發(fā)布時(shí)間：2021-04-17 13:09

　　隨著汽車售后市場競爭的不斷加劇,高效準(zhǔn)確的配件需求預(yù)測對(duì)代理商制定配件銷售決策具有重要參考意義。以汽車產(chǎn)業(yè)鏈協(xié)同平臺(tái)上多價(jià)值鏈數(shù)據(jù)為來源,構(gòu)建多鏈數(shù)據(jù)集。然后利用隨機(jī)森林提取與配件需求相關(guān)度較高的特征因素,并將其投入LSTM神經(jīng)網(wǎng)絡(luò)中進(jìn)行模型訓(xùn)練,得出預(yù)測結(jié)果。最后采用平臺(tái)上某代理商的多鏈數(shù)據(jù)對(duì)預(yù)測模型進(jìn)行實(shí)例驗(yàn)證。結(jié)果表明,相比于單一組件模型,該組合模型的預(yù)測效果具有更高的穩(wěn)定性和準(zhǔn)確性。 

【文章來源】：現(xiàn)代計(jì)算機(jī). 2020,(24)

【文章頁數(shù)】：6 頁

【部分圖文】：

多價(jià)值鏈數(shù)據(jù)抽取示意圖22.2配件需求影響特征選取

研究現(xiàn)狀分析，本文針對(duì)汽車產(chǎn)業(yè)鏈協(xié)同平臺(tái)上代理商配件銷售數(shù)據(jù)以及需求影響特征數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，構(gòu)建隨機(jī)森林（RF）和長短期時(shí)間記憶神經(jīng)網(wǎng)絡(luò)模型（LSTM）的組合預(yù)測模型。首先利用隨機(jī)森林（RF）算法對(duì)影響配件銷量的多種特征（包括配件故障率、適配車型整車保有量以及配件滯銷比等）進(jìn)行選取，提取出最優(yōu)特征子集，消除特征集中的噪聲，并降低其維度。然后將其提取的特征子集作為LSTM的訓(xùn)練數(shù)據(jù)，得到預(yù)測結(jié)果，結(jié)果表明，該組合預(yù)測模型相比于單一組件模型具有更高的預(yù)測精度和更快的收斂速度。圖1代理商多價(jià)值鏈數(shù)據(jù)來源示意圖2多鏈數(shù)據(jù)集構(gòu)建22.1多鏈數(shù)據(jù)抽取價(jià)值鏈數(shù)據(jù)的具體表現(xiàn)形式是產(chǎn)品供應(yīng)鏈業(yè)務(wù)數(shù)據(jù)，主要指供應(yīng)商，制造廠，代理商等鏈上的節(jié)點(diǎn)企業(yè)日常業(yè)務(wù)中的銷售、采購、庫存和計(jì)劃等信息數(shù)據(jù)[14]。本文研究所依托的汽車產(chǎn)業(yè)鏈協(xié)同平臺(tái)是一個(gè)為汽車供應(yīng)鏈中小型企業(yè)提供信息化系統(tǒng)服務(wù)，同時(shí)實(shí)現(xiàn)聯(lián)盟成員之間的信息共享的第三方平臺(tái)。目前在平臺(tái)上已經(jīng)積累了大量的整車銷售、配件采購、配件銷售和售后服務(wù)數(shù)據(jù)。其中平臺(tái)數(shù)據(jù)空間面向汽車產(chǎn)業(yè)全生命周期，采用分布式多元存儲(chǔ)的方式，將汽車產(chǎn)業(yè)多價(jià)值鏈數(shù)據(jù)整合匯聚在一起，為本文多鏈數(shù)據(jù)集構(gòu)建提供數(shù)據(jù)支持。由于配件市場需求預(yù)測具有較強(qiáng)的時(shí)效性，所以本文采用增量抽取方法，在數(shù)據(jù)空間對(duì)應(yīng)的數(shù)據(jù)表上構(gòu)建插入、修改、刪除三個(gè)觸發(fā)器，然后在源數(shù)據(jù)表操作數(shù)據(jù)的時(shí)候，將其經(jīng)過統(tǒng)計(jì)計(jì)算再進(jìn)行插入、修改并存入特征屬性表中，其具體過程如圖2所示。圖2多價(jià)值鏈數(shù)據(jù)抽取示意圖22.2配件需求影響特征選取明確了多鏈條數(shù)據(jù)來源，還需要對(duì)需要提取的數(shù)據(jù)內(nèi)容進(jìn)行確定。本文以汽車產(chǎn)業(yè)鏈協(xié)同平臺(tái)上多鏈條數(shù)據(jù)為實(shí)驗(yàn)對(duì)象。

，在通過重復(fù)以上過程得到若干個(gè)特征集以及對(duì)應(yīng)的袋外誤差，選取誤差最小的特征集作為最優(yōu)特征子集。圖3配件需求預(yù)測組合模型結(jié)構(gòu)示意圖（2）LSTM原理分析LSTM神經(jīng)網(wǎng)絡(luò)模型[2]是RNN（循環(huán)神經(jīng)網(wǎng)絡(luò)）的改進(jìn)模型，其解決了RNN的梯度消失問題，引入信息長時(shí)間選擇性有效的機(jī)制。其內(nèi)部結(jié)構(gòu)在RNN的基礎(chǔ)上進(jìn)行了優(yōu)化，增加了輸入門（inputgate），遺忘門（forgetgate），輸出門（outputgate）三個(gè)邏輯控制單元，且各自聯(lián)結(jié)到一個(gè)乘法元件上[12]。具體結(jié)構(gòu)如圖4所示。圖4LSTM隱藏層內(nèi)部結(jié)構(gòu)示意圖LSTM模型中各門控單元的描述如下：①遺忘門：其輸入數(shù)據(jù)包含上一時(shí)刻隱藏層的輸

【參考文獻(xiàn)】：
期刊論文
[1]基于XGBoost和LSTM加權(quán)組合模型在銷售預(yù)測的應(yīng)用[J]. 馮晨,陳志德.  計(jì)算機(jī)系統(tǒng)應(yīng)用. 2019(10)
[2]Prophet-LSTM組合模型的銷售量預(yù)測研究[J]. 葛娜,孫連英,石曉達(dá),趙平.  計(jì)算機(jī)科學(xué). 2019(S1)
[3]面向汽車產(chǎn)業(yè)鏈的云服務(wù)平臺(tái)信息支撐體系[J]. 李斌勇,孫林夫,王淑營,田冉.  計(jì)算機(jī)集成制造系統(tǒng). 2015(10)
[4]基于變權(quán)組合模型的汽車后市場零配件需求預(yù)測[J]. 孫其偉,宮劍,趙恒.  中國管理信息化. 2014(09)
[5]隨機(jī)森林方法研究綜述[J]. 方匡南,吳見彬,朱建平,謝邦昌.  統(tǒng)計(jì)與信息論壇. 2011(03)
[6]面向服務(wù)的汽車配件需求預(yù)測模型[J]. 廖偉智,孫林夫,杜平安.  計(jì)算機(jī)集成制造系統(tǒng). 2010(08)
[7]基于核心能力的供應(yīng)鏈網(wǎng)絡(luò)多價(jià)值鏈整合[J]. 羅文標(biāo),程功.  商業(yè)時(shí)代. 2008(05)



本文編號(hào)：3143511