面向多价值链的汽车配件需求预测模型
TP391; 基于第三方零部件多产业链业务协同云服务平台中汽车配件的销售现状,配件代理商没有充分考虑跨链销售、跨链调拨、多链销售等配件需求.为提高配件需求预测的准确率,首先提出一种优势矩阵(AM)结合轻梯度提升机(LightGBM)、门控循环神经网络(GRU)的组合预测模型(LightGBM_GRU_AM),该模型通过引入优势矩阵获取单个模型的最优权重系数,通过加权后的组合模型进行需求预测.考虑到组合模型中某时刻子模型的预测效果优于组合模型,为进一步提高预测的准确率,设计了一种基于LightGBM、GRU和LightGBM_GRU_AM的半组合预测模型,该模型采用子模型优选策略,在训练过程中利...
Saved in:
Published in | 计算机集成制造系统 Vol. 27; no. 10; pp. 2786 - 2800 |
---|---|
Main Authors | , , |
Format | Journal Article |
Language | Chinese |
Published |
成都信息工程大学 软件工程学院,四川 成都 610225
01.10.2021
西南交通大学 计算机与人工智能学院,四川 成都 610031 西南交通大学 制造业产业链协同与信息化支撑技术四川省重点实验室,四川 成都 610031 西南交通大学 制造业产业链协同与信息化支撑技术四川省重点实验室,四川 成都 610031%西南交通大学 计算机与人工智能学院,四川 成都 610031 |
Subjects | |
Online Access | Get full text |
ISSN | 1006-5911 |
DOI | 10.13196/j.cims.2021.10.004 |
Cover
Summary: | TP391; 基于第三方零部件多产业链业务协同云服务平台中汽车配件的销售现状,配件代理商没有充分考虑跨链销售、跨链调拨、多链销售等配件需求.为提高配件需求预测的准确率,首先提出一种优势矩阵(AM)结合轻梯度提升机(LightGBM)、门控循环神经网络(GRU)的组合预测模型(LightGBM_GRU_AM),该模型通过引入优势矩阵获取单个模型的最优权重系数,通过加权后的组合模型进行需求预测.考虑到组合模型中某时刻子模型的预测效果优于组合模型,为进一步提高预测的准确率,设计了一种基于LightGBM、GRU和LightGBM_GRU_AM的半组合预测模型,该模型采用子模型优选策略,在训练过程中利用最小绝对误差建立子模型分类标签,以特征提取和分类回归树建立子模型选取规则,根据数据特征采用不同的子模型进行预测,集成不同时刻的预测值形成最终的需求预测.最后集成第三方云平台中多链配件销售和配件相关售后服务数据进行算例分析,相比其他7种预测模型,提出的2种预测模型不但能有效降低预测误差,而且半组合预测模型更有优势,同时也为配件代理商提供采购决策支持. |
---|---|
ISSN: | 1006-5911 |
DOI: | 10.13196/j.cims.2021.10.004 |