGRESSIONISAPPLIEDTOCONSTRUCTTHEPRODUCTDEMANDFORECASTINGMODELINTHEEXPERIMENTALRESULTS,THEMODELPROPOSEDINTHISPAPERCANBESUCCESSFU

4、LLYAPPLIEDINTHEFORECASTINGPROBLEM1INTRODUCTIONCOMPANIESEXCELLINGINCUSTOMERSDEMANDKNOWTHEIMPORTANCEOFEFFECTIVESUPPLYCHAINPLANNINGSUCCESSFULBUSINESSESNEEDANACCURATEPICTUREOFDEMANDTODRIVEPRODUCTION,INVENTORY,DISTRIBUTION,ANDBUYINGPLANSACROSSTHEIROPERATIONSTHESECHALLENGESAREINTENSIFIEDBYTHEEFFECTSOFSEAS

5、ONALITY,PROMOTIONS,ANDPRODUCTPROLIFERATION,NOTTOMENTIONGROWTHTHROUGHMERGERSANDACQUISITIONSCUSTOMERDEMANDFORECASTINGCANBEIMPLEMENTEDTOMANAGEAGLOBALDEMANDPLANWITHMULTIPLECHANNELSTOMARKETANACCURATEFORECAST,WHICH,INTURN,DRIVESMORERESPONSIVECUSTOMERSERVICEWITHLOWERINVENTORIESANDREDUCEDOBSOLESCENCE,ESPECI

6、ALLYINTHE3CCOMPUTER,COMMUNICATION,ANDCONSUMERELECTRONICMARKETACCORDINGTOTHESTATISTICSPROVIDEDBYTAIWANSINSTITUTEFORINFORMATIONINDUSTRY,THEVALUEOF3CRELATEDPRODUCTSWAS13TRILLIONNTDOLLARSIN2008AND11TRILLIONNTDOLLARSIN2009FORTHISREASON,THE3CMARKETPLAYSANIMPORTANTROLEINTAIWANSSEMICONDUCTORMANUFACTURINGAND

7、,ASARESULT,ACCURATEFORECASTOFPRODUCTDEMANDHASBECOMEINCREASINGLYIMPORTANTACCORDINGLY,MANYRESEARCHERSHAVEBEGUNTOPAYMOREATTENTIONTOTHEINTEGRATIONOFPRODUCTDEMANDINTOSUPPLYCHAINMANAGEMENTMODELSREINERANDFICHTINGER2009HASDEVELOPEDANEXTENDEDDYNAMICDEMANDFORECASTANDINVENTORYMODELFORATWOSTAGESUPPLYCHAINPROCES

8、S,ASSUMINGPURCHASEDECISIONSAREMADEBYRATIONALACTORSINADDITION,DOLGUIAANDPASHKEVICH2008HASPROPOSEDANEWDEMANDMODELFORMULTIPLESLOWMOVINGINVENTORYITEMSWITHSHORTREQUESTHISTORIESANDUNEQUALDEMANDVARIANCETHEYBOTHNOTETHEIMPORTANCEOFDEMANDFORECASTINTHESUPPLYCHAINMANAGEMENTMODELWITHTHERECENTDEVELOPMENTOFARTIFIC

9、IALINTELLIGENCEMODELS,SEVERALMETHODSHAVEBEENFOUNDTOWORKMOREEFFECTIVELYTHANTRADITIONALMETHODSWHENAPPLIEDTOFORECASTMODELSHOWEVER,MANYRESEARCHERSCHANGETAL,2006WANGETAL,2009HAVEMENTIONEDTHATNOMATTERWHATKINDOFDATA,SOMENOISEMAYINFLUENCETHEFORECASTRESULTALOTITSEEMSDATAPREPROCESSINGTOBEMOREANDMOREIMPORTANTA

10、NINTEGRATEDDEMANDFORECASTMODELWILLBEDEVELOPEDINTHISRESEARCH,INWHICHNOISEDETECTINGANDREMOVINGTASKWILLBECONSIDEREDFIRSTANDTHENALLDATAWILLBECLUSTEREDTOINCREASETHEACCURACYANDTHEPRACTICABILITYOFTHEMODELTHEDETAILEDMETHODOLOGIESINTRODUCTIONANDLITERATURESREVIEWAPPLIEDINTHISRESEARCHCANBEFOUNDINSECTION2THEFRA

