【摘要】：中國經(jīng)濟由高速增長階段轉向高質量發(fā)展階段,正處在轉變發(fā)展方式、優(yōu)化經(jīng)濟結構、轉換增長動力的攻關期。作為中國重要的支柱產(chǎn)業(yè),汽車制造工業(yè)已經(jīng)開始出現(xiàn)供需失衡銷售與生產(chǎn)比例下降等問題。因此汽車制造商迫切的需要精確預測汽車銷量,并將預測結果運用于生產(chǎn)銷售的決策。神經(jīng)網(wǎng)絡作為具有代表性的機器學習算法、是卓有成效的非線性預測方法,時間序列模型對汽車銷量周期性變化特征具有良好的適用性。本文分別選取循環(huán)神經(jīng)網(wǎng)絡算法與時間序列模型以及二者的組合模型,對汽車企業(yè)的月度總銷量及具體車型月度銷量進行研究分析。在針對汽車企業(yè)的月度銷量預測問題中,分別使用了ARIMA模型和RNN神經(jīng)網(wǎng)絡單獨進行了預測。汽車銷量變化具備長期性的特征,過去的銷量影響當下銷售,所以在RNN神經(jīng)網(wǎng)絡中選取LSTM-RNN作為建模算法。結果表明,這兩種算法在預測中均具有較好的擬合性。為了提升預測模型的有效性,根據(jù)非負權重最優(yōu)組合原則將兩種模型進行組合。結果表明通過兩種模型的融合,誤差進一步降低,與單一的模型相比效果更佳。針對具體車型的銷量預測模型建立能夠提升產(chǎn)品的產(chǎn)銷率,降低產(chǎn)能過剩發(fā)生的概率。在針對具體型號的汽車的模型建立過程中,使用汽車企業(yè)月度銷量模型建立過程作為參考,結合車型自身特性,對模型進行訓練得到最終能適用于具體車型的月度銷量預測模型。
【圖文】：

圖 2.1 RNN 神經(jīng)網(wǎng)絡結構及時間維度展開結構上圖中左邊是 RNN 神經(jīng)網(wǎng)網(wǎng)絡模型沒有按照時間序列運轉的靜態(tài)表示，上圖右側則表示 RNN 真實處理時間序列問題時的展開過程。重點描述右邊部分RNN 實際運轉的結構圖。圖中由時間 t 表示索引號，t-1 則為上一個時間的索引號，t-1 為未來下一個時間點的索引號，，t-1、t、t+1 的 RNN 的模型如圖右側所示。其中：（1）下方的 x 代表訓練集輸入的輸入層次， ( )代表在序列索引號 t 時樣本的輸入，圖中按照時間順序從左到右展開。所以 ( 1)代表 t-1 時刻的樣本輸入 ( +1)代表 t+1 時樣本的輸入。（2）h 代表 RNN 神經(jīng)網(wǎng)絡的隱含層，是循環(huán)神經(jīng)網(wǎng)絡保留歷史信息的關鍵結構， ( )是在序列索引號 t 時模型的隱含層狀態(tài)。由圖可以看到 ( )和 ( 1)共同作為 ( )的輸入。（3）o 代表 RNN 神經(jīng)網(wǎng)絡的輸出層， ( )的含義為序列索引號 t 時模型的輸出。在 t 時刻 ( )只由模型當前的隱藏狀態(tài) ( )決定。17

取的影響因素后，預測下一個月的數(shù)值�；谶@個前提，當對月汽車銷量預測的情境下，當月的省內總產(chǎn)值及當月的原材料產(chǎn)量等的影響因素通常不能及時獲取到，基于這一點的考慮，在時間維度上，對訓練數(shù)據(jù)進行錯位，本月的銷量對應去年的省內總產(chǎn)值及上個月的原材料數(shù)據(jù)。3.1.3 模型參數(shù)設定本次實驗方法選用 RNN 的一種變體形式 LSTM-RNN，LSTM 的改進之處在于隱含層添加門控單元使其能夠緩解訓練模型的反向傳播過程中的梯度消失和下降的[33]。LSTM 由 Hochreiter & Schmidhuber (1997)提出，并在近期被 AlexGraves 進行了改良和推廣[34]。LSTM 在解決不同行業(yè)的問題時都有著上佳的表現(xiàn)。LSTM 廣泛運用于解決以時間發(fā)生且順序排列的序列問題[35]。RNN 的基本原理是對一個 RNNcell 進行循環(huán)訓練。經(jīng)典的 RNN 結構中，該 cell 是個非常簡單只包含 tanh 激活單元的結構。如下圖 3.1 所示中間的透視部分即為 RNN 的內部的結構圖，僅包含單個 tanh 層：
【學位授予單位】：南昌大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：F426.471;F274;TP183;O211.61

【相似文獻】

相關期刊論文 前10條

1 胡悅;;金融市場中的神經(jīng)網(wǎng)絡拐點預測法[J];金融經(jīng)濟;2017年18期

2 遲惠生;陳珂;;1995年世界神經(jīng)網(wǎng)絡大會述評[J];國際學術動態(tài);1996年01期

3 王方;苗放;陳墾;;基于優(yōu)化神經(jīng)網(wǎng)絡的地質災害監(jiān)測預警仿真[J];計算機仿真;2019年11期

4 馬猛;王明紅;;基于進化神經(jīng)網(wǎng)絡的304不銹鋼車削加工表面粗糙度預測[J];輕工機械;2019年06期

5 莊連生;呂揚;楊健;李厚強;;時頻聯(lián)合長時循環(huán)神經(jīng)網(wǎng)絡[J];計算機研究與發(fā)展;2019年12期

6 吳立可;;脈沖神經(jīng)網(wǎng)絡和行為識別[J];通訊世界;2018年12期

7 林嘉應;鄭柏倫;劉捷;;基于卷積神經(jīng)網(wǎng)絡的船舶分類模型[J];信息技術與信息化;2019年02期

8 俞頌華;;卷積神經(jīng)網(wǎng)絡的發(fā)展與應用綜述[J];信息通信;2019年02期

9 韓真;凱文·哈特尼特;;為神經(jīng)網(wǎng)絡的通用理論建造基石[J];世界科學;2019年04期

10 鮑偉強;陳娟;熊濤;;基于進化神經(jīng)網(wǎng)絡的短期電力負荷預測研究[J];電工技術;2019年11期

相關會議論文 前10條

1 孫軍田;張U

本文編號：2610762