基于EEMD和GRU的市场需求预测研究——人工智能时代的供应链管理与决策支持体系探索

市场需求预测在社会生产和提高管理决策水平等方面意义重大。虽然当前的研究集中于使用深度学习模型对市场需求进行预测，但是市场需求时序序列中存在着高频率的噪声和复杂的非线性波动模式，这些模型对市场需求的变化规律和对某些局部极值的拟合能力并不出色。因此，DeepMDF被引入用于预测非平稳、非线性的市场需求数据。DeepMDF主要由两部分组成，分别是用于分解市场需求数据的集成经验模态分解(EEMD)和门控循环单元(GRU)。EEMD可以降低GRU拟合数据非线性波动规律的难度；GRU可以针对长期的时序数据进行建模。实验表明，DeepMDF的性能出色。与基准模型相比，DeepMDF在预测市场需求方面的均方根误差(RMSE)平均降低了约69.06%。总的来说，DeepMDF能够很好地完成预测市场需求的工作。

市场需求预测[1]是指通过对消费者的购买心理和消费习惯的分析，以及对国民收人水平、收人分配政策的研究，推断出社会的市场总消费水平。市场需求预测非常关键。准确的预测能够使企业设定正确的库存水平，为其产品正确定价，并了解如何扩大或收缩其未来的业务。错误的预测会导致销售损失、库存耗尽、客户满意度下降以及收入损失。市场瞬息万变，竞争激烈，市场需求预测的准确性决定了市场需求分析的准确结果以及与公司发展相关的重要决策。因此，比较市场需求预测的现有结构，并在此基础上形成市场需求的有效预测原则，是特别重要的。

通常，市场需求[2]预测有两种方式，即非数学建模法和数学建模法。非数学建模法主要包括购买者意向调查法、销售人员意见法、专家意见法和市场试验法。数学建模法主要指的是时间序列分析法。该方法将某种经济统计指标的数值，按时间先后顺序排列形成序列，再将此序列数值的变化加以延伸，进行推算，预测未来发展趋势。随着社会的进步和发展，关于市场需求的数据量突增。海量的市场需求数据为我们带来了机遇与挑战。如果应用程序场景复杂，数据规模较大，传统的数据处理技术和模型将很难在预测工作中获得好的结果。在这样的背景下，人工智能尤其是深度学习技术[3]开始在大数据处理[4]领域崭露头角，并为我们预测市场需求提供了全新的思路。

基于以上研究，我们对新加坡境内几个不同区域的天然气市场需求数据集进行了分析，并且引入了一种基于GRU 和EEMD [5]的市场需求预测模型(DeepMDF)。实验结果表明，我们的工作能够很好地完成市场需求预测的任务。我们的工作的主要贡献如下：