11、MEWORKOFPROPOSEDFORECASTMODELWILLBEILLUSTRATEDINSECTION3SECTION4WILLPRESENTTHESALESDATASETANDRESULTSOFOUREXPERIMENT,ANDSECTION5WILLDISCUSSTHECONTRIBUTIONSOFOURMODELFORECASTITISAIDEDBYTHEUTILIZATIONOFGROWINGHIERARCHICALSELFORGANIZINGMAPSGHSOMANDINDEPENDENTCOMPONENTANALYSISICAHEREAFTERREFERREDTOASTHEI

12、CAGHSOMSVRMODELTHEICAMETHODISUSEDTODETECTANDREMOVETHENOISEOFDATAANDFURTHERIMPROVETHEPERFORMANCEOFSVRTHEGHSOMISTHENUSEDTOCLASSIFYTHEDATAAFTERTHECLASSIFICATION,SVRISAPPLIEDTOCONSTRUCTTHEPRODUCTDEMANDFORECASTINGMODELTHEFRAMEWORKOFICAGHSOMSVRMODELISSHOWNINFIG1,ANDTHEDETAILEDINTRODUCTIONANDLITERATUREREVI

13、EWOFEACHMETHODCANBESEEMEDINTHEFOLLOWINGSECTIONS21INDEPENDENTCOMPONENTANALYSISICAISANOVELSTATISTICALSIGNALPROCESSINGTECHNIQUEDESIGNEDTOFINDINDEPENDENTSOURCESGIVENONLYOBSERVEDDATACOMPOSEDOFMIXTURESOFUNKNOWNSOURCES,WITHOUTANYPRIORKNOWLEDGEOFTHEMIXINGMECHANISMINTHEOPERATIONOFTHEBASICICAMODEL,THEOBSERVED

14、MIXTURESIGNALSXCANBEEXPRESSEDASX1/4AS,WHEREAISANUNKNOWNMIXINGMATRIXANDSREPRESENTSTHELATENTSOURCESIGNALSTHATCANNOTBEDIRECTLYOBSERVEDFROMTHEMIXTURESIGNALSXTHEICAMODELDESCRIBESHOWTHEOBSERVEDMIXTURESIGNALSAREGENERATEDBYAPROCESSUTILIZINGTHEMIXINGMATRIXATOLINEARLYMIXTHELATENTSOURCESIGNALSSTHESOURCESIGNALS

15、AREASSUMEDTOBEMUTUALLYANDSTATISTICALLYINDEPENDENTBASEDONTHISASSUMPTION,THEICASOLUTIONISOBTAINEDINANUNSUPERVISEDLEARNINGPROCESSTHATIDENTIFIESADEMIXINGMATRIXWTHEDEMIXINGMATRIXWISUSEDTOTRANSFORMTHEOBSERVEDMIXTURESIGNALSXTOYIELDTHEINDEPENDENTSIGNALSY,IE,WX1/4YTHEINDEPENDENTSIGNALSYARETHENUSEDASTHEESTIMA

16、TESOFTHELATENTSOURCESIGNALSSTHEROWSOFY,CALLEDINDEPENDENTCOMPONENTSICS,AREREQUIREDTOBEASMUTUALLYINDEPENDENTASPOSSIBLEEVENTHOUGHTHEBASICICAMODELHASBEENWIDELYAPPLIEDINMEDICALSIGNALPROCESSING,AUDIOSIGNALPROCESSING,FACERECOGNITION,FEATUREEXTRACTION,ANDQUALITYCONTROL,THEREHAVESTILLBEENFEWAPPLICATIONSUSING

17、ICAINFINANCIALTIMESERIESFORECASTINGBACKANDWEIGEND1997USEDICATOASCERTAINTHEFEATURESOFTHEDAILYRETURNSOF28OFJAPANSLARGESTSTOCKSTHERESULTSSHOWTHATDOMINANTICSCANREVEALMOREUNDERLYINGSTRUCTUREANDINFORMATIONOFTHESTOCKPRICESTHANPRINCIPALCOMPONENTANALYSISKIVILUOTOANDOJA1998EMPLOYEDICATOFINDTHEFUNDAMENTALFACTO

