支持汽车配件销售预测的方法研究与实现

发布时间：2020-06-01 00:58

【摘要】：随着汽车销量及保有量的不断增大,汽车生产及售后服务过程中的汽车配件需求量也与日剧增,中国的汽车配件市场也将迎来新一轮爆发期。面对汽车配件庞大的市场空间,中国的汽车配件企业想要在激烈的汽车配件市场竞争环境中抢占市场份额并获取利润,除了不断提升配件质量外,还需要大大提高配件协同管理能力,降低配件管理成本。然而,尽管近年来汽配企业部署了供应链协同及仓储系统的应用而提升了汽配企业的管理水平,但汽车零配件的及时供给率低下与库存积压严重却始终是两大困扰汽车零配件企业的突出和难点问题。为了解决这些问题,企业需要从海量的历史销售数据中抽取出有用的信息,实现对汽车配件的市场需求进行有效地预测。为此,针对汽车配件需求量预测存在预测模型单一、未对影响汽车配件需求量的特征进行特征抽取等导致预测的准确性低等问题,本文围绕国家重点研发计划课题“分布式资源巨系统及资源协同理论”(课题编号:2017YFB1400301)中的第三方“基于ASP/SaaS的制造业产业价值链协同平台”中近10年汽车配件企业积累的配件销售业务数据展开研究。本文在分析汽车配件销售预测存在的问题及需求的基础上,完成面向平台的汽车配件销售预测的方案设计。针对配件销售业务数据中存在的缺失值、异常值、数据格式不规范等问题,采用数据处理工具Pandas和Numpy完成对配件销售历史数据的清洗和转换,为后续研究工作提供数据质量的保障;在分析汽车零配件数据特征及不同零配件特征影响力的差异特点的基础上,根据不同特征抽取方法的优劣,同时考虑抽取效率和抽取准确率,提出基于Filter和Wrapper模式的双阶段特征抽取方法,基于此方法完成平台中配件销售业务数据特征的抽取;针对更换周期短、数据规模大的汽车零配件,提出基于长短期记忆,即LSTM(Long Short Term Memory)的预测模型;针对更换周期长、数据规模小的汽车零配件,提出基于机器学习的多模型融合预测模型,并对算法进行了实验验证。
【学位授予单位】：电子科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：F426.471;F274

【参考文献】