吴学华，马晓华,娄海川,韩晓春,丁 杰，侯卫锋

(浙江中控软件技术有限公司，浙江 杭州 310053)

0 引言

随着现代化工产品的个性化定制需求越来越普遍、产品牌号越来越精细，准确预测企业的产品需求显得尤为重要。

产品的市场需求预测可以简化为对时间序列的预测。因此，简单的趋势外推法，包括移动平均法[1]、指数平滑法[2]、趋势预测法[3]，常被应用于具有简单增长或降低的时间序列分析。但是简单的趋势外推法无法抓住外部环境的季节性、周期性波动和其他影响要素。近年来，分解预测方法较为流行。该方法将时间序列分解成长期趋势因素、季节变动因素、循环变动因素和不规则变动因素，并对除不规则变动因素以外的其他因素进行建模，从而对时间序列进行预测[4-5]。此外，在统计学中，自回归(autoregression,AR)模型、自回归滑动平均(auto-regressive moving average,ARMA)模型、自回归积分滑动平均(autoregressive integrated moving average，ARIMA)模型则更为常见，常被用于市场分析和预测[6-7]。最近，新的机器学习方法也常被用于复杂时间序列的分析和预测。利用自适应差分进化算法优化反向传播(back propagation,BP)神经网络，对多维时间序列进行预测，其精度优于传统的神经网络和ARIMA方法；利用循环神经网络(recurrent neural network,RNN)在口语序列和书面语序列之间进行分析和建模，达到了良好的转换和预测效果[8-9]。综上所述，对于简单或者复杂的时间序列，需要利用不同的建模方法进行分析和预测。

本文利用加权变异系数和帕累托分类两种指标，结合卷积神经网络(convolutional neural network,CNN)，对某化工企业7大类共202种具体规格的产品进行了分析建模和预测，较好地实现了产品类别的划分；……