18、RSAFFECTINGTHECASHFLOWOF40STORESINTHESAMERETAILCHAINTHEYFOUNDTHATTHECASHFLOWOFTHERETAILSTORESWASMAINLYAFFECTEDBYHOLIDAYS,SEASON,ANDCOMPETITORSSTRATEGIESOJAETAL2000APPLIEDICAINFOREIGNEXCHANGERATETIMEFORECASTINGTHEYFIRSTUSEDICATOESTIMATEINDEPENDENTCOMPONENTSANDTHEMIXINGMATRIXFROMTHEOBSERVEDTIMESERIESD

19、ATAANDTHENFILTEREDTHEINDEPENDENTCOMPONENTSTOREDUCETHEEFFECTSOFNOISETHROUGHLINEARANDNONLINEARSMOOTHINGTECHNIQUESTHEREUPONTHEAUTOREGRESSIONARMODELWASEMPLOYEDTOPREDICTTHESMOOTHEDINDEPENDENTCOMPONENTSFINALLY,THEYCOMBINEDTHEPREDICTIONSOFEACHSMOOTHEDICBYUSINGAMIXINGMATRIXANDTHUSOBTAINEDPREDICTIONSFORTHEOR

20、IGINALOBSERVEDTIMESERIESINOURSTUDYTHEICAMETHODISUSEDTODETECTANDREMOVETHENOISEOFDATAANDFURTHERIMPROVETHEPERFORMANCEOFSVR22GROWINGHIERARCHICALSELFORGANIZINGMAPSCURRENTRESEARCHINDICATESTHATTHESELFORGANIZINGMAPSOMAPPROACHISABLETODETECTSTRUCTURESFROMHIGHDIMENSIONALSPACETOLOWDIMENSIONALSPACEHUNGANDTSAI,20

21、08FACINGFORECASTINGPROBLEMS,MOSTOFTHISRESEARCHWASABLETOUSESOMTOCLUSTERTHEORIGINALDATASETINTOTHEDIFFERENTGROUPSFORECASTPROCEDURESCOULDTHENBEAPPLIEDTOEACHDATASETTOMAKEANACCURATEFORECASTINGRESULTTAYANDCAO2001INTEGRATEDSOMANDSVMTOCONSTRUCTAFINANCIALTIMESERIESFORECASTINGMODELCAO2003ALSOCOMBINEDSOMANDSVMT

22、ODEALWITHTHETIMESERIESFORECASTINGPROBLEMLAIETAL2009USEDAKMEANSPROCEDURETOCLUSTERTHEIRDATASET,ASWELLASAPPLIEDAFUZZYDECISIONTREETOFORECASTTHESTOCKPRICEHUANGANDTSAI2009HYBRIDIZEDSVRWITHTHESELFORGANIZINGFEATUREMAPSOFMTECHNIQUEANDAFILTERBASEDFEATURESELECTIONTOREDUCETHECOSTOFTRAININGTIMEANDIMPROVEPREDICTI

23、ONACCURACIESHSUETAL2009FIRSTUSEDSOMTODECOMPOSETHEWHOLEINPUTSPACEINTOREGIONSWHEREDATAPOINTSWITHSIMILARSTATISTICALDISTRIBUTIONSWEREGROUPEDTOGETHER,SOASTOCONTAINANDCAPTURETHENONSTATIONARYPROPERTYOFFINANCIALSERIESAFTERDECOMPOSINGHETEROGENEOUSDATAPOINTSINTOSEVERALHOMOGENOUSREGIONS,SVRWASAPPLIEDTOFORECAST

24、FINANCIALINDICESHOWEVER,SOMESHORTCOMINGSHAVETOBEMENTIONEDONEPOSSIBLESOLUTIONFORANEXTENSIVEDATASETISUSINGTHESOMINAHIERARCHICALMANNERRAUBERETAL2002PROPOSEDTHEGHSOM,WHICHISBASEDONARECURSIVESOMALGORITHM,TOPROVIDEASOMHIERARCHYAUTOMATICALLYNEVERTHELESS,MOSTRESEARCHHASAPPLIEDGHSOMTODEALWITHIMAGERECOGNITION

