針對(duì)備件需求量波動(dòng)大預(yù)測(cè)精度不高的問(wèn)題,提出一種基于差分自回歸移動(dòng)平均（ARIMA）、BP神經(jīng)網(wǎng)絡(luò)、串聯(lián)的卷積與長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)（CNN-LSTM）組合模型的備件需求預(yù)測(cè)方法。該方法能夠充分發(fā)揮ARIMA模型出色的線性擬合能力和神經(jīng)網(wǎng)絡(luò)突出的非線性擬合能力,克服了單一方法的局限性,并通過(guò)實(shí)例分析,驗(yàn)證了該組合預(yù)測(cè)模型的預(yù)測(cè)精確度高于單一預(yù)測(cè)模型。 

【文章來(lái)源】：甘肅科技. 2020,36(10)

【文章頁(yè)數(shù)】：5 頁(yè)

【部分圖文】：

三層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

LSTM是一類特殊的遞歸神經(jīng)網(wǎng)絡(luò)，它克服了傳統(tǒng)遞歸神經(jīng)網(wǎng)絡(luò)存在的梯度爆炸和梯度消失的問(wèn)題，適合處理和預(yù)測(cè)時(shí)間序列事件。如圖2所示，每個(gè)LSTM由輸入門(mén)、忘記門(mén)、輸出門(mén)和細(xì)胞狀態(tài)組成，更新方式如下：其中，ft、it、Ct、ot分別表示忘記門(mén)、輸入門(mén)、細(xì)胞狀態(tài)和輸出門(mén)；bf、bi、bc、bo分別表示不同門(mén)對(duì)應(yīng)的偏置；Wf、Wi、Wc、Wo分別表示不同門(mén)對(duì)應(yīng)權(quán)值；xt表示當(dāng)前節(jié)點(diǎn)的輸入；ht表示當(dāng)前節(jié)點(diǎn)的輸出；σ表示激勵(lì)函數(shù)Sigmoid;G贊t表示計(jì)算過(guò)程中的候選值向量。

CNN-LSTM神經(jīng)網(wǎng)絡(luò)算法由三部分組成。第一層，將原始數(shù)據(jù)熱向量編碼，使其映射為k維空間，得到新特征。第二層，將新特征輸入卷積神經(jīng)網(wǎng)絡(luò)，設(shè)置若干對(duì)卷積層和池化層，提取數(shù)據(jù)特征。第三層，將CNN的輸出數(shù)據(jù)作為L(zhǎng)STM神經(jīng)網(wǎng)絡(luò)的輸入，做時(shí)序的預(yù)測(cè)，如圖3所示。2 組合預(yù)測(cè)模型

【參考文獻(xiàn)】：
期刊論文
[1]基于注意力機(jī)制的CNN-LSTM模型及其應(yīng)用[J]. 李梅,寧德軍,郭佳程.  計(jì)算機(jī)工程與應(yīng)用. 2019(13)
[2]基于BP神經(jīng)網(wǎng)絡(luò)的電網(wǎng)物資需求預(yù)測(cè)研究[J]. 丁紅衛(wèi),王文果,萬(wàn)良,羅劍.  計(jì)算機(jī)技術(shù)與發(fā)展. 2019(06)
[3]基于深度學(xué)習(xí)的交通流量預(yù)測(cè)研究[J]. 鄧烜堃,萬(wàn)良,丁紅衛(wèi),辛壯.  計(jì)算機(jī)工程與應(yīng)用. 2019(02)
[4]基于ARIMA的不穩(wěn)定需求備件測(cè)模型研究[J]. 韓梅麗,李霖.  物流工程與管理. 2016(02)
[5]煤礦企業(yè)備件儲(chǔ)備定額的研究[J]. 段軍,郭穎.  煤礦機(jī)械. 2011(11)



本文編號(hào)：3298962