基于多价值链的汽车零配件需求预测研究
发布时间：2021-04-17 13:09
随着汽车售后市场竞争的不断加剧,高效准确的配件需求预测对代理商制定配件销售决策具有重要参考意义。以汽车产业链协同平台上多价值链数据为来源,构建多链数据集。然后利用随机森林提取与配件需求相关度较高的特征因素,并将其投入LSTM神经网络中进行模型训练,得出预测结果。最后采用平台上某代理商的多链数据对预测模型进行实例验证。结果表明,相比于单一组件模型,该组合模型的预测效果具有更高的稳定性和准确性。
【文章来源】：现代计算机. 2020,(24)
【文章页数】：6 页
【部分图文】：
多价值链数据抽取示意图22.2配件需求影响特征选取
研究现状分析，本文针对汽车产业链协同平台上代理商配件销售数据以及需求影响特征数据进行实验，构建随机森林（RF）和长短期时间记忆神经网络模型（LSTM）的组合预测模型。首先利用随机森林（RF）算法对影响配件销量的多种特征（包括配件故障率、适配车型整车保有量以及配件滞销比等）进行选取，提取出最优特征子集，消除特征集中的噪声，并降低其维度。然后将其提取的特征子集作为LSTM的训练数据，得到预测结果，结果表明，该组合预测模型相比于单一组件模型具有更高的预测精度和更快的收敛速度。图1代理商多价值链数据来源示意图2多链数据集构建22.1多链数据抽取价值链数据的具体表现形式是产品供应链业务数据，主要指供应商，制造厂，代理商等链上的节点企业日常业务中的销售、采购、库存和计划等信息数据[14]。本文研究所依托的汽车产业链协同平台是一个为汽车供应链中小型企业提供信息化系统服务，同时实现联盟成员之间的信息共享的第三方平台。目前在平台上已经积累了大量的整车销售、配件采购、配件销售和售后服务数据。其中平台数据空间面向汽车产业全生命周期，采用分布式多元存储的方式，将汽车产业多价值链数据整合汇聚在一起，为本文多链数据集构建提供数据支持。由于配件市场需求预测具有较强的时效性，所以本文采用增量抽取方法，在数据空间对应的数据表上构建插入、修改、删除三个触发器，然后在源数据表操作数据的时候，将其经过统计计算再进行插入、修改并存入特征属性表中，其具体过程如图2所示。图2多价值链数据抽取示意图22.2配件需求影响特征选取明确了多链条数据来源，还需要对需要提取的数据内容进行确定。本文以汽车产业链协同平台上多链条数据为实验对象。
，在通过重复以上过程得到若干个特征集以及对应的袋外误差，选取误差最小的特征集作为最优特征子集。图3配件需求预测组合模型结构示意图（2）LSTM原理分析LSTM神经网络模型[2]是RNN（循环神经网络）的改进模型，其解决了RNN的梯度消失问题，引入信息长时间选择性有效的机制。其内部结构在RNN的基础上进行了优化，增加了输入门（inputgate），遗忘门（forgetgate），输出门（outputgate）三个逻辑控制单元，且各自联结到一个乘法元件上[12]。具体结构如图4所示。图4LSTM隐藏层内部结构示意图LSTM模型中各门控单元的描述如下：①遗忘门：其输入数据包含上一时刻隐藏层的输
【参考文献】：
期刊论文
[1]基于XGBoost和LSTM加权组合模型在销售预测的应用[J]. 冯晨,陈志德. 计算机系统应用. 2019(10)
[2]Prophet-LSTM组合模型的销售量预测研究[J]. 葛娜,孙连英,石晓达,赵平. 计算机科学. 2019(S1)
[3]面向汽车产业链的云服务平台信息支撑体系[J]. 李斌勇,孙林夫,王淑营,田冉. 计算机集成制造系统. 2015(10)
[4]基于变权组合模型的汽车后市场零配件需求预测[J]. 孙其伟,宫剑,赵恒. 中国管理信息化. 2014(09)
[5]随机森林方法研究综述[J]. 方匡南,吴见彬,朱建平,谢邦昌. 统计与信息论坛. 2011(03)