25、ANDWEBMININGPROBLEMSTHUS,THISSTUDYWILLFIRSTAPPLYGHSOMTOTHETASKOFPRODUCTDEMANDFORECASTING23SUPPORTVECTORREGRESSIONFORECASTINGMODELNEURALNETWORKISTHEMOSTCOMMONLYUSEDTOOLAPPLIEDINFORECASTINGTHEMOSTPOPULARNEURALNETWORKTRAININGALGORITHMFORFORECASTINGISTHEBACKPROPAGATIONNEURALNETWORKBPN,WHICHHASASIMPLEARC

26、HITECTUREBUTPOWERFULPROBLEMSOLVINGABILITYTHEBPN,HOWEVER,SUFFERSFROMANUMBEROFSHORTCOMINGS,SUCHASTHENEEDFORALARGENUMBEROFCONTROLLINGPARAMETERS,DIFFICULTYINOBTAININGASTABLESOLUTION,ANDTHERISKOFMODELOVERFITTINGTAYANDCAO,2001A,2003CHANGETAL,2005ASARESULTOFTHESEWEAKNESSES,MANYMODELSHAVEBEENDEVELOPEDTOIMPR

27、OVEONTHEBPNMODELSUPPORTVECTORMACHINESSVMSHAVEANOVELNEURALNETWORKALGORITHMBASEDONSTATISTICALLEARNINGTHEORYVAPNIK,1999,2000THEYHAVEGREATPOTENTIALANDPROVIDESUPERIORPERFORMANCEINPRACTICALAPPLICATIONSTHISISLARGELYDUETOTHESVMSSTRUCTURERISKMINIMIZATIONPRINCIPLES,WHICHHAVEGREATERGENERALIZATIONABILITYANDARES

28、UPERIORTOTHEEMPIRICALRISKMINIMIZATIONPRINCIPLEUTILIZEDBYTRADITIONALNEURALNETWORKSSVMSGUARANTEEGLOBALOPTIMA,WHEREASBPNFACETHERISKOFGETTINGSTUCKINLOCALOPTIMAANDARENOTGUARANTEEDTOACHIEVEGLOBALOPTIMATAYANDCAO,2001A,2003ASACONSEQUENCEOFTHESERESULTS,PROVIDINGTHEADVANTAGEOFGENERALIZATIONCAPABILITYWITHAUNIQ

29、UEANDGLOBALOPTIMALSOLUTION,THESVMSHAVENOTONLYDRAWNTHEATTENTIONOFRESEARCHERS,BUTHAVEALSOBEENAPPLIEDINAVARIETYOFWAYS,SUCHASTEXTURECLASSIFICATION,IMAGERECOGNITION,DATAMINING,ANDBIOINFORMATICSKIMETAL,2002LIETAL,2003NORINDER,2003SHINETAL,2005WITHTHEINTRODUCTIONOFVAPNIKSEINSENSITIVITYLOSSFUNCTION,THEREGRE

30、SSIONMODELFORSVMS,CALLEDSVR,HASALSORECEIVEDINCREASINGATTENTIONINTHESOLUTIONOFNONLINEARESTIMATIONPROBLEMSITHASBEENSUCCESSFULLYAPPLIEDTOPROBLEMSOFTIMESERIESPREDICTION,SUCHASPRODUCTIONVALUEFORECASTOFTHEMACHINERYINDUSTRY,ENGINERELIABILITYPREDICTION,WINDSPEEDPREDICTION,ANDFINANCIALTIMESERIESFORECASTINGMO

31、HANDESETAL,2004TAYANDCAO,2001A,2003THISSENETAL,2003LUETAL,2009PAIETAL,2009YANGETAL,2007HEETAL,2008FANGETAL,2008ALTHOUGHUTILIZINGSVRINTIMESERIESPREDICTIONHASYIELDEDMANYSUCCESSFULRESULTS,THEREHASBEENFARLESSRESEARCHONTHEAPPLICATIONOFSVRTODEMANDFORECASTINGPROBLEMSPAIETALS2009WORKONASUPPORTVECTORREGRESSI

32、ONMODELWITHSCALINGPREPROCESSINGANDMARRIAGEINHONEYBEEOPTIMIZATIONSVRSMBO,HOWEVER,SUGGESTSTHATSVRCANBEUSEDTOACCURATELYFORECASTDEVELOPMENTSINTHEICINDUSTRYSUPPORTVECTORREGRESSIONISANADAPTATIONOFARECENTLYINTRODUCEDSTATISTICAL/MACHINELEARNINGTHEORYBASEDCLASSIFICATIONPARADIGMNAMELY,SUPPORTVECTORMACHINESINO

