基于ARIMA与神经网络的备件需求组合预测方法
发布时间:2021-07-23 08:39
针对备件需求量波动大预测精度不高的问题,提出一种基于差分自回归移动平均(ARIMA)、BP神经网络、串联的卷积与长短期记忆神经网络(CNN-LSTM)组合模型的备件需求预测方法。该方法能够充分发挥ARIMA模型出色的线性拟合能力和神经网络突出的非线性拟合能力,克服了单一方法的局限性,并通过实例分析,验证了该组合预测模型的预测精确度高于单一预测模型。
【文章来源】:甘肃科技. 2020,36(10)
【文章页数】:5 页
【部分图文】:
三层BP神经网络结构
LSTM是一类特殊的递归神经网络,它克服了传统递归神经网络存在的梯度爆炸和梯度消失的问题,适合处理和预测时间序列事件。如图2所示,每个LSTM由输入门、忘记门、输出门和细胞状态组成,更新方式如下:其中,ft、it、Ct、ot分别表示忘记门、输入门、细胞状态和输出门;bf、bi、bc、bo分别表示不同门对应的偏置;Wf、Wi、Wc、Wo分别表示不同门对应权值;xt表示当前节点的输入;ht表示当前节点的输出;σ表示激励函数Sigmoid;G赞t表示计算过程中的候选值向量。
CNN-LSTM神经网络算法由三部分组成。第一层,将原始数据热向量编码,使其映射为k维空间,得到新特征。第二层,将新特征输入卷积神经网络,设置若干对卷积层和池化层,提取数据特征。第三层,将CNN的输出数据作为LSTM神经网络的输入,做时序的预测,如图3所示。2 组合预测模型
【参考文献】:
期刊论文
[1]基于注意力机制的CNN-LSTM模型及其应用[J]. 李梅,宁德军,郭佳程. 计算机工程与应用. 2019(13)
[2]基于BP神经网络的电网物资需求预测研究[J]. 丁红卫,王文果,万良,罗剑. 计算机技术与发展. 2019(06)
[3]基于深度学习的交通流量预测研究[J]. 邓烜堃,万良,丁红卫,辛壮. 计算机工程与应用. 2019(02)
[4]基于ARIMA的不稳定需求备件测模型研究[J]. 韩梅丽,李霖. 物流工程与管理. 2016(02)
[5]煤矿企业备件储备定额的研究[J]. 段军,郭颖. 煤矿机械. 2011(11)
本文编号:3298962
【文章来源】:甘肃科技. 2020,36(10)
【文章页数】:5 页
【部分图文】:
三层BP神经网络结构
LSTM是一类特殊的递归神经网络,它克服了传统递归神经网络存在的梯度爆炸和梯度消失的问题,适合处理和预测时间序列事件。如图2所示,每个LSTM由输入门、忘记门、输出门和细胞状态组成,更新方式如下:其中,ft、it、Ct、ot分别表示忘记门、输入门、细胞状态和输出门;bf、bi、bc、bo分别表示不同门对应的偏置;Wf、Wi、Wc、Wo分别表示不同门对应权值;xt表示当前节点的输入;ht表示当前节点的输出;σ表示激励函数Sigmoid;G赞t表示计算过程中的候选值向量。
CNN-LSTM神经网络算法由三部分组成。第一层,将原始数据热向量编码,使其映射为k维空间,得到新特征。第二层,将新特征输入卷积神经网络,设置若干对卷积层和池化层,提取数据特征。第三层,将CNN的输出数据作为LSTM神经网络的输入,做时序的预测,如图3所示。2 组合预测模型
【参考文献】:
期刊论文
[1]基于注意力机制的CNN-LSTM模型及其应用[J]. 李梅,宁德军,郭佳程. 计算机工程与应用. 2019(13)
[2]基于BP神经网络的电网物资需求预测研究[J]. 丁红卫,王文果,万良,罗剑. 计算机技术与发展. 2019(06)
[3]基于深度学习的交通流量预测研究[J]. 邓烜堃,万良,丁红卫,辛壮. 计算机工程与应用. 2019(02)
[4]基于ARIMA的不稳定需求备件测模型研究[J]. 韩梅丽,李霖. 物流工程与管理. 2016(02)
[5]煤矿企业备件储备定额的研究[J]. 段军,郭颖. 煤矿机械. 2011(11)
本文编号:3298962
本文链接:https://www.wllwen.com/kejilunwen/jixiegongcheng/3298962.html