基于深度网络的汽车配件两级备件决策

TP391; 备件业务是汽车配件售后市场重要组成部分,针对汽车备件决策过程中信息不完备与多样性的问题,提出一种正则化VIT-BiLSTM两级备件决策模型.首先,根据配件类型对数据进行两级划分,以获取其内在联系.然后,利用Vision Transformer(VIT)模型对配件数据进行关键特征的提取.随后,通过双向长短时记忆循环神经网络(BiLSTM)捕捉特征之间的双向长时依赖关系,并在每个序列单元中融入组套索正则化项,进一步提高模型准确率.最后,利用第三方云平台的配件数据进行算例分析.实验结果表明,模型一级与二级的决策准确率分别高达99％、97％,召回率分别为97.3％、96.6％,F值分别为...

Full description

Saved in:
Bibliographic Details
Published in计算机集成制造系统 Vol. 28; no. 12; pp. 3820 - 3829
Main Authors 张明蓝, 孙林夫, 邹益胜
Format Journal Article
LanguageChinese
Published 四川省制造业产业链协同与信息化支撑技术重点实验室,四川 成都 610031 31.12.2022
西南交通大学 计算机与人工智能学院,四川 成都 610031
Subjects
VIT模型
组套索正则化
两级备件决策
BiLSTM模型
深度网络
汽车配件
Online AccessGet full text
ISSN1006-5911
DOI10.13196/j.cims.2022.12.010

Cover

More Information
Summary:TP391; 备件业务是汽车配件售后市场重要组成部分,针对汽车备件决策过程中信息不完备与多样性的问题,提出一种正则化VIT-BiLSTM两级备件决策模型.首先,根据配件类型对数据进行两级划分,以获取其内在联系.然后,利用Vision Transformer(VIT)模型对配件数据进行关键特征的提取.随后,通过双向长短时记忆循环神经网络(BiLSTM)捕捉特征之间的双向长时依赖关系,并在每个序列单元中融入组套索正则化项,进一步提高模型准确率.最后,利用第三方云平台的配件数据进行算例分析.实验结果表明,模型一级与二级的决策准确率分别高达99％、97％,召回率分别为97.3％、96.6％,F值分别为0.977、0.964,说明本模型可以为配件代理商提供实时数据参考,辅助其进行备件决策.
ISSN:1006-5911
DOI:10.13196/j.cims.2022.12.010