33、RDERTOILLUSTRATETHECONCEPTOFSVR,ATYPICALREGRESSIONPROBLEMISFORMULATEDCONSIDERASETOFDATA，WHEREISAVECTOROFTHEMODELINPUTS,ISTHEACTUALVALUEANDREPRESENTSTHECORRESPONDINGSCALAROUTPUT,ANDNISTHETOTALNUMBEROFDATAPATTERNSTHEOBJECTIVEOFTHEREGRESSIONANALYSISISTODETERMINEAFUNCTIONFXSOASTOACCURATELYPREDICTTHEDESI

34、REDTARGETOUTPUTSQTHUS,THETYPICALREGRESSIONFUNCTIONCANBEFORMULATEDAS,WHEREISTHERANDOMERRORWITHADISTRIBUTIONOF,THEREGRESSIONPROBLEMCANBEFURTHERCLASSIFIEDINTERMSOFBOTHLINEARANDNONLINEARREGRESSIONPROBLEMSASNONLINEARREGRESSIONPROBLEMSARETHEMOREDIFFICULTTODEALWITH,SVRWASMAINLYDEVELOPEDTOCONTENDWITHTHEMTOS

35、OLVEANONLINEARREGRESSIONPROBLEMUSINGSVR,THEINPUTSAREFIRSTNONLINEARLYMAPPEDINTOAHIGHDIMENSIONALFEATURESPACEFWHEREINTHEYARECORRELATEDLINEARLYWITHTHEOUTPUTSTHESVRFORMALISMCONSIDERSTHEFOLLOWINGLINEARESTIMATIONFUNCTIONWHEREVISAWEIGHTVECTOR,BISACONSTANT,DENOTESAMAPPINGFUNCTIONINTHEFEATURESPACE,ANDDESCRIBE

36、STHEDOTPRODUCTIONINTHEFEATURESPACEFINSVR,THEPROBLEMOFNONLINEARREGRESSIONINTHELOWERDIMENSIONINPUTSPACEXISTRANSFORMEDINTOALINEARREGRESSIONPROBLEMINAHIGHDIMENSIONFEATURESPACEFTHATIS,THEORIGINALOPTIMIZATIONPROBLEMINVOLVINGANONLINEARREGRESSIONISRECASTASASEARCHFORTHEFLATTESTFUNCTIONINTHEFEATURESPACE,NOTIN

37、THEINPUTSPACEANUMBEROFCOSTFUNCTIONSSUCHASTHELAPLACIAN,HUBERSGAUSSIAN,ANDCANBEUSEDINTHESVRFORMULATIONAMONGTHESE,THEROBUSTLOSSFUNCTIONGIVENBELOWISTHEMOSTCOMMONLYADOPTED译文在产品需求预测中结合独立分量分析和发展层次支持向量回归机与自组映射图摘要评价供应链流程的改善，在减少生产周期这个问题中，怎样预测产品需求数量和准备物料流动成为最重要的问题,尤其是在3C（电脑，沟通和电子消费）市场中。本文在日益增长的层次自组映射图和独立分量分析的帮

38、助下利用一个预测模型来处理产品需求预测问题。独立分量分析方法被用于检测和去除瑕疵的数据,并进一步提高预测模型的性能，而日益增长的层次式自组映射图被用于数据分类,以及在分类之后,支持向量回归被应用于构建产品的需求预测模型。实验结果表明,在本文中所提出的模型可以被成功地应用于预测问题中。关键词需求预测支持向量回归机独立成分分析增长自组织图层1介绍在客户的需求中公司知道了优化有效的供应链计划的重要性。成功企业的运营需要一个精确的需求表来驱动生产、库存、分配和采购计划。这些挑战都将受到的季节、促销和产品增殖的影响,更不用说发展后的合并和收购。客户需求预测可以用于多渠道管理全球需求计划的市场中。一个精确