[6]面向服务的汽车配件需求预测模型[J]. 廖伟智,孙林夫,杜平安. 计算机集成制造系统. 2010(08)
[7]基于核心能力的供应链网络多价值链整合[J]. 罗文标,程功. 商业时代. 2008(05)
本文编号：3143511
【文章来源】：现代计算机. 2020,(24)
【文章页数】：6 页
【部分图文】：
多价值链数据抽取示意图22.2配件需求影响特征选取
研究现状分析，本文针对汽车产业链协同平台上代理商配件销售数据以及需求影响特征数据进行实验，构建随机森林（RF）和长短期时间记忆神经网络模型（LSTM）的组合预测模型。首先利用随机森林（RF）算法对影响配件销量的多种特征（包括配件故障率、适配车型整车保有量以及配件滞销比等）进行选取，提取出最优特征子集，消除特征集中的噪声，并降低其维度。然后将其提取的特征子集作为LSTM的训练数据，得到预测结果，结果表明，该组合预测模型相比于单一组件模型具有更高的预测精度和更快的收敛速度。图1代理商多价值链数据来源示意图2多链数据集构建22.1多链数据抽取价值链数据的具体表现形式是产品供应链业务数据，主要指供应商，制造厂，代理商等链上的节点企业日常业务中的销售、采购、库存和计划等信息数据[14]。本文研究所依托的汽车产业链协同平台是一个为汽车供应链中小型企业提供信息化系统服务，同时实现联盟成员之间的信息共享的第三方平台。目前在平台上已经积累了大量的整车销售、配件采购、配件销售和售后服务数据。其中平台数据空间面向汽车产业全生命周期，采用分布式多元存储的方式，将汽车产业多价值链数据整合汇聚在一起，为本文多链数据集构建提供数据支持。由于配件市场需求预测具有较强的时效性，所以本文采用增量抽取方法，在数据空间对应的数据表上构建插入、修改、删除三个触发器，然后在源数据表操作数据的时候，将其经过统计计算再进行插入、修改并存入特征属性表中，其具体过程如图2所示。图2多价值链数据抽取示意图22.2配件需求影响特征选取明确了多链条数据来源，还需要对需要提取的数据内容进行确定。本文以汽车产业链协同平台上多链条数据为实验对象。
，在通过重复以上过程得到若干个特征集以及对应的袋外误差，选取误差最小的特征集作为最优特征子集。图3配件需求预测组合模型结构示意图（2）LSTM原理分析LSTM神经网络模型[2]是RNN（循环神经网络）的改进模型，其解决了RNN的梯度消失问题，引入信息长时间选择性有效的机制。其内部结构在RNN的基础上进行了优化，增加了输入门（inputgate），遗忘门（forgetgate），输出门（outputgate）三个逻辑控制单元，且各自联结到一个乘法元件上[12]。具体结构如图4所示。图4LSTM隐藏层内部结构示意图LSTM模型中各门控单元的描述如下：①遗忘门：其输入数据包含上一时刻隐藏层的输
【参考文献】：
期刊论文
[1]基于XGBoost和LSTM加权组合模型在销售预测的应用[J]. 冯晨,陈志德. 计算机系统应用. 2019(10)
[2]Prophet-LSTM组合模型的销售量预测研究[J]. 葛娜,孙连英,石晓达,赵平. 计算机科学. 2019(S1)
[3]面向汽车产业链的云服务平台信息支撑体系[J]. 李斌勇,孙林夫,王淑营,田冉. 计算机集成制造系统. 2015(10)
[4]基于变权组合模型的汽车后市场零配件需求预测[J]. 孙其伟,宫剑,赵恒. 中国管理信息化. 2014(09)
[5]随机森林方法研究综述[J]. 方匡南,吴见彬,朱建平,谢邦昌. 统计与信息论坛. 2011(03)
[6]面向服务的汽车配件需求预测模型[J]. 廖伟智,孙林夫,杜平安. 计算机集成制造系统. 2010(08)
[7]基于核心能力的供应链网络多价值链整合[J]. 罗文标,程功. 商业时代. 2008(05)
本文编号：3143511
本文链接：https://www.wllwen.com/kejilunwen/qiche/3143511.html
