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