39、的预测,反过来可以以更低的库存和减少报废来驱动响应更多的客户服务，特别是在3C（电脑，沟通和电子消费）市场中。根据台湾研究所对信息产业提供的数据统计,在2008年，3C相关产品产出13万亿新台币，2009年达到11万亿新台币。因为这个原因,在台湾半导体制造业中，3C市场中扮演着重要的角色,正因如此,准确预测产品需求也变的越来越重要。因此,许多研究人员已经越来越重视产品需求一体化供应链管理模型。假设购买决策由理性的角色制定的前提下，REINERANDFICHTINGER2009建立了一种基于扩展的动态需求预测和库存模型的两个阶段供应链。此外,在短暂的需求历史和不平等的需求方差下，DOLGUIAA

40、NDPASHKEVICH2008提出了一种多个缓慢库存项目的新型需求模型。在供应链管理模型中，它们都要注意需求预测的重要性。根据近年来的人工智能模型的发展，当这些模型用于预测时，发现这些模型比传统的模型更有效。然而,许多研究人员CHANGETAL,2006WANGETAL,2009指出,无论什么样的数据,一些瑕疵可能会很大程度上影响预测的结果。这样看来，数据的预处理似乎越来越重要。一个把瑕疵检测和去除任务放在第一位的完整的需求预测模型会在这次研究研发出来,之后所有的数据将进行对比,以提模型的精确性和实用性。在第二部分中会给出这次研究中的详细的方法介绍和相关的文献综述。在第三部分将会描述出该框架

41、所提出的预测模型。第四节将会提供销售数据集合和我们的实验结果,第五部分将会讨论我们的模型所提供的贡献。2方法和它的评论本文构建一个支持向量回归（SVR）的预测模型来减轻产品需求预测的问题，并且在利用增长分层自组映射图GHSOM和独立分量分析（ICA）简称ICAGHSOMSVR模型的帮助下。ICA方法被用于检测和去除瑕疵的数据,并进一步提SVR的性能然后利用GHSOM来进行数据分类。分类之后,SVR被应用于构建产品的需求预测模型。ICAGHSOMSVR模型的框架如图1所示，并且在接下来的部分里各种方法进行详细的介绍与文献探讨。独立分量分析独立分量分析ICA是一种新型的统计信号处理设计技术，来观察

42、并找出独立数据资源中由来源不明的数据资源组成混合物,一种没有任何先验知识的混合机制。在ICA模型的操作基础上,所观察到的混合信号X可以表示XAS,其中A表示一个未知的混合矩阵且S代表潜在震源的信号,它们不能在混合信号X里直接观察到。ICA模型描述的是如何观察由混合矩阵A产生的混合信号去线性混合潜在震源信号S。源信号被假设为在统计学相互独立。并在假设的基础上,在ICA一个非监督的学习过程中获得了一个解决方案,用于标识DEMIXING矩阵W。DEMIXING矩阵W被用于观察混合信号X在给独立信号Y所带来的收益,即WXY。独立信号Y被用于估计潜在的源信号S。Y行被称为独立分量ICS，被要求越相互独立

43、越好。尽管基本的ICA模型已被广泛地应用在医学信号处理、音频信号处理、面部识别、特征提取和与质量控制,仍然有几个应用程序使用ICA进行金融时间序列预测。BACKANDWEIGEND1997使用ICA来确定28个日本最大的股票的每日返回的功能。结果表明,和主成分分析相比，ICS的优势在于可以显示更多的基础结构和股票价格信息。KIVILUOTOANDOJA1998雇用ICA找到40个存储在相同的零售链中影响现金流量的基本因素。他们发现零售商店的现金流量主要是受假期、季节、和竞争对手策略的影响。OJAETAL2000应用ICA对外汇汇率时间的预测。他们首次使用ICA在观测时间序列的数据中估计独立组件

44、和混合矩阵,然后通过线性和非线性平滑技术来筛选独立的组件以减少瑕疵数据所造成的影响。因此自动回归AR模型被用来预测平滑的独立组件。最后,他们联合使用混合矩阵的每个平滑IC的预测并因此获得原始的观测的时间序列预测。在我们的研究中ICA模型被用来检测和去除瑕疵的数据,并进一步提高SVR的性能。22增长分层自组映射图当前研究表明，用自组映射图（SOM）的方法是能够检测出从高维空间到低维空间的结构HUNGANDTSAI,2008。面对预测问题,这项研究的大部分是能够运用SOM来集合不同组中的原始数据集。预测程序可以被应用于每个数集来得出准确的预测结果。TAYANDCAO2001结合SOM和SVM来构建

