針對備件需求量波動大預測精度不高的問題,提出一種基于差分自回歸移動平均（ARIMA）、BP神經網絡、串聯的卷積與長短期記憶神經網絡（CNN-LSTM）組合模型的備件需求預測方法。該方法能夠充分發(fā)揮ARIMA模型出色的線性擬合能力和神經網絡突出的非線性擬合能力,克服了單一方法的局限性,并通過實例分析,驗證了該組合預測模型的預測精確度高于單一預測模型。 

【文章來源】：甘肅科技. 2020,36(10)

【文章頁數】：5 頁

【部分圖文】：

三層BP神經網絡結構

LSTM是一類特殊的遞歸神經網絡，它克服了傳統(tǒng)遞歸神經網絡存在的梯度爆炸和梯度消失的問題，適合處理和預測時間序列事件。如圖2所示，每個LSTM由輸入門、忘記門、輸出門和細胞狀態(tài)組成，更新方式如下：其中，ft、it、Ct、ot分別表示忘記門、輸入門、細胞狀態(tài)和輸出門；bf、bi、bc、bo分別表示不同門對應的偏置；Wf、Wi、Wc、Wo分別表示不同門對應權值；xt表示當前節(jié)點的輸入；ht表示當前節(jié)點的輸出；σ表示激勵函數Sigmoid;G贊t表示計算過程中的候選值向量。

CNN-LSTM神經網絡算法由三部分組成。第一層，將原始數據熱向量編碼，使其映射為k維空間，得到新特征。第二層，將新特征輸入卷積神經網絡，設置若干對卷積層和池化層，提取數據特征。第三層，將CNN的輸出數據作為LSTM神經網絡的輸入，做時序的預測，如圖3所示。2 組合預測模型

【參考文獻】：
期刊論文
[1]基于注意力機制的CNN-LSTM模型及其應用[J]. 李梅,寧德軍,郭佳程.  計算機工程與應用. 2019(13)
[2]基于BP神經網絡的電網物資需求預測研究[J]. 丁紅衛(wèi),王文果,萬良,羅劍.  計算機技術與發(fā)展. 2019(06)
[3]基于深度學習的交通流量預測研究[J]. 鄧烜堃,萬良,丁紅衛(wèi),辛壯.  計算機工程與應用. 2019(02)
[4]基于ARIMA的不穩(wěn)定需求備件測模型研究[J]. 韓梅麗,李霖.  物流工程與管理. 2016(02)
[5]煤礦企業(yè)備件儲備定額的研究[J]. 段軍,郭穎.  煤礦機械. 2011(11)



本文編號：3298962