45、金融时间序列预测模型。CAO2003也结合利用SOM和SVM来处理时间序列预测问题。LAIETAL2009运用一个K均值过程来集合他们的数据集,以及应用模糊决策树技术来预测股票的价格。HUANGANDTSAI2009交杂了SVR方法与SOFM技术和筛选器的功能选择来减少训练时间的费用和提高预测精度。HSUETAL2009第一次使用SOM来分析整个输入区域的空间，其中类似的统计分布的数据点被组合在一起，这样就可以包含并捕获金融系列的非平稳属性。在异构数据点被分解成几个均匀的区域之后，SVR被应用于预测金融指数。然而,这个方法有一些不足之处应该被提及到。一个可能的解决方案是在一个层次结构的方式中让

46、广泛的数据集使用SOM。RAUBERETAL2002提出GHSOM是一种基于SOM的递归算法,用来自动的为SOM提供层次结构。不过,多数研究应用GHSOM来处理图像识别和WEB的挖掘问题。因此，这项研究将会首先应用GHSOM来解决产品需求预测任务。23支持向量回归预测模型在预测中，神经网络是最常用的工具。在预测中，最受欢迎的神经网络训练算法是反向传播神经网络BPN,它虽然具有一个简单的体系结构但却有一个功能强大的解决问题的能力。然而,BPN患有大量的不足之处,例如，它需要大量的控制参数，获得一个稳定的解决方案是非常困难的，以及模型的风险TAYANDCAO,2001A,2003CHANGETAL

47、,2005。由于这些缺点,许多被设计出来的模型都是用来改善BPN模型的。支持向量机SVMS有一种基于统计学习理论的新的神经网络算法VAPNIK,1999,2000，在实际的应用程序中，它们有很大的潜力，并提供优异的性能。这主要是由于SVMS结构有这风险最小化原则,它比传统利用神经网络利用经验风险最小化原则有着更大的泛化能力。SVMS保证着全球最优的特点，而BPN面临着停留在原地的最优风险，不能保证实现全局最优TAYANDCAO,2001A,2003。由于这些结果,泛化能力的优势是提供唯一的全球最佳解决方案,SVMS不仅吸引了研究人员的关注,而且适用于多种方式,例如纹理分类、图像识别、数据挖掘、

48、生物信息学KIMETAL,2002LIETAL,2003NORINDER,2003SHINETAL,2005。通过引入VAPNIK的INSENSITIVITY损失函数、SVMS的解决方案模型,被称为SVR,在解决方案中的非线性估计问题也受到越来越多的重视。它已被成功地应用于时间序列预测的问题,如机械行业的生产值预测、发动机可靠性的预测,风速预测和金融时间序列预测MOHANDESETAL,2004TAYANDCAO,2001A,2003THISSENETAL,2003LUETAL,2009PAIETAL,2009YANGETAL,2007HEETAL,2008FANGETAL,2008。虽然在时

49、间序列预测中利用SVR已取得了许多成功的结果,但仍在需求预测的问题的研究中很少应用到SVR,。PAIETALS2009在支持向量回归模型中使用SVRSMBO,然而结果表明SVR在集成电路产业可以准确地预测事态发展。支持向量回归（SVR）是一个最近推出的适应统计/机器学习理论为基础的分类模式即，支持向量机SVM。为了说明SVR的概念,制定了一种典型的回归问题。建立一个数据集,假设是一个输入模型,表示一个是实际值并代表相应的标量输出和N表示一个数据模式的总数。这个回归分析的目标是为了确定的功能以便准确地预测所需的目标Q的输出。因此，可以制定典型回归函数,表示随机错误参数分布在中。可以进一步队这两个线性和非线性的回归问题进行分类。相比之下，非线性回归问题更难处理，而SVR主要是为了应付它们的。运用SVR来解决非线性回归问题，在一个高的三维特征空间（F）中先输入非线性映射，然后输出线性相关。下面的线性估计函数被认为是SVR的关系式其中V是一个权值向量，B是一个常数，在特征空间中表示为映射函数,在特征空间F中表示为一个生产点。在SVR中，把较低的维度中输入一个空间（X）的非线性回归问题转化为在高维特征空间（F）中的线性回归问题。就是，最初的优化问题所涉及到的一个非线性回归被塑造成一个在特征空间中的平坦的函数搜索，而不是在输入空间中。如LAPLACIAN、HUBER的